ASICs សម្រាប់ការរៀនម៉ាស៊ីនគួរតែត្រូវបានរចនាឡើងដោយស្វ័យប្រវត្តិ

វាមិនទំនងដែលនរណាម្នាក់នឹងប្រកែកជាមួយនឹងការពិតដែលថាការរចនា LSIs ផ្ទាល់ខ្លួន (ASICs) គឺនៅឆ្ងាយពីដំណើរការសាមញ្ញ និងលឿន។ ប៉ុន្តែខ្ញុំចង់ និងត្រូវការវាឱ្យលឿនជាងមុន៖ ថ្ងៃនេះខ្ញុំបានចេញក្បួនដោះស្រាយមួយ ហើយមួយសប្តាហ៍ក្រោយមកខ្ញុំបានដកគម្រោងឌីជីថលដែលបានបញ្ចប់។ ការពិតគឺថា LSIs ឯកទេសខ្ពស់គឺស្ទើរតែជាផលិតផលតែមួយគត់។ ទាំងនេះគឺកម្រត្រូវការជាចាំបាច់ជាដុំៗរាប់លាន លើការអភិវឌ្ឍន៍ដែលអ្នកអាចចំណាយប្រាក់ និងធនធានមនុស្សបានច្រើនតាមតែចិត្ត ប្រសិនបើកិច្ចការនេះត្រូវធ្វើក្នុងរយៈពេលដ៏ខ្លីបំផុត។ ASICs ឯកទេស ហើយដូច្នេះមានប្រសិទ្ធភាពបំផុតសម្រាប់ការដោះស្រាយភារកិច្ចរបស់ពួកគេ គួរតែមានតម្លៃថោកជាងក្នុងការអភិវឌ្ឍន៍ ដែលកំពុងក្លាយជាពាក់ព័ន្ធដ៏ធំនៅដំណាក់កាលបច្ចុប្បន្ននៃការអភិវឌ្ឍន៍នៃការរៀនម៉ាស៊ីន។ នៅផ្នែកខាងមុខនេះ ឥវ៉ាន់ប្រមូលផ្ដុំដោយទីផ្សារកុំព្យូទ័រ និងជាពិសេសការទម្លាយ GPU នៅក្នុងវិស័យរៀនម៉ាស៊ីន (ML) មិនអាចជៀសវាងបានទៀតទេ។

ដើម្បីបង្កើនល្បឿននៃការរចនា ASICs សម្រាប់កិច្ចការ ML DARPA កំពុងបង្កើតកម្មវិធីថ្មីមួយ - Real Time Machine Learning (RTML)។ កម្មវិធីសិក្សាម៉ាស៊ីនតាមពេលវេលាជាក់ស្តែងពាក់ព័ន្ធនឹងការបង្កើតកម្មវិធីចងក្រង ឬកម្មវិធីកុំព្យូទ័រដែលអាចរចនាស្ថាបត្យកម្មបន្ទះឈីបដោយស្វ័យប្រវត្តិសម្រាប់ក្របខ័ណ្ឌ ML ជាក់លាក់មួយ។ វេទិកាគួរតែវិភាគដោយស្វ័យប្រវត្តិនូវក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលបានស្នើឡើង និងសំណុំទិន្នន័យសម្រាប់ការបណ្តុះបណ្តាលក្បួនដោះស្រាយនេះ បន្ទាប់ពីនោះវាគួរតែបង្កើតកូដនៅក្នុង Verilog ដើម្បីបង្កើត ASIC ឯកទេស។ អ្នកបង្កើតក្បួនដោះស្រាយ ML មិនមានចំណេះដឹងអំពីអ្នករចនាបន្ទះឈីបទេ ហើយអ្នករចនាកម្រនឹងស្គាល់គោលការណ៍រៀនម៉ាស៊ីនណាស់។ កម្មវិធី RTML គួរតែជួយធានាថាគុណសម្បត្តិទាំងពីរត្រូវបានបញ្ចូលគ្នានៅក្នុងវេទិកាអភិវឌ្ឍន៍ ASIC ស្វ័យប្រវត្តិសម្រាប់ការរៀនម៉ាស៊ីន។

ក្នុងអំឡុងពេលវដ្តជីវិតនៃកម្មវិធី RTML ដំណោះស្រាយដែលបានរកឃើញនឹងត្រូវធ្វើតេស្តនៅក្នុងផ្នែកកម្មវិធីសំខាន់ៗចំនួនពីរ៖ បណ្តាញ 5G និងដំណើរការរូបភាព។ ដូចគ្នានេះផងដែរ កម្មវិធី RTML និងកម្មវិធីដែលបានបង្កើតសម្រាប់ការរចនាដោយស្វ័យប្រវត្តិនៃ ML accelerators នឹងត្រូវបានប្រើដើម្បីបង្កើត និងសាកល្បងក្បួនដោះស្រាយ ML និងសំណុំទិន្នន័យថ្មី។ ដូច្នេះសូម្បីតែមុនពេលរចនាស៊ីលីកុនវានឹងអាចវាយតម្លៃលទ្ធភាពនៃក្របខ័ណ្ឌថ្មី។ ដៃគូរបស់ DARPA នៅក្នុងកម្មវិធី RTML នឹងក្លាយជាមូលនិធិវិទ្យាសាស្ត្រជាតិ (NSF) ដែលចូលរួមផងដែរនៅក្នុងបញ្ហារៀនម៉ាស៊ីន និងការអភិវឌ្ឍន៍នៃក្បួនដោះស្រាយ ML ។ កម្មវិធីចងក្រងដែលបានបង្កើតនឹងត្រូវបានផ្ទេរទៅ NSF ហើយ DARPA ត្រឡប់មកវិញរំពឹងថានឹងទទួលបានកម្មវិធីចងក្រង និងវេទិកាសម្រាប់ការរចនាក្បួនដោះស្រាយ ML ។ នៅពេលអនាគត ការរចនាផ្នែករឹង និងការបង្កើតក្បួនដោះស្រាយនឹងក្លាយជាដំណោះស្រាយរួមបញ្ចូលគ្នា ដែលនឹងនាំទៅដល់ការលេចចេញនូវប្រព័ន្ធម៉ាស៊ីនដែលរៀនដោយខ្លួនឯងក្នុងពេលជាក់ស្តែង។

ប្រភព: 3dnews.ru