Nauja „brain-on-a-chip“ platforma, leidžianti 460 kartų padidinti dirbtinio intelekto užduočių efektyvumą
Goswami paaiškino, kaip ši naujovė iš esmės keičia AI algoritmų vykdymą. „Visuose mokymo procesuose pagrindinė matematinė operacija yra vektoriaus matricos daugyba“, – sakė Goswami. „Skaitmeninėje platformoje n dydžio vektorių padauginus iš nxn matricos reikia n² žingsnių. Priešingai, mūsų greitintuvas tai atlieka vienu žingsniu. Šis skaičiavimo žingsnių sumažinimas tiesiogiai reiškia didelį energijos vartojimo efektyvumo padidėjimą.
Ypač įspūdingas naujosios platformos energijos vartojimo efektyvumas. Remiantis Goswami pateiktu palyginimu, platformos taškinio produkto variklis užtikrina 4,1 TOPS/W, todėl jis yra 460 kartų efektyvesnis nei 18 branduolių Haswell procesorius ir 220 kartų efektyvesnis nei Nvidia K80 GPU, kuris dažniausiai naudojamas dirbtinio intelekto apkrovoms. .
Neuromorfinio skaičiavimo atsiradimas
Neuromorfinė kompiuterija yra pažangi skaičiavimo sritis, imituojanti žmogaus smegenų architektūrą ir procesus. Užuot naudoję tradicinius skaitmeninius metodus, pagrįstus dvejetainėmis būsenomis (0 ir 1), neuromorfinės sistemos naudoja analoginius signalus ir kelias laidumo būsenas, kad apdorotų informaciją labiau kaip neuronus biologinėse smegenyse.
IISc naujovės esmė yra platformos gebėjimas valdyti 16 500 laidumo būsenų. Kad būtų pateikti sudėtingesni duomenys, šios sistemos turi sujungti kelias dvejetaines būsenas, o tai padidina apdorojimui reikalingą laiką ir energiją.
„Taikant mūsų metodą, vienas įrenginys gali saugoti ir apdoroti duomenis 16 500 lygių vienu žingsniu“, – sakė Goswami. Dėl to procesas yra labai efektyvus erdvėje ir leidžia atlikti skaičiavimo lygiagretumą, o tai žymiai pagreitina AI darbo krūvį.
Šios sistemos sukurtos efektyviau nei įprasti kompiuteriai atlikti tokias užduotis kaip modelio atpažinimas, mokymasis ir sprendimų priėmimas. Integruojant atmintį ir apdorojimą į vieną įrenginį, neuromorfinis skaičiavimas žada greitesnius ir efektyvesnius energijos vartojimo sprendimus sudėtingoms užduotims, tokioms kaip AI, ypač tokiose srityse kaip mašinų mokymasis, duomenų analizė ir robotika.
