તે અસંભવિત છે કે કોઈ પણ એ હકીકત સાથે દલીલ કરશે કે કસ્ટમ LSIs (ASICs) ડિઝાઇન કરવી એ સરળ અને ઝડપી પ્રક્રિયાથી દૂર છે. પરંતુ હું ઇચ્છું છું અને તે ઝડપી બનવાની જરૂર છે: આજે મેં એક એલ્ગોરિધમ જારી કર્યું, અને એક અઠવાડિયા પછી મેં ફિનિશ્ડ ડિજિટલ પ્રોજેક્ટ લઈ લીધો. હકીકત એ છે કે અત્યંત વિશિષ્ટ LSI લગભગ એક જ ઉત્પાદન છે. આની ભાગ્યે જ લાખોની બેચમાં જરૂર પડે છે, જેના વિકાસ પર તમે ગમે તેટલા પૈસા અને માનવ સંસાધનો ખર્ચી શકો, જો આ શક્ય તેટલા ઓછા સમયમાં કરવાની જરૂર હોય. વિશિષ્ટ ASICs, અને તેથી તેમના કાર્યોને ઉકેલવા માટે સૌથી અસરકારક, વિકસાવવા માટે સસ્તું હોવું જોઈએ, જે મશીન શિક્ષણના વિકાસના હાલના તબક્કે મેગા-સંબંધિત બની રહ્યું છે. આ મોરચે, કોમ્પ્યુટર માર્કેટ અને ખાસ કરીને, મશીન લર્નિંગ (ML) ના ક્ષેત્રમાં GPU સફળતાઓ દ્વારા સંચિત સામાન હવે ટાળી શકાશે નહીં.
ML કાર્યો માટે ASIC ની ડિઝાઈનને ઝડપી બનાવવા માટે, DARPA એક નવો પ્રોગ્રામ - રિયલ ટાઈમ મશીન લર્નિંગ (RTML) ની સ્થાપના કરી રહ્યું છે. રીઅલ-ટાઇમ મશીન લર્નિંગ પ્રોગ્રામમાં કમ્પાઇલર અથવા સોફ્ટવેર પ્લેટફોર્મ વિકસાવવાનો સમાવેશ થાય છે જે ચોક્કસ ML ફ્રેમવર્ક માટે આપમેળે ચિપ આર્કિટેક્ચર ડિઝાઇન કરી શકે છે. પ્લેટફોર્મે સૂચિત મશીન લર્નિંગ અલ્ગોરિધમ અને આ અલ્ગોરિધમને તાલીમ આપવા માટેના ડેટા સેટનું આપમેળે વિશ્લેષણ કરવું જોઈએ, ત્યારબાદ તેણે વિશિષ્ટ ASIC બનાવવા માટે વેરિલોગમાં કોડ બનાવવો જોઈએ. ML અલ્ગોરિધમ ડેવલપર્સને ચિપ ડિઝાઇનર્સનું જ્ઞાન હોતું નથી, અને ડિઝાઇનર્સ ભાગ્યે જ મશીન લર્નિંગ સિદ્ધાંતોથી પરિચિત હોય છે. RTML પ્રોગ્રામ એ સુનિશ્ચિત કરવામાં મદદ કરે છે કે મશીન લર્નિંગ માટે ઓટોમેટેડ ASIC ડેવલપમેન્ટ પ્લેટફોર્મમાં બંનેના ફાયદાઓ જોડવામાં આવે છે.
RTML પ્રોગ્રામના જીવનચક્ર દરમિયાન, મળેલા ઉકેલોને બે મુખ્ય એપ્લિકેશન ક્ષેત્રોમાં પરીક્ષણ કરવાની જરૂર પડશે: 5G નેટવર્ક્સ અને ઇમેજ પ્રોસેસિંગ. ઉપરાંત, RTML પ્રોગ્રામ અને ML એક્સિલરેટરની સ્વચાલિત ડિઝાઇન માટે બનાવેલ સોફ્ટવેર પ્લેટફોર્મનો ઉપયોગ નવા ML અલ્ગોરિધમ્સ અને ડેટાસેટ્સ વિકસાવવા અને પરીક્ષણ કરવા માટે કરવામાં આવશે. આમ, સિલિકોન ડિઝાઇન કરતા પહેલા પણ, નવા ફ્રેમવર્કની સંભાવનાઓનું મૂલ્યાંકન કરવું શક્ય બનશે. RTML પ્રોગ્રામમાં DARPA ના ભાગીદાર નેશનલ સાયન્સ ફાઉન્ડેશન (NSF) હશે, જે મશીન લર્નિંગ સમસ્યાઓ અને ML અલ્ગોરિધમ્સના વિકાસમાં પણ સામેલ છે. વિકસિત કમ્પાઈલરને NSF માં ટ્રાન્સફર કરવામાં આવશે, અને પાછળ DARPA ML અલ્ગોરિધમ્સ ડિઝાઇન કરવા માટે કમ્પાઈલર અને પ્લેટફોર્મ પ્રાપ્ત કરવાની અપેક્ષા રાખે છે. ભવિષ્યમાં, હાર્ડવેર ડિઝાઇન અને અલ્ગોરિધમ્સનું નિર્માણ એક સંકલિત ઉકેલ બનશે, જે વાસ્તવિક સમયમાં સ્વ-શિક્ષણ કરતી મશીન સિસ્ટમ્સના ઉદભવ તરફ દોરી જશે.
સોર્સ: 3dnews.ru