కస్టమ్ ఎల్ఎస్ఐ (ఎఎస్ఐసి) రూపకల్పన అనేది సరళమైన మరియు వేగవంతమైన ప్రక్రియకు దూరంగా ఉందనే వాస్తవంతో ఎవరైనా వాదించే అవకాశం లేదు. కానీ అది వేగంగా ఉండాలని నేను కోరుకుంటున్నాను మరియు అవసరం: ఈ రోజు నేను ఒక అల్గోరిథం జారీ చేసాను మరియు ఒక వారం తరువాత నేను పూర్తి చేసిన డిజిటల్ ప్రాజెక్ట్ను తీసివేసాను. వాస్తవం ఏమిటంటే అత్యంత ప్రత్యేకమైన LSIలు దాదాపు ఒక-ఆఫ్ ఉత్పత్తి. లక్షలాది బ్యాచ్లలో ఇవి చాలా అరుదుగా అవసరమవుతాయి, దీని అభివృద్ధికి మీరు వీలైనంత ఎక్కువ డబ్బు మరియు మానవ వనరులను ఖర్చు చేయవచ్చు, ఇది సాధ్యమైనంత తక్కువ సమయంలో చేయవలసి వస్తే. ప్రత్యేకమైన ASICలు, అందువల్ల వాటి పనులను పరిష్కరించడానికి అత్యంత ప్రభావవంతమైనవి, అభివృద్ధి చేయడానికి చౌకగా ఉండాలి, ఇది మెషీన్ లెర్నింగ్ అభివృద్ధి యొక్క ప్రస్తుత దశలో మెగా-సంబంధితంగా మారుతోంది. ఈ ముందు భాగంలో, కంప్యూటర్ మార్కెట్ ద్వారా సేకరించబడిన సామాను మరియు ముఖ్యంగా, మెషీన్ లెర్నింగ్ (ML) రంగంలో GPU పురోగతిని ఇకపై నివారించలేము.
ML టాస్క్ల కోసం ASICల రూపకల్పనను వేగవంతం చేయడానికి, DARPA కొత్త ప్రోగ్రామ్ను ఏర్పాటు చేస్తోంది - రియల్ టైమ్ మెషిన్ లెర్నింగ్ (RTML). రియల్-టైమ్ మెషిన్ లెర్నింగ్ ప్రోగ్రామ్లో కంపైలర్ లేదా సాఫ్ట్వేర్ ప్లాట్ఫారమ్ను అభివృద్ధి చేయడం ద్వారా నిర్దిష్ట ML ఫ్రేమ్వర్క్ కోసం చిప్ ఆర్కిటెక్చర్ను స్వయంచాలకంగా రూపొందించవచ్చు. ప్లాట్ఫారమ్ ప్రతిపాదిత మెషీన్ లెర్నింగ్ అల్గారిథమ్ను మరియు ఈ అల్గారిథమ్కు శిక్షణ ఇవ్వడానికి సెట్ చేసిన డేటాను స్వయంచాలకంగా విశ్లేషించాలి, ఆ తర్వాత అది ప్రత్యేకమైన ASICని సృష్టించడానికి వెరిలాగ్లో కోడ్ను రూపొందించాలి. ML అల్గారిథమ్ డెవలపర్లకు చిప్ డిజైనర్ల పరిజ్ఞానం లేదు మరియు డిజైనర్లకు మెషిన్ లెర్నింగ్ సూత్రాలు చాలా అరుదుగా తెలుసు. మెషీన్ లెర్నింగ్ కోసం ఆటోమేటెడ్ ASIC డెవలప్మెంట్ ప్లాట్ఫారమ్లో రెండింటి ప్రయోజనాలను కలిపి ఉండేలా RTML ప్రోగ్రామ్ సహాయం చేస్తుంది.
RTML ప్రోగ్రామ్ యొక్క జీవితచక్ర సమయంలో, కనుగొనబడిన పరిష్కారాలను రెండు ప్రధాన అప్లికేషన్ ప్రాంతాలలో పరీక్షించవలసి ఉంటుంది: 5G నెట్వర్క్లు మరియు ఇమేజ్ ప్రాసెసింగ్. అలాగే, RTML ప్రోగ్రామ్ మరియు ML యాక్సిలరేటర్ల ఆటోమేటిక్ డిజైన్ కోసం సృష్టించబడిన సాఫ్ట్వేర్ ప్లాట్ఫారమ్లు కొత్త ML అల్గారిథమ్లు మరియు డేటాసెట్లను అభివృద్ధి చేయడానికి మరియు పరీక్షించడానికి ఉపయోగించబడతాయి. అందువల్ల, సిలికాన్ రూపకల్పనకు ముందే, కొత్త ఫ్రేమ్వర్క్ల అవకాశాలను అంచనా వేయడం సాధ్యమవుతుంది. RTML ప్రోగ్రామ్లో DARPA యొక్క భాగస్వామి నేషనల్ సైన్స్ ఫౌండేషన్ (NSF), ఇది మెషిన్ లెర్నింగ్ సమస్యలు మరియు ML అల్గారిథమ్ల అభివృద్ధిలో కూడా పాల్గొంటుంది. అభివృద్ధి చేయబడిన కంపైలర్ NSFకి బదిలీ చేయబడుతుంది మరియు ML అల్గారిథమ్ల రూపకల్పన కోసం కంపైలర్ మరియు ప్లాట్ఫారమ్ను తిరిగి DARPA అందుకోవాలని ఆశిస్తోంది. భవిష్యత్తులో, హార్డ్వేర్ రూపకల్పన మరియు అల్గారిథమ్ల సృష్టి ఒక సమీకృత పరిష్కారంగా మారుతుంది, ఇది నిజ సమయంలో స్వీయ-అభ్యాసం చేసే యంత్ర వ్యవస్థల ఆవిర్భావానికి దారి తీస్తుంది.
మూలం: 3dnews.ru