ಕಸ್ಟಮ್ LSI ಗಳನ್ನು (ASIC ಗಳು) ವಿನ್ಯಾಸಗೊಳಿಸುವುದು ಸರಳ ಮತ್ತು ವೇಗದ ಪ್ರಕ್ರಿಯೆಯಿಂದ ದೂರವಿದೆ ಎಂಬ ಅಂಶದೊಂದಿಗೆ ಯಾರಾದರೂ ವಾದಿಸುವ ಸಾಧ್ಯತೆಯಿಲ್ಲ. ಆದರೆ ಇದು ವೇಗವಾಗಿರಬೇಕೆಂದು ನಾನು ಬಯಸುತ್ತೇನೆ ಮತ್ತು ಅಗತ್ಯವಿದೆ: ಇಂದು ನಾನು ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದ್ದೇನೆ ಮತ್ತು ಒಂದು ವಾರದ ನಂತರ ನಾನು ಸಿದ್ಧಪಡಿಸಿದ ಡಿಜಿಟಲ್ ಯೋಜನೆಯನ್ನು ತೆಗೆದುಕೊಂಡೆ. ವಾಸ್ತವವೆಂದರೆ ಹೆಚ್ಚು ವಿಶೇಷವಾದ LSI ಗಳು ಬಹುತೇಕ ಒಂದು-ಆಫ್ ಉತ್ಪನ್ನವಾಗಿದೆ. ಲಕ್ಷಾಂತರ ಬ್ಯಾಚ್‌ಗಳಲ್ಲಿ ಇವುಗಳು ವಿರಳವಾಗಿ ಅಗತ್ಯವಿದೆ, ಇದರ ಅಭಿವೃದ್ಧಿಗೆ ನೀವು ಇಷ್ಟಪಡುವಷ್ಟು ಹಣ ಮತ್ತು ಮಾನವ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಖರ್ಚು ಮಾಡಬಹುದು, ಇದನ್ನು ಕಡಿಮೆ ಸಮಯದಲ್ಲಿ ಮಾಡಬೇಕಾದರೆ. ವಿಶೇಷವಾದ ASIC ಗಳು, ಮತ್ತು ಆದ್ದರಿಂದ ಅವರ ಕಾರ್ಯಗಳನ್ನು ಪರಿಹರಿಸಲು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ, ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಅಗ್ಗವಾಗಿರಬೇಕು, ಇದು ಯಂತ್ರ ಕಲಿಕೆಯ ಅಭಿವೃದ್ಧಿಯ ಪ್ರಸ್ತುತ ಹಂತದಲ್ಲಿ ಮೆಗಾ-ಸಂಬಂಧಿತವಾಗುತ್ತಿದೆ. ಈ ಮುಂಭಾಗದಲ್ಲಿ, ಕಂಪ್ಯೂಟರ್ ಮಾರುಕಟ್ಟೆಯಿಂದ ಸಂಗ್ರಹವಾದ ಸಾಮಾನುಗಳು ಮತ್ತು ವಿಶೇಷವಾಗಿ, ಯಂತ್ರ ಕಲಿಕೆ (ML) ಕ್ಷೇತ್ರದಲ್ಲಿ GPU ಪ್ರಗತಿಗಳನ್ನು ಇನ್ನು ಮುಂದೆ ತಪ್ಪಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.
ML ಕಾರ್ಯಗಳಿಗಾಗಿ ASIC ಗಳ ವಿನ್ಯಾಸವನ್ನು ವೇಗಗೊಳಿಸಲು, DARPA ಹೊಸ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ಸ್ಥಾಪಿಸುತ್ತಿದೆ - ರಿಯಲ್ ಟೈಮ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ (RTML). ನೈಜ-ಸಮಯದ ಯಂತ್ರ ಕಲಿಕೆ ಪ್ರೋಗ್ರಾಂ ಕಂಪೈಲರ್ ಅಥವಾ ಸಾಫ್ಟ್‌ವೇರ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಅದು ನಿರ್ದಿಷ್ಟ ML ಫ್ರೇಮ್‌ವರ್ಕ್‌ಗಾಗಿ ಚಿಪ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸುತ್ತದೆ. ವೇದಿಕೆಯು ಉದ್ದೇಶಿತ ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ವಿಶ್ಲೇಷಿಸಬೇಕು ಮತ್ತು ಈ ಅಲ್ಗಾರಿದಮ್ ತರಬೇತಿಗಾಗಿ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ವಿಶ್ಲೇಷಿಸಬೇಕು, ಅದರ ನಂತರ ಅದು ವಿಶೇಷವಾದ ASIC ಅನ್ನು ರಚಿಸಲು ವೆರಿಲಾಗ್‌ನಲ್ಲಿ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸಬೇಕು. ML ಅಲ್ಗಾರಿದಮ್ ಡೆವಲಪರ್‌ಗಳು ಚಿಪ್ ವಿನ್ಯಾಸಕರ ಜ್ಞಾನವನ್ನು ಹೊಂದಿಲ್ಲ, ಮತ್ತು ವಿನ್ಯಾಸಕರು ಯಂತ್ರ ಕಲಿಕೆಯ ತತ್ವಗಳೊಂದಿಗೆ ವಿರಳವಾಗಿ ಪರಿಚಿತರಾಗಿದ್ದಾರೆ. ಯಂತ್ರ ಕಲಿಕೆಗಾಗಿ ಸ್ವಯಂಚಾಲಿತ ASIC ಅಭಿವೃದ್ಧಿ ವೇದಿಕೆಯಲ್ಲಿ ಎರಡರ ಅನುಕೂಲಗಳನ್ನು ಸಂಯೋಜಿಸಲಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು RTML ಪ್ರೋಗ್ರಾಂ ಸಹಾಯ ಮಾಡುತ್ತದೆ.
RTML ಪ್ರೋಗ್ರಾಂನ ಜೀವನಚಕ್ರದ ಸಮಯದಲ್ಲಿ, ಕಂಡುಕೊಂಡ ಪರಿಹಾರಗಳನ್ನು ಎರಡು ಪ್ರಮುಖ ಅಪ್ಲಿಕೇಶನ್ ಪ್ರದೇಶಗಳಲ್ಲಿ ಪರೀಕ್ಷಿಸಬೇಕಾಗುತ್ತದೆ: 5G ನೆಟ್‌ವರ್ಕ್‌ಗಳು ಮತ್ತು ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್. ಅಲ್ಲದೆ, RTML ಪ್ರೋಗ್ರಾಂ ಮತ್ತು ML ವೇಗವರ್ಧಕಗಳ ಸ್ವಯಂಚಾಲಿತ ವಿನ್ಯಾಸಕ್ಕಾಗಿ ರಚಿಸಲಾದ ಸಾಫ್ಟ್‌ವೇರ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳನ್ನು ಹೊಸ ML ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಮತ್ತು ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ಪರೀಕ್ಷಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. ಹೀಗಾಗಿ, ಸಿಲಿಕಾನ್ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಮೊದಲು, ಹೊಸ ಚೌಕಟ್ಟುಗಳ ಭವಿಷ್ಯವನ್ನು ನಿರ್ಣಯಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. RTML ಪ್ರೋಗ್ರಾಂನಲ್ಲಿ DARPA ನ ಪಾಲುದಾರ ರಾಷ್ಟ್ರೀಯ ವಿಜ್ಞಾನ ಪ್ರತಿಷ್ಠಾನ (NSF) ಆಗಿರುತ್ತದೆ, ಇದು ಯಂತ್ರ ಕಲಿಕೆಯ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ML ಅಲ್ಗಾರಿದಮ್‌ಗಳ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ತೊಡಗಿಸಿಕೊಂಡಿದೆ. ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಕಂಪೈಲರ್ ಅನ್ನು NSF ಗೆ ವರ್ಗಾಯಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ML ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಕಂಪೈಲರ್ ಮತ್ತು ವೇದಿಕೆಯನ್ನು ಪಡೆಯಲು DARPA ನಿರೀಕ್ಷಿಸುತ್ತದೆ. ಭವಿಷ್ಯದಲ್ಲಿ, ಹಾರ್ಡ್‌ವೇರ್ ವಿನ್ಯಾಸ ಮತ್ತು ಅಲ್ಗಾರಿದಮ್‌ಗಳ ರಚನೆಯು ಸಮಗ್ರ ಪರಿಹಾರವಾಗಿ ಪರಿಣಮಿಸುತ್ತದೆ, ಇದು ನೈಜ ಸಮಯದಲ್ಲಿ ಸ್ವಯಂ-ಕಲಿಕೆ ಮಾಡುವ ಯಂತ್ರ ವ್ಯವಸ್ಥೆಗಳ ಹೊರಹೊಮ್ಮುವಿಕೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ.
ಮೂಲ: 3dnews.ru