Neironu tīkli ir spēcīgs saturs, taču ļoti nepatīkami. Masačūsetsas Tehnoloģiju institūta (MIT) inženieriem ir izdevies izstrādāt jaunu mikroshēmu, kas par 95% samazina neironu tīkla enerģijas patēriņu, kas teorētiski varētu ļaut viņiem strādāt pat mobilajās ierīcēs ar akumulatoriem. Mūsdienās viedtālruņi kļūst arvien gudrāki un piedāvā vairāk ar AI darbināmus pakalpojumus, piemēram, virtuālos palīgus un tulkojumus reāllaikā. Bet parasti neironu tīkli apstrādā datus par šiem pakalpojumiem mākonī, un viedtālruņi datus pārsūta tikai uz priekšu un atpakaļ.
Tas nav ideāls, jo tas prasa biezu sakaru kanālu un pieņem, ka sensitīvi dati tiek pārsūtīti un glabāti ārpus lietotāja piekļuves. Bet kolosālos enerģijas daudzumus, kas nepieciešami, lai darbinātu neironu tīklus, kurus darbina GPU, nevar nodrošināt ar ierīci, kas darbojas ar mazu akumulatoru.
MIT inženieri ir izstrādājuši mikroshēmu, kas šo enerģijas patēriņu var samazināt par 95%. Mikroshēma krasi samazina nepieciešamību pārsūtīt datus turp un atpakaļ starp mikroshēmas atmiņu un procesoriem.
Neironu tīklus veido tūkstošiem savstarpēji savienotu mākslīgo neironu, kas izvietoti slāņos. Katrs neirons saņem ievadi no vairākiem pamatā esošajā slānī esošajiem neironiem, un, ja apvienotā ieeja pārsniedz noteiktu slieksni, tā pārraida rezultātu uz vairākiem iepriekš minētajiem neironiem. Savienojuma stiprumu starp neironiem nosaka svars, kas tiek izveidots apmācības procesa laikā.
Tas nozīmē, ka katram neironam mikroshēmai no atmiņas jāizņem ievade konkrētam savienojumam un savienojuma svars, tie jāsareizina, jāsaglabā rezultāts un pēc tam katrai ievadei jāatkārto process. Šeit un tur pārvietojas daudz datu, un tiek tērēta daudz enerģijas.
Jaunā MIT mikroshēma to novērš, aprēķinot visas ieejas paralēli atmiņā, izmantojot analogo shēmu. Tas ievērojami samazina pārsūtāmo datu daudzumu un rada ievērojamu enerģijas ietaupījumu.
Šī pieeja prasa savienojumu svaram būt bināram, nevis diapazonam, taču iepriekšējais teorētiskais darbs ir parādījis, ka tas būtiski neietekmēs precizitāti, un zinātnieki atklāja, ka mikroshēmas rezultāti atšķiras par 2-3% no parastās neironu tīkla versijas, kas darbojas uz standarta datora.
Šī nav pirmā reize, kad zinātnieki ir izveidojuši mikroshēmas, kas apstrādā procesus atmiņā, samazinot neironu tīkla enerģijas patēriņu, taču šī ir pirmā reize, kad šī pieeja tika izmantota, lai darbinātu jaudīgu neironu tīklu, kas pazīstams ar tā attēlu apstrādi.
Reklāmas video:
"Rezultāti parāda iespaidīgas specifikācijas ritošo darbību energoefektīvai ieviešanai atmiņas masīvā," sacīja Dario Gils, IBM mākslīgā intelekta viceprezidents.
"Tas noteikti paver iespējas sarežģītāku konvolucionāro neironu tīklu izmantošanai, lai nākotnē klasificētu attēlus un videoklipus lietu internetā."
Un tas ir interesanti ne tikai pētniecības un attīstības grupām. Vēlme likt AI ierīcēm, piemēram, viedtālruņiem, sadzīves tehnikai un visa veida IoT ierīcēm, daudzus Silīcija ielejā virza uz mazjaudas mikroshēmām.
Apple jau ir integrējis savu neironu motoru iPhone X, lai darbinātu, piemēram, sejas atpazīšanas tehnoloģiju, un tiek baumots, ka Amazon izstrādā savas AI mikroshēmas nākamās paaudzes Echo digitālajiem palīgiem.
Arī lielie uzņēmumi un mikroshēmu ražotāji arvien vairāk paļaujas uz mašīnmācību, kas liek viņiem padarīt ierīces vēl energoefektīvākas. Šā gada sākumā ARM atklāja divas jaunas mikroshēmas: Arm Machine Learning procesors, kas apstrādā vispārējos AI uzdevumus no tulkošanas līdz sejas atpazīšanai, un Arm Object Detection procesors, kas attēlos atrod, piemēram, sejas.
Qualcomm jaunākajai mobilajai mikroshēmai Snapdragon 845 ir GPU un tā ir spēcīgi AI vadīta. Uzņēmums arī atklāja Snapdragon 820E, kam vajadzētu darboties dronos, robotos un rūpnieciskās ierīcēs.
Raugoties nākotnē, IBM un Intel izstrādā neiromorfiskas mikroshēmas, kuru arhitektūra ir iedvesmota cilvēka smadzenēs un ir neticami energoefektīva. Tas teorētiski varētu ļaut TrueNorth (IBM) un Loihi (Intel) veikt jaudīgu mašīnu apguvi, izmantojot tikai daļu no parasto mikroshēmu jaudas, taču šie projekti joprojām ir ļoti eksperimentāli.
Lai taupītu akumulatora enerģiju, būs ļoti grūti piespiest mikroshēmas, kas piešķir dzīvību neironu tīkliem. Bet pašreizējos jauninājumu tempos tas “ļoti grūti” izskatās diezgan realizējams.
Iļja Khel