Nekez eztabaidatuko du inork LSI pertsonalizatuak (ASIC) diseinatzea prozesu sinple eta azkar batetik urrun dagoela. Baina azkarragoa izatea nahi eta behar dut: gaur algoritmo bat kaleratu dut, eta astebete geroago proiektu digitala amaituta eraman dut. Kontua da oso espezializatuak diren LSIak ia produktu bakarrak direla. Horiek gutxitan behar izaten dira milioika multzotan, eta horien garapenean nahi adina diru eta giza baliabide gastatu ditzakezu, hori ahalik eta denbora laburrenean egin behar bada. ASIC espezializatuak, eta, beraz, beren zereginak konpontzeko eraginkorrenak, garatzeko merkeagoak izan beharko lirateke, eta hori mega-garrantzitsua bihurtzen ari da ikaskuntza automatikoaren garapen-fasean. Alde horretatik, informatika-merkatuak eta, batez ere, GPU-ren aurrerapenak ikaskuntza automatikoaren (ML) alorrean pilatutako ekipajea ezin da gehiago saihestu.
ML zereginetarako ASICen diseinua bizkortzeko, DARPA programa berri bat ezartzen ari da - Real Time Machine Learning (RTML). Denbora errealeko ikaskuntza automatikoko programak ML esparru jakin baterako txip-arkitektura automatikoki diseina dezakeen konpiladore edo software-plataforma garatzen du. Plataformak automatikoki aztertu beharko lituzke proposatutako ikaskuntza automatikoko algoritmoa eta algoritmo hori entrenatzeko datu-multzoa, eta ondoren Verilog-en kodea sortu beharko luke ASIC espezializatu bat sortzeko. ML algoritmoen garatzaileek ez dute txip-diseinatzaileen ezagutzarik, eta diseinatzaileek gutxitan ezagutzen dituzte ikaskuntza automatikoaren printzipioak. RTML programak bien abantailak ikaskuntza automatikorako ASIC garapen automatikoko plataforma batean konbinatzen direla ziurtatzen lagundu beharko luke.
RTML programaren bizi-zikloan zehar, aurkitutako soluzioak bi aplikazio-eremu nagusitan probatu beharko dira: 5G sareetan eta irudien prozesamenduan. Halaber, RTML programa eta ML azeleragailuen diseinu automatikorako sortutako software plataformak erabiliko dira ML algoritmo eta datu multzo berriak garatzeko eta probatzeko. Horrela, silizioa diseinatu aurretik ere, marko berrien aukerak ebaluatu ahal izango dira. DARPAren RTML programako bazkidea National Science Foundation (NSF) izango da, ikaskuntza automatikoko arazoetan eta ML algoritmoen garapenean ere parte hartzen duena. Garatutako konpilatzailea NSFra transferituko da, eta atzera DARPAk ML algoritmoak diseinatzeko konpilatzaile eta plataforma bat jasotzea espero du. Etorkizunean, hardwarearen diseinua eta algoritmoen sorrera soluzio integratua bihurtuko da, eta horrek denbora errealean autoikaskuntzan ari diren makina-sistemak sortuko ditu.
Iturria: 3dnews.ru