بعید است که کسی با این واقعیت استدلال کند که طراحی LSI های سفارشی (ASIC) از یک فرآیند ساده و سریع دور است. اما من می‌خواهم و به آن نیاز دارم که سریع‌تر باشد: امروز یک الگوریتم را منتشر کردم و یک هفته بعد پروژه دیجیتال تمام‌شده را برداشتم. واقعیت این است که LSI های بسیار تخصصی تقریباً یک محصول یکباره هستند. اینها به ندرت در دسته های میلیونی مورد نیاز هستند که در صورت نیاز به انجام این کار در کوتاه ترین زمان ممکن، می توانید هر چقدر که می خواهید پول و منابع انسانی را برای توسعه آنها خرج کنید. ASIC های تخصصی، و بنابراین موثرترین آنها برای حل وظایف خود، باید ارزان تر توسعه داده شوند، که در مرحله فعلی توسعه یادگیری ماشین بسیار مرتبط می شود. در این زمینه، بارهای انباشته شده توسط بازار رایانه و، به ویژه، پیشرفت های GPU در زمینه یادگیری ماشین (ML) دیگر قابل اجتناب نیست.
برای سرعت بخشیدن به طراحی ASIC برای وظایف ML، دارپا در حال ایجاد یک برنامه جدید - یادگیری ماشینی زمان واقعی (RTML) است. برنامه یادگیری ماشین بلادرنگ شامل توسعه یک کامپایلر یا پلتفرم نرم افزاری است که می تواند به طور خودکار یک معماری تراشه برای یک چارچوب خاص ML طراحی کند. پلتفرم باید به طور خودکار الگوریتم یادگیری ماشین پیشنهادی و مجموعه داده های آموزش این الگوریتم را تجزیه و تحلیل کند و پس از آن باید کدی را در Verilog برای ایجاد یک ASIC تخصصی تولید کند. توسعه دهندگان الگوریتم ML دانش طراحان تراشه را ندارند و طراحان به ندرت با اصول یادگیری ماشین آشنایی دارند. برنامه RTML باید اطمینان حاصل کند که مزایای هر دو در یک پلت فرم توسعه خودکار ASIC برای یادگیری ماشین ترکیب می شود.
در طول چرخه حیات برنامه RTML، راه حل های یافت شده باید در دو حوزه کاربردی اصلی آزمایش شوند: شبکه های 5G و پردازش تصویر. همچنین از برنامه RTML و بسترهای نرم افزاری ایجاد شده برای طراحی خودکار شتاب دهنده های ML برای توسعه و آزمایش الگوریتم ها و مجموعه داده های جدید ML استفاده خواهد شد. بنابراین، حتی قبل از طراحی سیلیکون، ارزیابی چشم انداز چارچوب های جدید امکان پذیر خواهد بود. شریک دارپا در برنامه RTML، بنیاد ملی علوم (NSF) خواهد بود که در مسائل یادگیری ماشین و توسعه الگوریتم های ML نیز نقش دارد. کامپایلر توسعه‌یافته به NSF منتقل می‌شود و DARPA انتظار دارد یک کامپایلر و پلتفرم برای طراحی الگوریتم‌های ML دریافت کند. در آینده، طراحی سخت‌افزار و ایجاد الگوریتم‌ها به یک راه‌حل یکپارچه تبدیل خواهد شد که منجر به ظهور سیستم‌های ماشینی می‌شود که در زمان واقعی خودآموز هستند.
منبع: 3dnews.ru