సెరెబ్రాస్ ప్రాసెసర్ యొక్క ప్రకటన - సెరెబ్రాస్ వేఫర్ స్కేల్ ఇంజిన్ (WSE) లేదా సెరెబ్రాస్ వేఫర్ స్కేల్ ఇంజిన్ -
సెరెబ్రాస్ WSE TSMCచే ఉత్పత్తి చేయబడింది. సాంకేతిక ప్రక్రియ - 16 nm FinFET. ఈ తైవానీస్ తయారీదారు కూడా సెరెబ్రాస్ విడుదల కోసం ఒక స్మారకానికి అర్హుడు. అటువంటి చిప్ యొక్క ఉత్పత్తికి అత్యధిక నైపుణ్యం మరియు చాలా సమస్యలను పరిష్కరించడం అవసరం, కానీ అది విలువైనది, డెవలపర్లు హామీ ఇస్తున్నారు. సెరెబ్రాస్ చిప్ తప్పనిసరిగా అద్భుతమైన నిర్గమాంశ, కనిష్ట విద్యుత్ వినియోగం మరియు అద్భుతమైన సమాంతరతతో కూడిన చిప్లోని సూపర్కంప్యూటర్. ఇది ఇప్పుడు ఆదర్శవంతమైన మెషీన్ లెర్నింగ్ సొల్యూషన్, ఇది పరిశోధకులను తీవ్ర సంక్లిష్టత సమస్యలను పరిష్కరించడం ప్రారంభించడానికి అనుమతిస్తుంది.
ప్రతి సెరెబ్రాస్ WSE డైలో 1,2 ట్రిలియన్ ట్రాన్సిస్టర్లు ఉంటాయి, వీటిని 400 AI-ఆప్టిమైజ్ చేసిన కంప్యూట్ కోర్లు మరియు 000 GB లోకల్ డిస్ట్రిబ్యూటెడ్ SRAMగా విభజించారు. ఇదంతా సెకనుకు 18 పెటాబిట్ల మొత్తం నిర్గమాంశతో మెష్ నెట్వర్క్ ద్వారా కనెక్ట్ చేయబడింది. మెమరీ బ్యాండ్విడ్త్ 100 PB/sకి చేరుకుంటుంది. మెమరీ సోపానక్రమం ఒకే-స్థాయి. కాష్ మెమరీ లేదు, అతివ్యాప్తి లేదు మరియు కనీస యాక్సెస్ జాప్యాలు లేవు. AI- సంబంధిత పనులను వేగవంతం చేయడానికి ఇది ఆదర్శవంతమైన నిర్మాణం. నేకెడ్ నంబర్లు: అత్యంత ఆధునిక గ్రాఫిక్స్ కోర్లతో పోలిస్తే, సెరెబ్రాస్ చిప్ 9 రెట్లు ఎక్కువ ఆన్-చిప్ మెమరీని మరియు 3000 రెట్లు ఎక్కువ మెమరీ బదిలీ వేగాన్ని అందిస్తుంది.
సెరెబ్రాస్ కంప్యూటింగ్ కోర్లు - SLAC (స్పేర్స్ లీనియర్ ఆల్జీబ్రా కోర్స్) - పూర్తిగా ప్రోగ్రామబుల్ మరియు ఏదైనా న్యూరల్ నెట్వర్క్లతో పనిచేయడానికి ఆప్టిమైజ్ చేయవచ్చు. అంతేకాకుండా, కెర్నల్ ఆర్కిటెక్చర్ అంతర్లీనంగా సున్నాలచే సూచించబడే డేటాను ఫిల్టర్ చేస్తుంది. ఇది సున్నా కార్యకలాపాల ద్వారా నిష్క్రియ గుణకారాన్ని నిర్వహించాల్సిన అవసరం నుండి కంప్యూటింగ్ వనరులను విముక్తి చేస్తుంది, ఇది చిన్న డేటా లోడ్ల కోసం వేగవంతమైన గణనలు మరియు విపరీతమైన శక్తి సామర్థ్యం. అందువల్ల, సెరెబ్రాస్ ప్రాసెసర్ AI మరియు మెషిన్ లెర్నింగ్ కోసం ప్రస్తుత పరిష్కారాల కంటే చిప్ ప్రాంతం మరియు వినియోగం పరంగా మెషిన్ లెర్నింగ్ కోసం వందల లేదా వేల రెట్లు ఎక్కువ సమర్థవంతమైనదిగా మారుతుంది.
ఒకే పరిమాణంలో చిప్ని తయారు చేయడం
మూలం: 3dnews.ru