MegMind ابزار ForgeStencil را متن‌باز کرد: ایجنت دوگانه با صفر دخالت انسانی، بیش از ۱۰۰ نرم‌افزار صنعتی را در عرض یک هفته به‌طور خودکار بهینه‌سازی می‌کند.
هر پیشرفت در صنعت مدرن و پژوهش‌های پیشرفته، پشتیبانِ یک نرم‌افزار محاسباتی با عملکرد بالا و مقیاس بزرگ است که هسته آن اغلب در یک الگوی محاسباتیِ فشرده و اجتناب‌ناپذیر به نام محاسبات استنسیل (Stencil computation) نهفته است. فرقی نمی‌کند پیش‌بینی آب‌وهوا، اکتشاف لرزه‌ای، شبیه‌سازی الکترومغناطیسی یا شبیه‌سازی مواد باشد؛ ماهیت کار این است که کل شبکه به‌طور مکرر با استفاده از ترکیبات وزنی همسایگان نقاط شبکه به‌روزرسانی شود. این نوع از محاسبات، حافظه‌محور بوده و توسط پهنای باند حافظه محدود می‌شود و اغلب بخش بزرگی از زمان اجرای برنامه را به خود اختصاص می‌دهد و سرعت آن به‌طور مستقیم کارایی نرم‌افزارهای کلیدی صنعتی و علمی یک کشور را تعیین می‌کند.
پیش از این، بهینه‌سازی استنسیل تا محدوده‌های فیزیکی سخت‌افزار تنها توسط متخصصان بسیار کمیابِ محاسبات با عملکرد بالا (HPC) انجام می‌شد. اگرچه کامپایلرها، تولیدکنندگان کد و سیستم‌های تنظیم خودکار می‌توانند به طور خودکار کد تولید کرده و پارامترها را جستجو کنند، اما خودِ الگوریتم‌های بهینه‌سازی همچنان به طراحی و ادغام دستی نیاز داشتند. وقتی سناریوها، اشکال یا سخت‌افزارها تغییر می‌کردند، باید دوباره به صورت دستی ادغام می‌شدند و هرگز توانایی مقیاس‌پذیری نداشتند. اکنون این وضعیت شکسته شده است — شرکت هوش مصنوعی Mianbi (میان‌بی) به همراه جامعه متن‌باز OpenBMB، اولین سیستم بهینه‌سازی هوش مصنوعی جهان برای استنسیل به نام ForgeStencil را منتشر کرده‌اند که از تحقیق و استقرار خودکار پشتیبانی می‌کند و مستقیماً متن‌باز شده است.
بر اساس افشاگری‌ها، ForgeStencil بهینه‌سازی خودکار بیش از ۱۰۰ نرم‌افزار محاسباتی صنعتی و علمی واقعی را تنها در عرض یک هفته به اتمام رساند، زمان بهینه‌سازی برای هر برنامه را به چند ساعت کاهش داد، کارایی تحقیق و توسعه را حدود ۱۰۰ برابر افزایش داد و با قدرت پردازشی مقیاس‌پذیر شد. این یعنی برای اولین بار، بهینه‌سازی استنسیل از بند محدودیت‌های انسانی آزاد شده و مقیاس‌پذیری را ممکن ساخته است.
مخرب‌ترین جنبه‌ی آن، رویکرد مبتنی بر ایجنت دوگانه و بدون دخالت انسان است. انسان‌ها به سادگی باید سورس‌کد برنامه‌ای را که قرار است بهینه‌سازی شود در اختیار سیستم قرار دهند. از تحلیل خودکار، مکان‌یابی نقاط داغ (Hotspot)، فورج هسته (Kernel forging) تا جایگزینی عملگر، تأیید صحت و ادغام مجدد در برنامه اصلی، هیچ متخصصی در هیچ‌کدام از مراحل تصمیم‌گیری دخالت ندارد. این سیستم از دو بخش تشکیل شده است: ایجنت هسته (Kernel Agent) و ایجنت برنامه (App Agent). اولی حکم دانشمندی را دارد که مسئول فورج عملگر است، به طور مستقل هسته‌های با عملکرد بالا را تحقیق و سنتز می‌کند، ماتریس‌های عملگر تخصصی برای انواع رایج استنسیل، شکل‌های مختلف و الزامات دقت می‌سازد و عبارت‌های ریاضی را به کدهای ظریفی تبدیل می‌کند که به محدوده‌های سخت‌افزاری نزدیک می‌شوند. دومی یک مهندس عمل‌گرا است که راه‌حل‌های سفارشی برای هر برنامه واقعی می‌سازد، نقاط داغ را شناسایی می‌کند، مبناهای (Baseline) پردازنده گرافیکی را مستقر می‌سازد، ادغام‌ها را تأیید می‌کند و در نهایت ارزیابی سرتاسری (End-to-end) را با استفاده از موارد آزمایشیِ خودِ برنامه انجام می‌دهد.
در رقابت عملگرها، ForgeStencil از فریم‌ورک‌های شناخته‌شده‌ای مانند Halide، Devito، EBISU، DRStencil و FlashFFTStencil دعوت کرد تا در شرایط برابر با یکدیگر رقابت کنند: تحت همان دقت fp32، به میانگین شتاب هندسی ۲.۳۵ برابری دست یافت؛ و تحت دقت ترکیبی fp16، سرعت‌‌افزایشِ اضافی ۱.۹۵ برابری به دست آورد. حتی در استنسیل‌های با ضریب متغیر که به طور بدنامی دشوار هستند و شامل تمام اشکال می‌شوند، باز هم در مقایسه با بهترین مبنا (Baseline)، به میانگین شتاب هندسی ۱.۳۴ برابری دست پیدا کرد.
حتی چشمگیرتر از آن، ورود این ابزار به سناریوهای واقعی صنعتی است، نه صرفاً بنچمارک‌های ایده‌آل. در نرم‌افزارهای علمی جریان اصلی و بنچمارک‌های معتبر، حدود ۴۲ درصد از بهینه‌سازی‌ها مستقیماً با تولید واقعی صنعتی مطابقت دارند: کتابخانه حل‌کننده چندشبکه‌ای ساختاریافته hypre به میزان ۳.۸۶ برابر، انتقال نوترون رآکتور هسته‌ای minisweep به میزان ۵.۷۸ برابر، شبیه‌سازی‌های الکترومغناطیسی gprMax و FDTD به میزان ۲.۴۷ برابر، مهاجرت زمان معکوس RTM برای تصویربرداری لرزه‌ای نفت و گاز به میزان ۱.۸۱ برابر، مینی‌اپلیکیشن لرزه‌ای minimod شرکت توتال به میزان ۱.۲۲ برابر، قیمت‌گذاری اوراق قرضه QuantLib به میزان ۱.۸۲ برابر، بازسازی تصویر امواج ارتعاشی مغناطیسی (MRI) غیرکارتزین به میزان ۲.۴۵ برابر، و بازتاب‌پخش توموسنتز دیجیتال پستان به میزان ۱.۶۳ برابر تسریع شدند. این ابزار مستقیماً بارهای تولیدی واقعی شرکت‌های نفتی، تجهیزات پزشکی و ادارات هواشناسی را هدف قرار می‌دهد.
در مقایسه با متخصصان انسانی که دانش خود را در ذهن خود حبس کرده و به اشتراک‌گذاری آن دشوار است، ForgeStencil به تعداد زیادی از ایجنت‌های موازی اجازه می‌دهد تا یک پایگاه دانش مشترک داشته باشند، که امکان تبادل بی‌درنگ تجربه و دستیابی به همگام‌سازی و تکامل جمعی هوشمند را فراهم می‌کند. این دستاورد دیگری از شرکت هوش مصنوعی Mianbi (میان‌بی) بر اساس پارادایم مهندسی نرم‌افزار Forge Engineering است که به دنبال انتشار ForgeTrain در ماه مه ارائه شده است. این ابزار از کدهای خودتولیدشده به سمت تحقیق و بهینه‌سازی خودکار، و از شتاب‌دهی عملگرهای محلی به سمت استقرار برنامه‌های واقعی حرکت می‌کند.
در کوتاه‌مدت، بهینه‌سازی خودکار نرم‌افزارهای صنعتی موجود می‌تواند در عرض چند ساعت به نتایجی نزدیک به محدوده‌های سخت‌افزاری دست یابد و از طریق صرفه‌جویی در هزینه‌های محاسباتی و فشرده‌سازی تحقیق و توسعه، مستقیماً هزینه‌ها را کاهش داده و بهره‌وری را بهبود بخشد. در بلندمدت، زمانی که شالوده دیجیتالی تجهیزات پیشرفته، اکتشاف انرژی و طراحی تراشه مانند شبیه‌سازی CAE، تصویربرداری لرزه‌ای، الکترومغناطیس و دینامیک سیالات به طور خودکار بهینه‌سازی شود، شتاب ارتقای تولید داخلی سرعت خواهد گرفت. در حال حاضر، ForgeStencil روی گیت‌هاب متن‌باز شده است و شرکت Mianbi Intelligence از محققان HPC، متخصصان نرم‌افزارهای صنعتی و توسعه‌دهندگان متن‌باز دعوت کرده است تا در ساخت آن مشارکت کنند.