هوش مصنوعی گوگل
کاربردهای هوش مصنوعی

هوش مصنوعی گوگل در کمتر از ۶ ساعت تراشه طراحی می‌کند

    0
    در مقاله‌ای که یکی از محققان هوش مصنوعی گوگل به نام «دین جِف» منتشر کرده، دانشمندانِ تیم تحقیقات زیرساخت و اجرای تراشۀ گوگل به توصیف یک روش یادگیری‌محور برای طراحی تراشه پرداخته‌اند که می‌تواند از تجارب گذشته یاد بگیرد و با گذشت زمان ارتقاء یابد. شرکت گوگل مدعی شده که هوش مصنوعیِ این شرکت می‌تواند کارِ طراحی تراشه را به طور میانگین در کمتر از شش ساعت انجام دهد. این در حالی است که کارشناسان برای طراحی این تراشه‌ها به هفته‌ها زمان نیاز دارند.
    اگرچه این کار کاملا جدید نیست، اما بر اساس روشی کار می‌کند که مهندسان گوگل در مقاله‌شان در ماه مارس پیشنهاد کرده‌اند. در این مقاله آمده است که جای‌گذاری ترانزیستورهای درون‌تراشه‌ای، می‌تواند تا حدود زیادی به صورت خودکار و بدون دخالت انسان انجام شود.
    اگر روش پیشنهادیِ محققان هوش مصنوعی گوگل به صورت عمومی در دسترس قرار گیرد، آن دسته از شرکت‌های نوظهوری که با مشکلات مالی دست و پنجه نرم می‌کنند، فرصت لازم را برای ساخت و توسعه تراشه‌های خود خواهند داشت تا اهداف هوش مصنوعی و اهداف تخصصی دیگرشان را به پیش برند. علاوه براین، روش مذکور می‌تواند نقش موثری در کاهش چرخه طراحی تراشه‌ها داشته باشد و سخت‌افزارها را به شیوه بهتری با توسعه سریع تحقیقات همگام سازد.«دین جِف» سال گذشته در مصاحبه با VentureBeat اظهار داشت: «اساساً، اکنون یک سری ابزارها در فرایند طراحی وجود دارد که می‌توانند بسیار مفید باشند، اما کارشناسان مجبورند مراحل طراحی را با استفاده از این ابزارها، برای چندین و چندین بار تکرار کنند تا به نتیجه مورد نظر برسند.

    طی کردن مراحل طراحی و ساخت محصول، فرایند زمانبری است که به چند هفته زمان نیاز دارد. بنابراین، تمام کارهای طراحی به دوش متخصصان است و باید از مدل یادگیری ماشین مناسبی که توان پیاده‌سازی طرح را در تراشه دارد، استفاده کنیم.»

    هوش مصنوعی گوگل

    جای‌گذاری آریان (Ariane ) پردازشگر منبع باز در طول مراحل آموزش؛ در سمت چپ، سیاست به طور کلی از نو آموزش داده می‌شود. در سمت راست، سیاستِ از پیش‌آموزش‌دیده در این تراشه، به طور دقیق تنظیم می‌شود. هر مستطیل نشان‌دهندۀ جایگذاری ماکرو است. عکس از: گوگل

    محققان هوش مصنوعی گوگل می‌خواهند در روش پیشنهادی‌شان یک نمودار از گِیت‌های منطقی، حافظه و چند چیز دیگر را در تراشه جای‌گذاری کنند؛ به گونه‌ای که طرح بتواند به بهینه‌سازیِ قدرت، عملکرد و مساحت کمک کند و در عین حال به محدودیت‌های ازدحام مسیریابی و تراکم جای‌گذاری پایبند باشد. اندازه نمودارها می‌تواند از چند میلیون تا چند میلیارد گره باشد که این گره‌ها در هزاران دسته قرار دارند.

    محققان چارچوبی طراحی کرده‌اند که برای بهینه‌سازیِ فرایند جای‌گذاری تراشه، از یک عامل که بوسیله یادگیری تقویتی آموزش می بیند، استفاده می‌کند. این مدل هوش مصنوعی با توجه به فهرست شبکه‌ها، شناسۀ گره فعلی که قرار است جای‌گذاری شود، فراداده‌های فهرست شبکه و فن‌آوری نیمه‌هادی، یک توزیع احتمال برای نقاط جای‌گذاری موجود ارائه می‌کند.

    هوش مصنوعی گوگل

    اندازه آموزش و عملکرد تنظیم دقیق. عکس از: گوگل

    عاملی که در فوق به آن اشاره شد، اجزا را به طور متوالی جای‌گذاری می‌کند، تا جایی که فهرست شبکه‌ها را تکمیل کرده و تا پایان هیچ پاداشی دریافت نمی‌کند. برای اینکه عاملِ مورد نظر در انتخاب اجزا برای جای‌گذاری در وهله اول راهنمایی کافی بگیرد، اجزا به ترتیب اندازه از کم به زیاد چیده می‌شوند. جایگذاری اجزای بزرگتر در ابتدایِ کار باعث می‌شود بعدها امکان جای‌گذاری وجود نداشته باشد.

    آموزشِ عامل (Agent)، مستلزمِ ساخت مجموعه‌داده‌ای متشکل از ۱۰.۰۰۰ جای‌گذاری تراشه بود. بر این اساس، ورودی به وضعیتی اشاره می‌کند که با جای‌گذاری ارتباط دارد و برچسب به منزلۀ پاداش برای جای‌گذاری است. محققان آن را با انتخاب ۵ فهرست مختلف تراشه ساخته‌اند و یک الگوریتم هوش مصنوعی در آن به کار گرفته شده تا ۲۰۰۰ جای‌گذاری مختلف در هر فهرست شبکه، ممکن شود.

    محققان بر اساس آزمایش‌ها فهمیدند وقتی چارچوب را در تراشه‌های بیشتری آموزش دهند، می‌توانند سرعت فرایند آموزش را افزایش دهند و سریع‌تر به نتایج بهتری برسند. در واقع، آنان مدعی شده‌اند که این چارچوب توانست عملکرد بهتری در واحدهای پردازش تنسور  (TPU)Tensor processing unit گوگل موسوم به «TPU» داشته باشد.

    محققان در پایان نتیجه گرفتند: «برخلاف روش‌های موجود که فرایند جای‌گذاری را از ابتدا در تراشه‌های جدید بهینه‌سازی می‌کنند، چارچوبِ ما از دانش بدست آمده از جای‌گذاری تراشه‌های پیشین استفاده می‌کند تا با گذشت زمان، خود را ارتقاء بخشد. افزون بر این، روش ما زمینه را برای بهینه‌سازیِ مستقیم متریک‌هایی از قبیل طول سیم، تراکم و ازدحام فراهم می‌کند. این روش نه تنها به‌کارگیری توابع هزینه جدید را آسان‌تر می‌کند، بلکه این فرصت را در اختیارمان می‌گذارد تا اهمیت آن‌ها را بر اساس نیازهای تراشه بسنجیم.»

    Guardforce AI عمده سهام شرکت Logic Network Limited را خرید

    مقاله قبلی

    لایرا ؛ یک کدک جدید با نرخ بیت بسیار پایین، برای فشرده‌سازی گفتار

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *