Malamang na ang sinuman ay makikipagtalo sa katotohanan na ang pagdidisenyo ng mga custom na LSI (ASIC) ay malayo sa isang simple at mabilis na proseso. Ngunit gusto at kailangan ko itong maging mas mabilis: ngayon naglabas ako ng algorithm, at pagkaraan ng isang linggo inalis ko ang natapos na digital na proyekto. Ang katotohanan ay ang lubos na dalubhasang LSI ay halos isang one-off na produkto. Ang mga ito ay bihirang kailanganin sa mga batch ng milyon-milyong, sa pagbuo kung saan maaari kang gumastos ng maraming pera at mapagkukunan ng tao hangga't gusto mo, kung kailangan itong gawin sa pinakamaikling posibleng panahon. Ang mga dalubhasang ASIC, at samakatuwid ay ang pinaka-epektibo para sa paglutas ng kanilang mga gawain, ay dapat na mas mura upang bumuo, na nagiging malaking-kaugnayan sa kasalukuyang yugto ng pagbuo ng machine learning. Sa harap na ito, hindi na maiiwasan ang mga bagahe na naipon ng merkado ng computer at, lalo na, ang mga tagumpay ng GPU sa larangan ng machine learning (ML).
Upang mapabilis ang disenyo ng mga ASIC para sa mga gawain sa ML, ang DARPA ay nagtatatag ng isang bagong programa - Real Time Machine Learning (RTML). Ang real-time na machine learning program ay kinabibilangan ng pagbuo ng compiler o software platform na maaaring awtomatikong magdisenyo ng chip architecture para sa isang partikular na ML framework. Dapat awtomatikong suriin ng platform ang iminungkahing algorithm ng machine learning at ang set ng data para sa pagsasanay sa algorithm na ito, pagkatapos nito ay dapat itong gumawa ng code sa Verilog upang lumikha ng isang espesyal na ASIC. Ang mga developer ng ML algorithm ay walang kaalaman sa mga taga-disenyo ng chip, at ang mga taga-disenyo ay bihirang pamilyar sa mga prinsipyo ng machine learning. Ang programa ng RTML ay dapat makatulong na matiyak na ang mga bentahe ng pareho ay pinagsama sa isang automated na platform ng pag-develop ng ASIC para sa machine learning.
Sa panahon ng lifecycle ng programang RTML, ang mga solusyon na natagpuan ay kailangang masuri sa dalawang pangunahing lugar ng aplikasyon: 5G network at pagpoproseso ng imahe. Gayundin, ang programang RTML at ang mga nilikhang software platform para sa awtomatikong disenyo ng mga ML accelerators ay gagamitin upang bumuo at sumubok ng mga bagong ML algorithm at dataset. Kaya, kahit na bago magdisenyo ng silikon, posible na masuri ang mga prospect ng mga bagong balangkas. Ang magiging katuwang ng DARPA sa programa ng RTML ay ang National Science Foundation (NSF), na kasangkot din sa mga problema sa machine learning at sa pagbuo ng mga ML algorithm. Ang binuong compiler ay ililipat sa NSF, at ang back DARPA ay inaasahan na makatanggap ng isang compiler at platform para sa pagdidisenyo ng mga ML algorithm. Sa hinaharap, ang disenyo ng hardware at paglikha ng mga algorithm ay magiging isang pinagsamang solusyon, na hahantong sa paglitaw ng mga sistema ng makina na self-learning sa real time.
Pinagmulan: 3dnews.ru