Είναι απίθανο κάποιος να διαφωνήσει με το γεγονός ότι ο σχεδιασμός προσαρμοσμένων ASIC απέχει πολύ από μια απλή και γρήγορη διαδικασία. Αλλά θέλω και το χρειάζομαι να είναι πιο γρήγορο: σήμερα εξέδωσα έναν αλγόριθμο και μια εβδομάδα αργότερα αφαίρεσα το ολοκληρωμένο ψηφιακό έργο. Το γεγονός είναι ότι τα εξαιρετικά εξειδικευμένα LSI είναι σχεδόν ένα εφάπαξ προϊόν. Αυτά σπάνια χρειάζονται σε παρτίδες εκατομμυρίων, για την ανάπτυξη των οποίων μπορείτε να ξοδέψετε όσα χρήματα και ανθρώπινο δυναμικό θέλετε, εάν αυτό πρέπει να γίνει το συντομότερο δυνατό. Τα εξειδικευμένα ASIC, και επομένως τα πιο αποτελεσματικά για την επίλυση των καθηκόντων τους, θα πρέπει να είναι φθηνότερα στην ανάπτυξη, κάτι που γίνεται πολύ σημαντικό στο παρόν στάδιο ανάπτυξης της μηχανικής μάθησης. Σε αυτό το μέτωπο, οι αποσκευές που συσσωρεύονται από την αγορά υπολογιστών και, ιδιαίτερα, οι ανακαλύψεις GPU στον τομέα της μηχανικής μάθησης (ML) δεν μπορούν πλέον να αποφευχθούν.
Για να επιταχύνει τον σχεδιασμό των ASIC για εργασίες ML, η DARPA καθιερώνει ένα νέο πρόγραμμα - Real Time Machine Learning (RTML). Το πρόγραμμα μηχανικής εκμάθησης σε πραγματικό χρόνο περιλαμβάνει την ανάπτυξη ενός μεταγλωττιστή ή μιας πλατφόρμας λογισμικού που θα μπορούσε να σχεδιάσει αυτόματα μια αρχιτεκτονική τσιπ για ένα συγκεκριμένο πλαίσιο ML. Η πλατφόρμα θα πρέπει να αναλύει αυτόματα τον προτεινόμενο αλγόριθμο μηχανικής μάθησης και το σύνολο δεδομένων για την εκπαίδευση αυτού του αλγόριθμου, μετά από το οποίο θα πρέπει να παράγει κώδικα στη Verilog για τη δημιουργία ενός εξειδικευμένου ASIC. Οι προγραμματιστές αλγορίθμων ML δεν έχουν τη γνώση των σχεδιαστών τσιπ και οι σχεδιαστές σπάνια εξοικειώνονται με τις αρχές μηχανικής εκμάθησης. Το πρόγραμμα RTML θα πρέπει να βοηθήσει να διασφαλιστεί ότι τα πλεονεκτήματα και των δύο συνδυάζονται σε μια αυτοματοποιημένη πλατφόρμα ανάπτυξης ASIC για μηχανική εκμάθηση.
Κατά τη διάρκεια του κύκλου ζωής του προγράμματος RTML, οι λύσεις που θα βρεθούν θα πρέπει να δοκιμαστούν σε δύο βασικούς τομείς εφαρμογής: δίκτυα 5G και επεξεργασία εικόνας. Επίσης, το πρόγραμμα RTML και οι δημιουργημένες πλατφόρμες λογισμικού για τον αυτόματο σχεδιασμό επιταχυντών ML θα χρησιμοποιηθούν για την ανάπτυξη και δοκιμή νέων αλγορίθμων και συνόλων δεδομένων ML. Έτσι, ακόμη και πριν από το σχεδιασμό του πυριτίου, θα είναι δυνατή η αξιολόγηση των προοπτικών νέων πλαισίων. Συνεργάτης της DARPA στο πρόγραμμα RTML θα είναι το Εθνικό Ίδρυμα Επιστημών (NSF), το οποίο ασχολείται επίσης με προβλήματα μηχανικής μάθησης και την ανάπτυξη αλγορίθμων ML. Ο ανεπτυγμένος μεταγλωττιστής θα μεταφερθεί στο NSF και η DARPA αναμένει να λάβει έναν μεταγλωττιστή και μια πλατφόρμα για το σχεδιασμό αλγορίθμων ML. Στο μέλλον, η σχεδίαση υλικού και η δημιουργία αλγορίθμων θα γίνει μια ολοκληρωμένη λύση, η οποία θα οδηγήσει στην εμφάνιση συστημάτων μηχανών που αυτοεκπαιδεύονται σε πραγματικό χρόνο.
Πηγή: 3dnews.ru