 В последние годы возникли некоторые из самых захватывающих достижений в области искусственного интеллекта, в том числе нейронных сетей - крупных виртуальных сетей простых информационных блоков обработки, которые смоделированы согласно анатомии человеческого мозга.
Нейронные сети, как правило, реализуются с помощью графических процессоров – графических чипов специального назначения, найденных во всех вычислительных устройствах с экранами. Графический процессор смартфона может иметь почти 200 ядер, или блоков обработки, что делает его хорошо подходящим для имитации сети распределенных процессоров.
На Международной конференции по твердотельным микросхемам в Сан-Франциско исследователи Массачусетского технологического института представили новый чип, разработанный специально для реализации нейронных сетей. Он в 10 раз эффективнее по сравнению с мобильным графическим процессором, так что он может позволить мобильные устройствам локально запускать мощные алгоритмы искусственного интеллекта, а не загружать данные в Интернете для обработки.
Нейронные сети широко изучались в первые дни исследования искусственного интеллекта, но в 1970-х они впали в немилость. В последнее десятилетие, однако, они возрождаются в форме «глубокого обучения».
Глубокое изучение полезно для многих приложений, таких как распознавание объекта, речи и распознавание лиц. Сейчас, сети являются довольно сложными и в основном, работают на мощных чипах. Если перенести эту функциональность на мобильный телефон или встроенные устройства, то с ними можно будет работать даже при отсутствии Wi-Fi соединения. Также можно проводить локальную обработку по причинам конфиденциальности.
Новый чип, который исследователи называют «Eyeriss», может также помочь вступить в Интернет вещей - идее, согласно которой транспортные средства, приборы, гражданско-инженерные сооружения и производственное оборудование будут иметь датчики, которые сообщают информацию непосредственно сетевым серверам, помогая с поддержанием и координацией задач. С мощными встроенными алгоритмами искусственного интеллекта, сетевые устройства могут принимать важные решения на местном уровне, поручив только собственные выводы, а не исходные данные, в Интернете. И, конечно, встроенные нейронные сети могут стать полезными для автономных роботов с батарейным питанием.
Нейронные сети, как правило, организованы в слои, и каждый слой содержит большое количество обрабатывающих узлов. Данные поступают и распределяются между узлами в нижнем слое. Каждый узел манипулирует данными, которые он получает, и передает результаты на узлах в следующем слое, которые манипулируют данными, которые они получают и передают по результатам, и так далее. Выход последнего слоя дает решение некоторой вычислительной задачи.
В сверточной нейронной сети многие узлы в каждом слое обрабатывают одни и те же данные по-разному. Сети могут, таким образом, набухать до огромных размеров. Хотя они превосходят более традиционные алгоритмы по многим задачам визуальной обработки, они требуют гораздо больше вычислительных ресурсов.
Конкретные манипуляции, выполняемые каждым узлом в нейронной сети, являются результатом учебного процесса, в котором сеть пытается найти корреляцию между необработанными данными и этикетками, прикрепленными к нему человеческими аннотаторами. С чипом, подобном разработанному исследователями Массачусетского технологического института, обученные сети просто могут быть экспортированы в мобильное устройство.
Это приложение накладывает конструктивные ограничения на исследователей. С одной стороны, способ понизить энергопотребление чипа и повысить его эффективность заключается в том, чтобы сделать каждый блок обработки как можно более простым. С другой стороны, чип должен быть достаточно гибким, чтобы внедрять различные типы сетей с учетом различных задач.
Ключом к эффективности Eyeriss является минимизация частоты, с которой ядру необходимо обмениваться данными с удаленными банками памяти - операции, которая потребляет много времени и энергии. В то время как многие из ядер графического процессора имеют один общий, большой банк памяти, каждое из ядер Eyeriss имеет свою собственную память. Кроме того, чип имеет схему, которая сжимает данные перед их отправкой на отдельные ядра.
Каждое ядро также может напрямую общаться со своими непосредственными соседями, так что если они должны обмениваться данными, то они не должны направлять их через основную память. Это важно для сверточной нейронной сети, в которой так много узлов обрабатывают одни и те же данные.
Окончательным ключом к эффективности чипа является одноцелевая схема, которая выделяет задачи между ядрами. В своей локальной памяти ядро должно хранить не только данные, управляемые узлами, которые оно имитирует, но и данные, описывающие сами узлы. Схема распределения может быть изменена для различных типов сетей, автоматически распределяя оба типа данных между ядрами таким образом, максимизирующим объем работы, который каждый из них может сделать до загрузки большего количества данных из основной памяти.
|
