اعلامیه پردازنده سربراس - موتور مقیاس ویفر سربراس (WSE) یا موتور مقیاس ویفر سربراس - به عنوان بخشی از کنفرانس سالانه Hot Chips 31. با نگاهی به این هیولای سیلیکونی، آنچه که شگفت‌انگیز است، حتی این واقعیت نیست که آنها می‌توانند آن را در بدن آزاد کنند. شجاعت طراحی و کار توسعه دهندگانی که خطر توسعه کریستالی با مساحت 46 میلی متر مربع با ضلع های 225 سانتی متری را به جان خریدند شگفت آور است. برای ساخت یک پردازنده به یک ویفر کامل 21,5 میلی متری نیاز است. با کوچکترین خطا، ضریب نقص 300٪ است و حتی تصور هزینه موضوع نیز دشوار است.
Cerebras WSE توسط TSMC تولید می شود. فرآیند فن آوری - 16 نانومتر FinFET. این سازنده تایوانی نیز شایسته یک بنای یادبود برای انتشار Cerebras است. توسعه دهندگان اطمینان می دهند که تولید چنین تراشه ای به بالاترین مهارت و حل بسیاری از مشکلات نیاز داشت، اما ارزشش را داشت. تراشه Cerebras اساساً یک ابر رایانه روی یک تراشه با توان عملیاتی باورنکردنی، حداقل مصرف انرژی و موازی سازی فوق العاده است. اکنون این راه‌حل ایده‌آل یادگیری ماشینی است که به محققان این امکان را می‌دهد تا شروع به حل مسائل با پیچیدگی شدید کنند.
هر قالب Cerebras WSE شامل 1,2 تریلیون ترانزیستور است که در 400 هسته محاسباتی بهینه شده با هوش مصنوعی و 000 گیگابایت SRAM توزیع شده محلی سازماندهی شده است. همه اینها توسط یک شبکه مش با توان خروجی کل 18 پتابیت در ثانیه متصل می شوند. پهنای باند حافظه به 100 PB/s می رسد. سلسله مراتب حافظه تک سطحی است. حافظه نهان، هیچ همپوشانی و حداقل تاخیر دسترسی وجود ندارد. این یک معماری ایده آل برای تسریع وظایف مرتبط با هوش مصنوعی است. اعداد برهنه: در مقایسه با مدرن ترین هسته های گرافیکی، تراشه Cerebras 9 برابر بیشتر حافظه داخلی و 3000 برابر سرعت انتقال حافظه را فراهم می کند.
هسته های محاسباتی مغزها - SLAC (هسته های جبری خطی پراکنده) - کاملاً قابل برنامه ریزی هستند و می توانند برای کار با هر شبکه عصبی بهینه شوند. علاوه بر این، معماری هسته ذاتا داده هایی را که با صفر نمایش داده شده اند فیلتر می کند. این امر منابع محاسباتی را از نیاز به انجام عملیات ضرب بی‌حرکت در صفر آزاد می‌کند، که برای بارهای داده پراکنده به معنای محاسبات سریع‌تر و بهره‌وری انرژی شدید است. بنابراین، پردازنده Cerebras صدها یا حتی هزاران بار برای یادگیری ماشین از نظر مساحت تراشه و مصرف کارآمدتر از راه حل های فعلی برای هوش مصنوعی و یادگیری ماشین است.
ساخت تراشه با اندازه مشابه بسیاری از راه حل های منحصر به فرد حتی باید تقریباً با دست داخل کیس بسته می شد. مشکلاتی در تامین برق کریستال و خنک کردن آن وجود داشت. حذف گرما فقط با مایع و فقط با سازماندهی تامین منطقه ای با گردش عمودی امکان پذیر شد. با این حال، تمام مشکلات حل شد و تراشه کار کرد. یادگیری در مورد کاربرد عملی آن جالب خواهد بود.
منبع: 3dnews.ru