စိတ်ကြိုက် LSIs (ASICs) များကို ဒီဇိုင်းထုတ်ခြင်းသည် ရိုးရှင်းပြီး မြန်ဆန်သော လုပ်ငန်းစဉ်တစ်ခုမှ ဝေးကွာသည်ဟူသောအချက်ကို မည်သူမဆို ငြင်းခုံလိမ့်မည်မဟုတ်ပါ။ ဒါပေမယ့် ပိုမြန်စေချင်ပြီး လိုအပ်ပါတယ်- ဒီနေ့ ကျွန်တော် algorithm တစ်ခုကို ထုတ်ပြန်ခဲ့ပြီး တစ်ပတ်အကြာမှာတော့ ပြီးသွားတဲ့ ဒီဂျစ်တယ်ပရောဂျက်ကို ဖယ်ရှားခဲ့ပါတယ်။ အမှန်မှာ အထူးပြု LSI များသည် တစ်ခုတည်းသောထုတ်ကုန်နီးပါးဖြစ်သည်။ အတိုဆုံးအချိန်တိုအတွင်း ပြီးမြောက်အောင်မြင်ရန် လိုအပ်ပါက ငွေနှင့် လူ့စွမ်းအားအရင်းအမြစ်များကို သင်နှစ်သက်သလောက် သုံးစွဲနိုင်သည့် ဖွံ့ဖြိုးတိုးတက်မှုအတွက် သန်းပေါင်းများစွာသော အစုလိုက်အစီအစဥ်များ လိုအပ်ခဲပါသည်။ အထူးပြု ASIC များသည် ၎င်းတို့၏ လုပ်ငန်းတာဝန်များကို ဖြေရှင်းရာတွင် အထိရောက်ဆုံးဖြစ်ပြီး၊ စက်သင်ယူမှု၏ လက်ရှိအဆင့်တွင် ကြီးမားသောဆက်စပ်မှုဖြစ်လာသည့်အတွက် ဖွံ့ဖြိုးတိုးတက်ရန် စျေးသက်သာသင့်ပါသည်။ ဤမျက်နှာစာတွင်၊ ကွန်ပျူတာစျေးကွက်မှစုဆောင်းထားသောအိတ်များနှင့် အထူးသဖြင့် machine learning (ML) နယ်ပယ်ရှိ GPU အောင်မြင်မှုများကို ရှောင်လွှဲ၍မရတော့ပါ။
ML လုပ်ငန်းများအတွက် ASICs ဒီဇိုင်းကို အရှိန်မြှင့်ရန်၊ DARPA သည် Real Time Machine Learning (RTML) ပရိုဂရမ်အသစ်တစ်ခုကို တည်ထောင်နေပါသည်။ အချိန်နှင့်တစ်ပြေးညီ စက်သင်ယူမှုပရိုဂရမ်တွင် သီးခြား ML မူဘောင်တစ်ခုအတွက် ချစ်ပ်ဗိသုကာတစ်ခုကို အလိုအလျောက် ဒီဇိုင်းထုတ်နိုင်သည့် ကွန်ပီလာ သို့မဟုတ် ဆော့ဖ်ဝဲပလပ်ဖောင်းကို တီထွင်ခြင်းတို့ ပါဝင်ပါသည်။ ပလက်ဖောင်းသည် အဆိုပြုထားသော စက်သင်ယူမှု အယ်လဂိုရီသမ်နှင့် ဤ အယ်လဂိုရီသမ်ကို လေ့ကျင့်ရန်အတွက် ဒေတာအစုံကို အလိုအလျောက် ပိုင်းခြားစိတ်ဖြာပြီး အထူးပြု ASIC ကို ဖန်တီးရန် Verilog တွင် ကုဒ်ထုတ်သင့်သည်။ ML အယ်လဂိုရီသမ် ဆော့ဖ်ဝဲရေးသားသူများသည် ချစ်ပ်ဒီဇိုင်နာများအကြောင်း အသိပညာမရှိကြပြီး၊ ဒီဇိုင်နာများသည် စက်သင်ယူခြင်းဆိုင်ရာမူများကို ရင်းနှီးခဲပါသည်။ RTML ပရိုဂရမ်သည် စက်သင်ယူခြင်းအတွက် အလိုအလျောက် ASIC ဖွံ့ဖြိုးတိုးတက်မှု ပလပ်ဖောင်းတွင် နှစ်ခုလုံး၏ အားသာချက်များကို ပေါင်းစပ်ထားကြောင်း သေချာစေရန် ကူညီပေးသင့်သည်။
RTML ပရိုဂရမ်၏ အသက်တာလည်ပတ်မှုအတွင်း၊ တွေ့ရှိရသည့် ဖြေရှင်းချက်များကို 5G ကွန်ရက်များနှင့် ရုပ်ပုံလုပ်ဆောင်ခြင်း နယ်ပယ်နှစ်ခုတွင် စမ်းသပ်ရန် လိုအပ်မည်ဖြစ်သည်။ ထို့အပြင်၊ RTML ပရိုဂရမ်နှင့် ML accelerators များ၏ အလိုအလျောက် ဒီဇိုင်းအတွက် ဖန်တီးထားသော ဆော့ဖ်ဝဲပလပ်ဖောင်းများကို ML algorithms နှင့် datasets အသစ်များကို ဖော်ထုတ်စမ်းသပ်ရန်အတွက် အသုံးပြုမည်ဖြစ်သည်။ ထို့ကြောင့်၊ ဆီလီကွန်ကို ဒီဇိုင်းဆွဲခြင်းမပြုမီတွင်ပင် မူဘောင်အသစ်များ၏ အလားအလာများကို အကဲဖြတ်နိုင်မည်ဖြစ်သည်။ RTML ပရိုဂရမ်တွင် DARPA ၏ ပါတနာသည် စက်သင်ယူမှု ပြဿနာများနှင့် ML အယ်လဂိုရီသမ်များ ဖွံ့ဖြိုးတိုးတက်ရေးတို့တွင်လည်း ပါ၀င်သည့် အမျိုးသားသိပ္ပံဖောင်ဒေးရှင်း (NSF) ဖြစ်လိမ့်မည်။ တီထွင်ထားသော compiler သည် NSF သို့ လွှဲပြောင်းမည်ဖြစ်ပြီး DARPA သည် ML algorithms ဒီဇိုင်းထုတ်ရန်အတွက် compiler နှင့် platform တစ်ခုကို ရရှိလိမ့်မည်ဟု မျှော်လင့်ပါသည်။ အနာဂတ်တွင်၊ ဟာ့ဒ်ဝဲဒီဇိုင်းနှင့် အယ်လဂိုရီသမ်များကို ဖန်တီးခြင်းသည် ပေါင်းစပ်ဖြေရှင်းချက်တစ်ခု ဖြစ်လာမည်ဖြစ်ပြီး၊ ၎င်းသည် အချိန်နှင့်တပြေးညီ ကိုယ်တိုင်သင်ယူနိုင်သည့် စက်စနစ်များ ပေါ်ပေါက်လာမည်ဖြစ်သည်။
source: 3dnews.ru