40 گام به سوی آینده‌ای هوشمند - مجموعه وبینارهای رایگان در حوزه هوش مصنوعی
Filter by دسته‌ها
chatGTP
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
تیتر یک
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 بازدهی بالای تراشه‌های جدید هوش مصنوعی

بازدهی بالای تراشه‌های جدید هوش مصنوعی

پیاده‌سازی قابلیت‌های مغز انسان در قطعات نرم‌افزاری و سیلیکونی از جمله اهداف بلندپروازانه‌ جامعه‌ پژوهشی هوش مصنوعی بوده است. تراشه‌های نورومورفیک در زمینه‌ اجرای همزمان محاسبات چندگانه به پیشرفت‌های بزرگی دست یافته‌اند و قادر به محاسبه‌ و ذخیره‌سازی داده‌ها هستند؛ با این حال، بازدهی‌شان در مصرف انرژی به هیچ‌وجه قابل مقایسه با مغز انسان نیست.

محاسبات هوش مصنوعی انرژی بسیار زیادی مصرف می‌کنند، اما بیشتر این انرژی، به جای محاسبات، صرف جابه‌جایی داده‌ها بین حافظه و واحدهای محاسباتی موجود در تراشه‌ها می‌شود. برای رسیدگی به این مشکل، گروهی از پژوهشگران یک تراشه‌ CIM (رایانش-در-حافظه) جدید ساخته‌اند که نیاز به این فاصله و جابه‌جایی را از بین می‌برد. بازدهی نسخه‌ آزمایشی این تراشه که در مقاله‌ پژوهشگران در ژورنال Nature منتشر شده است، دو برابر بیشتر از پلتفرم‌های موجود هوش مصنوعی است. این تراشه NeuroRRAM نام دارد، چون از نوعی RAM به نام RRAM استفاده می‌کند. سخت‌افزار 48 هسته‌ای RRAM-CIM از آرایه‌ گسترده‌ای از مدل‌ها و معماری‌های شبکه‌ عصبی پشتیبانی می‌کند.

تراشه های هوش مصنوعی

پژوهش‌های تراشه‌های جدید هوش مصنوعی‌

به گفته‌ ویر وان، پژوهشگر دانشگاه استنفورد و نویسنده‌ اول مقاله، RRAM در مقایسه با حافظه‌های قدیمی مزایای فراوانی دارد. به عنوان مثال، می‌توان به ظرفیت بالاتر در مساحت سیلیکونی یکسان اشاره کرد که پیاده‌سازی مدل‌های بزرگ‌تر هوش مصنوعی را امکان‌پذیر می‌سازد. این تراشه‌ها غیرفرّار هستند و به همین دلیل، امکان نشت انرژی وجود ندارد. این مهم تراشه‌های جدید هوش مصنوعی را به گزینه‌ای ایده‌آل برای مسائل لبه تبدیل می‌کند. پژوهشگران پیش‌بینی می‌کنند که تراشه NeuroRRAM بتواند به شکل کارآمد، طیفی از کاربردهای پیشرفته هوش مصنوعی را روی دستگاه‌های کم‌مصرف‌تر و بدون تکیه بر اتصال شبکه‌ای به فضای ابری، مدیریت کند.

در خصوص پژوهش‌های تراشه‌های جدید هوش مصنوعی‌، پژوهشگران برای طراحی تراشه‌های جدید هوش مصنوعی (NeuRRAM) نوعی توازن بین بازدهی، کارآیی و دقت ایجاد کردند. وان در این باره توضیح می‌دهد: «نوآوری پژوهش ما در این بود که از طرح آنالوگ-به-دیجیتال جدیدی استفاده کردیم، چون همین مرحله است که مانع بازدهی بیشتر تراشه‌های CIM محسوب می‌شود. این طرح جدید مبتنی بر احساس ولتاژ است، در حالی که طرح‌های قبلی بر احساس جریان تکیه داشتند. مزیت دیگر احساس ولتاژ این است که موازی‌سازی بیشتر آرایه‌ RRAM در یک چرخه‌ محاسباتی واحد را امکان‌پذیر می‌سازد.»

تراشه های جدید هوش مصنوعی

پژوهشگران معماری‌های جدید دیگری، همچون آرایه‌ TNSA را نیز مورد بررسی قرار داده‌اند، تا جهت گردش داده را به شکلی انعطاف‌پذیر کنترل کنند. به گفته‌ وان، هدف از این کار افزایش دقت بوده است. وی ادامه می‌دهد: «کلید موفقیت طراحی هماهنگ الگوریتم و سخت‌افزار است. این کار به ما اجازه داد، تا ویژگی‌های سخت‌افزار را مستقیماً در این مدل‌های هوش مصنوعی مدلسازی کنیم.» بدین ترتیب، الگوریتم می‌تواند با حالات غیرایده‌آل سخت‌افزار سازگار شده و دقت خودش را حفظ کند. به بیان دیگر، پژوهشگران موفق شدند در سراسر پشته، از جمله دستگاه، مدار، معماری و الگوریتم، بهینه‌سازی را انجام دهند، تا تراشه‌ای بسازند که علاوه بر بازدهی بالا، انعطاف‌پذیر و دقیق باشد.

گرت کاونبرگز، پژوهشگر دانشگاه کالیفرنیا و یکی از نویسندگان مقاله، اضافه می‌کند: «بیشتر پیشرفت‌هایی که در عرصه‌ CIM رخ داده است، به رده‌ نرم‌افزاری محدود می‌شوند و صرفاً از آرایه‌ای از سیناپس‌ها استفاده می‌کنند. اما در این پروژه، همه اقدامات لازم را همزمان و هم‌رده با هم روی پشته اجرا کرده‌ایم.»

تراشه‌های جدید هوش مصنوعی (NeuRRAM) در مسئله‌ تشخیص ارقام دست‌نویس، دسته‌بندی تصاویر و تشخیص دستورهای زبانی گوگل به ترتیب به دقت 99 درصد، 7/85 درصد و 7/84 درصد دست یافت و موفق شد میزان خطا را در یک مسئله‌ بازیابی تصویر تا 70 درصد کاهش دهد. به عقیده‌ پژوهشگران، این نتایج با عملکرد تراشه‌های دیجیتالی موجود قابل مقایسه هستند، اما مصرف انرژی را به مقدار قابل‌ ملاحظه‌ای کاهش می‌دهند.

پژوهشگران با مقایسه تراشه‌های جدید هوش مصنوعی‌ (NeuRRAM) با تراشه نورومورفیک اینتل به نام Loihi-2 (واحد سازنده سیستم 8 میلیون نورنی Pohoki Beach)، دریافته‌اند که محصول آن‌ها بازدهی و چگالی بهتری دارد. سیدارت جاشی، پژوهشگر دانشگاه نوتردام و یکی دیگر از نویسندگان مقاله، توضیح می‌دهد: «Loihi یک پردازشگر دیجیتالی استاندارد است که بانک SRAM و یک ISA قابل‌برنامه‌نویسی دارد. معماری این تراشه شبیه به Neumann است، در حالی که رایانش در تراشه‌ ما روی خط بیت انجام می‌گیرد.»

مطالعات اخیر نشان داده‌اند که طیف کاربردهای تراشه‌های نورومورفیک، از جمله Loihi، از هوش مصنوعی فراتر رفته و تحلیل داده‌های پزشکی و اقتصادی و حتی مسائل رایانش کوآنتومی را هم در بر می‌گیرد. طراحان NeuRRAM با تکیه بر این نکته، بیان کرده‌اند که آینده‌ این صنعت متعلق به معماری‌های CIM است. کاونبرگز اضافه می‌کند: «مقیاس‌پذیری NeuRRAM با ویژگی‌های معماری این تراشه هماهنگی دارد، چون از یک سو، آرایه‌ای از هسته‌های موازی را داریم که هر یک به صورت مستقل محاسبات را انجام می‌دهند و از سوی دیگر، می‌توانیم شبکه‌های بزرگ را با اتصال یا بدون اتصال اجرا کنیم.»

پژوهشگران معتقدند که هنوز برای صحبت در مورد تجاری‌سازی این تراشه زود است. با اینکه ترکیب بازدهی بالای سخت‌افزارهای تراشه و قابلیت CIM به خروجی بی‌سابقه‌ای دست یافته است، باید در نظر داشت که کاربرد گسترده‌ آن به هماهنگی با معیارهای مصرف انرژی بستگی دارد.

وان در انتها اضافه می‌کند: «ما به کار روی انطباق قوانین یادگیری ادامه می‌دهیم، تا نسخه‌های آینده بتوانند با کمک تراشه‌های جدید هوش مصنوعی‌ بیاموزند و پیشرفت‌های فناوری RRAM نیز امکان یادگیری افزایشی یا ضریبی در مقیاس گسترده را فراهم آورد. به علاوه، تجاری‌سازی مستلزم این است که طراحان تراشه بیشتر به فناوری RRAM دسترسی داشته باشند.»


جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]