मेसिन लर्निङका लागि ASIC हरू स्वचालित रूपमा डिजाइन हुनुपर्छ

अनुकूलन LSIs (ASICs) डिजाइन गर्नु सरल र छिटो प्रक्रियाबाट टाढा छ भन्ने तथ्यसँग कसैले तर्क गर्ने सम्भावना छैन। तर म यो छिटो हुन चाहन्छु र चाहिन्छ: आज मैले एल्गोरिथ्म जारी गरें, र एक हप्ता पछि मैले समाप्त डिजिटल परियोजनालाई हटाएँ। तथ्य यो हो कि उच्च विशिष्टीकृत LSI लगभग एक-अफ उत्पादन हो। यी लाखौंको ब्याचमा विरलै चाहिन्छ, जसको विकासमा तपाईले जति पैसा र मानव संसाधन खर्च गर्न सक्नुहुन्छ, यदि यो सम्भव भएसम्म छोटो समयमा गर्न आवश्यक छ। विशेषीकृत ASICs, र त्यसैले तिनीहरूका कार्यहरू समाधान गर्न सबैभन्दा प्रभावकारी, विकास गर्न सस्तो हुनुपर्छ, जुन मेसिन लर्निङको विकासको वर्तमान चरणमा मेगा-सान्दर्भिक बन्दै गएको छ। यस मोर्चामा, कम्प्युटर बजारले जम्मा गरेको सामान र विशेष गरी, मेसिन लर्निङ (ML) को क्षेत्रमा GPU सफलताहरू अब बेवास्ता गर्न सकिँदैन।

ML कार्यहरूको लागि ASICs को डिजाइनलाई गति दिन, DARPA ले एउटा नयाँ कार्यक्रम स्थापना गर्दैछ - रियल टाइम मेसिन लर्निङ (RTML)। रियल-टाइम मेसिन लर्निङ प्रोग्रामले एक कम्पाइलर वा सफ्टवेयर प्लेटफर्मको विकास समावेश गर्दछ जसले स्वचालित रूपमा एक विशिष्ट ML फ्रेमवर्कको लागि चिप आर्किटेक्चर डिजाइन गर्न सक्छ। प्लेटफर्मले स्वचालित रूपमा प्रस्तावित मेसिन लर्निङ एल्गोरिदम र यस एल्गोरिदमलाई तालिम दिनको लागि डेटा सेटको विश्लेषण गर्नुपर्छ, त्यसपछि यसले विशेष ASIC सिर्जना गर्न भेरिलॉगमा कोड उत्पादन गर्नुपर्छ। ML एल्गोरिथ्म विकासकर्ताहरूसँग चिप डिजाइनरहरूको ज्ञान हुँदैन, र डिजाइनरहरू मेसिन लर्निङ सिद्धान्तहरूसँग विरलै परिचित हुन्छन्। RTML कार्यक्रमले मेसिन लर्निङको लागि स्वचालित ASIC विकास प्लेटफर्ममा दुवैका फाइदाहरू संयुक्त छन् भनी सुनिश्चित गर्न मद्दत गर्नुपर्छ।

RTML कार्यक्रमको जीवनचक्रको बखत, फेला परेका समाधानहरूलाई दुई मुख्य अनुप्रयोग क्षेत्रहरूमा परीक्षण गर्न आवश्यक हुनेछ: 5G नेटवर्कहरू र छवि प्रशोधन। साथै, RTML कार्यक्रम र ML एक्सेलेटरहरूको स्वचालित डिजाइनको लागि सिर्जना गरिएको सफ्टवेयर प्लेटफर्महरू नयाँ ML एल्गोरिदम र डेटासेटहरू विकास र परीक्षण गर्न प्रयोग गरिनेछ। यसरी, सिलिकन डिजाइन गर्नु अघि, यो नयाँ फ्रेमवर्क को संभावनाहरु को आकलन गर्न सम्भव हुनेछ। RTML कार्यक्रममा DARPA को साझेदार राष्ट्रिय विज्ञान प्रतिष्ठान (NSF) हुनेछ, जुन मेसिन लर्निङ समस्या र ML एल्गोरिदमको विकासमा पनि संलग्न छ। विकसित कम्पाइलर NSF मा हस्तान्तरण गरिनेछ, र पछाडि DARPA ले ML एल्गोरिदम डिजाइन गर्नको लागि एक कम्पाइलर र प्लेटफर्म प्राप्त गर्ने अपेक्षा गर्दछ। भविष्यमा, हार्डवेयर डिजाइन र एल्गोरिदमको सिर्जना एक एकीकृत समाधान हुनेछ, जसले वास्तविक समयमा आत्म-सिक्ने मेशिन प्रणालीहरूको उदयमा नेतृत्व गर्नेछ।

स्रोत: 3dnews.ru