Anunsyo ng processor ng Cerebras β Cerebras Wafer Scale Engine (WSE) o Cerebras wafer scale engine β
Ang Cerebras WSE ay ginawa ng TSMC. Teknolohikal na proseso - 16 nm FinFET. Ang tagagawa ng Taiwanese na ito ay nararapat din sa isang monumento para sa pagpapalabas ng Cerebras. Ang paggawa ng naturang chip ay nangangailangan ng pinakamataas na kasanayan at paglutas ng maraming problema, ngunit sulit ito, tiniyak ng mga developer. Ang Cerebras chip ay mahalagang isang supercomputer sa isang chip na may hindi kapani-paniwalang throughput, minimal na paggamit ng kuryente at kamangha-manghang paralelismo. Ito na ngayon ang mainam na solusyon sa pag-aaral ng makina na magbibigay-daan sa mga mananaliksik na simulan ang paglutas ng mga problemang napakakumplikado.
Ang bawat Cerebras WSE die ay naglalaman ng 1,2 trilyong transistors, na nakaayos sa 400 AI-optimized compute core at 000 GB ng lokal na ipinamamahaging SRAM. Ang lahat ng ito ay konektado ng isang mesh network na may kabuuang throughput na 18 petabits bawat segundo. Ang memory bandwidth ay umabot sa 100 PB/s. Ang hierarchy ng memorya ay isang antas. Walang memorya ng cache, walang overlap, at kaunting pagkaantala sa pag-access. Ito ay isang perpektong arkitektura para sa pagpapabilis ng mga gawaing nauugnay sa AI. Mga hubad na numero: kumpara sa mga pinakamodernong graphics core, ang Cerebras chip ay nagbibigay ng 9 beses na mas on-chip memory at 3000 beses na mas bilis ng palitan ng memory.
Ang mga cerebras computing core - SLAC (Sparse Linear Algebra Cores) - ay ganap na naa-program at maaaring i-optimize para sa pagtatrabaho sa anumang neural network. Bukod dito, likas na sinasala ng arkitektura ng kernel ang data na kinakatawan ng mga zero. Pinapalaya nito ang mga mapagkukunan sa pag-compute mula sa pangangailangang magsagawa ng idle multiplication sa pamamagitan ng zero na operasyon, na para sa kalat-kalat na pag-load ng data ay nangangahulugan ng mas mabilis na mga kalkulasyon at matinding kahusayan sa enerhiya. Kaya, ang processor ng Cerebras ay lumalabas na daan-daan o kahit libu-libong beses na mas mahusay para sa machine learning sa mga tuntunin ng chip area at pagkonsumo kaysa sa mga kasalukuyang solusyon para sa AI at machine learning.
Paggawa ng chip na may katulad na laki
Pinagmulan: 3dnews.ru