Քիչ հավանական է, որ որևէ մեկը վիճարկի այն փաստի հետ, որ հատուկ LSI-ների (ASIC) նախագծումը հեռու է պարզ և արագ գործընթացից: Բայց ես ուզում եմ և պետք է, որ դա ավելի արագ լինի. այսօր ես թողարկեցի ալգորիթմ, իսկ մեկ շաբաթ անց ես վերցրեցի պատրաստի թվային նախագիծը: Փաստն այն է, որ բարձր մասնագիտացված LSI-ները գրեթե մեկանգամյա արտադրանք են: Սրանք հազվադեպ են անհրաժեշտ միլիոնների խմբաքանակով, որոնց զարգացման վրա դուք կարող եք ծախսել այնքան գումար և մարդկային ռեսուրսներ, որքան ցանկանում եք, եթե դա պետք է արվի հնարավորինս սեղմ ժամկետում: Մասնագիտացված ASIC-ները, և, հետևաբար, ամենաարդյունավետն իրենց առաջադրանքները լուծելու համար, պետք է ավելի էժան լինեն մշակելը, ինչը դառնում է մեգա-արդիական մեքենայական ուսուցման զարգացման ներկա փուլում: Այս առումով, համակարգչային շուկայի կուտակած ուղեբեռը և, հատկապես, մեքենայական ուսուցման (ML) ոլորտում GPU-ի առաջընթացը այլևս հնարավոր չէ խուսափել:
ML առաջադրանքների համար ASIC-ների նախագծումն արագացնելու համար DARPA-ն ստեղծում է նոր ծրագիր՝ իրական ժամանակի մեքենայական ուսուցում (RTML): Իրական ժամանակի մեքենայական ուսուցման ծրագիրը ներառում է կոմպիլյատորի կամ ծրագրաշարի պլատֆորմի մշակում, որը կարող է ավտոմատ կերպով մշակել չիպային ճարտարապետություն կոնկրետ ML շրջանակի համար: Պլատֆորմը պետք է ավտոմատ կերպով վերլուծի առաջարկվող մեքենայական ուսուցման ալգորիթմը և տվյալների հավաքածուն այս ալգորիթմի ուսուցման համար, որից հետո այն պետք է արտադրի կոդ Verilog-ում՝ մասնագիտացված ASIC ստեղծելու համար: ML ալգորիթմ մշակողները չունեն չիպերի դիզայներների գիտելիքներ, և դիզայներները հազվադեպ են ծանոթ մեքենայական ուսուցման սկզբունքներին: RTML ծրագիրը պետք է օգնի ապահովել, որ երկուսի առավելությունները համակցվեն մեքենայական ուսուցման համար նախատեսված ASIC մշակման ավտոմատացված հարթակում:
RTML ծրագրի կյանքի ցիկլի ընթացքում հայտնաբերված լուծումները պետք է փորձարկվեն երկու հիմնական կիրառական ոլորտներում՝ 5G ցանցեր և պատկերների մշակում: Նաև RTML ծրագիրը և ML արագացուցիչների ավտոմատ նախագծման համար ստեղծված ծրագրային հարթակները կօգտագործվեն նոր ML ալգորիթմների և տվյալների հավաքածուների մշակման և փորձարկման համար: Այսպիսով, նույնիսկ սիլիցիումի նախագծումից առաջ հնարավոր կլինի գնահատել նոր շրջանակների հեռանկարները։ RTML ծրագրում DARPA-ի գործընկերը կլինի Գիտության ազգային հիմնադրամը (NSF), որը նույնպես զբաղվում է մեքենայական ուսուցման խնդիրներով և ML ալգորիթմների մշակմամբ։ Մշակված կոմպիլյատորը կտեղափոխվի NSF, և DARPA-ն ակնկալում է ստանալ կոմպիլյատոր և հարթակ ML ալգորիթմների նախագծման համար: Ապագայում ապարատային դիզայնը և ալգորիթմների ստեղծումը կդառնան ինտեգրված լուծում, որը կհանգեցնի իրական ժամանակում ինքնուրույն ուսուցվող մեքենայական համակարգերի առաջացմանը։
Source: 3dnews.ru