ဂူဂဲလ်က၎င်း၏ AI သည် chip ဒီဇိုင်းတွင်ပိုမိုမြန်ဆန်ကြောင်းပြောကြားခဲ့သည်

Google ကတီထွင်ခဲ့တယ်လို့ဆိုတယ် ဆော့ဗ်ဝဲ ကွန်ပျူတာချစ်ပ်များကိုလူသားများထက်ပိုမိုမြန်ဆန်စွာဒီဇိုင်းဆွဲနိုင်သည့်အတုဥာဏ်။ လွန်ခဲ့သောရက်အနည်းငယ်ကထုတ်ဝေသောဆောင်းပါးတစ်ပုဒ်တွင်ဂူးဂဲလ်ကပြောကြားရာတွင်လူသားများဒီဇိုင်းထုတ်ရန်လနှင့်ချီပြီးကြာမြင့်မည့်ချစ်ပ်သည်၎င်း၏ ၆ နာရီအတွင်း AI အသစ်မှစိတ်ကူးနိုင်သည်ဟုဆိုသည်။

ဉာဏ်ရည်တု ပြီးသားချစ်ပ်များ၏နောက်ဆုံးပေါ်ကြားမှာဖွံ့ဖြိုးတိုးတက်ဖို့အသုံးပြုခဲ့တာဖြစ်ပါတယ် တင်းမာစက်ထုတ်ယူခြင်း Google က (TPU)ဂူဂဲလ်မှတုန့်ပြန်မှုအတုနှင့်ပတ်သက်သောအလုပ်များကိုပြုလုပ်ရန်အသုံးပြုသည်။ ဂူဂဲလ်အင်ဂျင်နီယာများကပြောကြားရာတွင်တိုးတက်မှုသည်ဆီမီးကွန်ဒတ်တာစက်မှုလုပ်ငန်းအတွက်အဓိကသက်ရောက်မှုများရှိနိုင်သည်ဟုပြောကြားခဲ့သည်။

အမှန်ကတော့ CPU, GPU cores, memory လိုမျိုးအစိတ်အပိုင်းတွေကို chip ပေါ်မှာတစ် ဦး နဲ့တစ် ဦး ဆန့်ကျင်နေတဲ့နေရာကိုသိဖို့ပါပဲ။ ၎င်းသေးငယ်သည့်ဘုတ်ပြားများပေါ်တွင်သူတို့တည်နေရာသည်အရေးကြီးသည်၊ အကြောင်းမှာ၎င်းသည်ချစ်ပ်၏စွမ်းအင်သုံးစွဲမှုနှင့်အပြောင်းအလဲမြန်မှုအပေါ်သက်ရောက်မှုရှိသည်။ အရာအားလုံးကိုချိတ်ဆက်ရန်လိုအပ်သောဝါယာကြိုးနှင့်အချက်ပြလမ်းကြောင်းသည်အလွန်အရေးကြီးသည်။

ဂူဂဲလ်အင်ဂျင်နီယာများ Azalia Mirhoseini နှင့် Anna Goldie တို့သည်သူတို့၏လုပ်ဖော်ကိုင်ဖက်များနှင့်အတူ ၆ နာရီအောက်တွင်အခြေခံပုံစံများကိုဖန်တီးနိုင်သည့်နက်ရှိုင်းသောအားဖြည့်ခြင်းသင်ကြားရေးစနစ်ကိုဖော်ပြပြီးတစ်ခါတစ်ရံလပေါင်းများစွာကြာသည်။

တစ်နည်းအားဖြင့် ပိုမို၍ ခေတ်မီဆန်းပြားသောဉာဏ်ရည်တုစနစ်များကိုဖန်တီးရန်အသုံးပြုနိုင်သည့်ချစ်ပ်များကိုဒီဇိုင်းပြုလုပ်ရန်ဂူဂဲလ်သည်အတုထောက်လှမ်းရေးကိုအသုံးပြုနေသည်။

အလားတူစနစ်များသည် go နှင့် chess စသည့်ရှုပ်ထွေးသောဂိမ်းများတွင်လူများကိုရိုက်နှက်နိုင်သည်။ ဤအခြေအနေမျိုးတွင်ဂိမ်းများကိုအနိုင်ရရန်သင်၏အခွင့်အလမ်းများကိုတိုးပွားစေသောအပိုင်းများကိုရွေ့လျားရန် algorithms များကိုလေ့ကျင့်ပေးသည်၊ သို့သော် tile မြင်ကွင်းတွင် AI သည်အကောင်းဆုံးအစိတ်အပိုင်းများပေါင်းစပ်မှုကိုဂိမ်းတွင်တတ်နိုင်သမျှထိရောက်စွာရှာဖွေရန်လေ့ကျင့်ထားသည်။

အာရုံကြောကွန်ယက်သည်လည်းနည်းစနစ်အချို့ကိုအသုံးပြုသည် ၎င်းကိုတစ်ချိန်က semiconductor စက်မှုလုပ်ငန်းများမှထည့်သွင်းစဉ်းစားခဲ့သော်လည်းအဆုံးသတ်အဖြစ်စွန့်ပစ်ခဲ့သည်။ ဆောင်းပါးအရအတုထောက်လှမ်းရေးစနစ်သည်အဘယျအရာနှငျ့အဘယျသို့မဟုတျအဘယျအရာက "လေ့လာသင်ယူရန်" ချစ်ပ်များအတွက်အသေးစိတ်ပုံစံ ၁၀၀၀၀ လက်ခံရရှိခဲ့သည်။

ဂူဂဲလ်၏ AI အရှိန်မြှင့်စက်များ၏နောက်မျိုးဆက်ကိုဒီဇိုင်းဆွဲရန်နှင့်ကျွန်ုပ်တို့၏မျိုးဆက်သစ်တစ်ခုစီအတွက်နာရီပေါင်းထောင်နှင့်ချီသောလူသားတို့၏အားထုတ်မှုကိုကယ်တင်ရန်ကျွန်ုပ်တို့၏ချဉ်းကပ်မှုကိုအသုံးပြုခဲ့သည်။ နောက်ဆုံးတွင်ပိုမိုအားကောင်းသည့် AI ဒီဇိုင်း hardware သည် AI ၏တိုးတက်မှုကိုမောင်းနှင်နိုင်ပြီးနယ်ပယ်နှစ်ခုအကြားသွင်ပြင်လက္ခဏာများဆက်နွယ်မှုကိုဖန်တီးပေးလိမ့်မည်ဟုယုံကြည်ကြသည်။

ဆောင်းပါးအရ၊ microprocessor သို့မဟုတ် workload accelerator ကိုဒီဇိုင်းဆွဲသောအခါ၎င်း၏ subsystem များသည် VHDL, SystemVerilog သို့မဟုတ် Chisel ကဲ့သို့သောအဆင့်မြင့်သောဘာသာစကားဖြင့်မည်သို့အလုပ်လုပ်သည်ကိုသတ်မှတ်ရန်လိုအပ်သည်။

နောက်ဆုံးတွင်ဤကုဒ်သည် netlist ဟုခေါ်သည့်သို့ပြောင်းလဲလိမ့်မည်။ ၎င်းသည် chip ၏လုပ်ဆောင်ချက်များကိုလုပ်ဆောင်ရန်အတွက် macroblocks နှင့် standard cell များအားဝါယာကြိုးများနှင့်မည်သို့ချိတ်ဆက်ရမည်ကိုဖော်ပြထားသည်။

Standard ဆဲလ်များသည် NAND နှင့် NOR logic gates ကဲ့သို့သောအခြေခံဒြပ်စင်များပါ ၀ င်သည်macroblock များတွင် standard cell သို့မဟုတ်အခြားအီလက်ထရောနစ်အစိတ်အပိုင်းများပါ ၀ င်ပြီးအထူးလုပ်ဆောင်ချက်တစ်ခုလုပ်ဆောင်ရန်ရည်ရွယ်သည်။ on-chip memory သို့မဟုတ် processor core ဖြစ်သည်။ ထို့ကြောင့် macroblock များသည် standard cell များထက်များစွာပိုများသည်။

ထိုအခါသင်သည်ချစ်ပ်ပေါ်တွင်ဤဆဲလ်များနှင့် macroblock များစာရင်းကိုမည်သို့စုစည်းရမည်ကိုရွေးချယ်ရမည်။ ဂူဂဲလ် ၀ န်ထမ်းများကပြောကြားရာတွင်လူသားအင်ဂျင်နီယာများသည်အထူးဒီဇိုင်းဒီဇိုင်းကိရိယာများနှင့်အလုပ်လုပ်ရန်ရက်သတ္တပတ်များသို့မဟုတ်လပေါင်းများစွာပင်ကြာမြင့်နိုင်ပြီးလျှပ်စစ်ဓာတ်အားသုံးစွဲမှု၊ အချိန်၊ အမြန်နှုန်းစသည်တို့အပေါ် အခြေခံ၍ ပိုမိုကောင်းမွန်သောအစီအစဉ်ကိုရရှိရန်အကြိမ်ပေါင်းများစွာအကြိမ်ကြိမ်ပြုလုပ်နိုင်သည်။

ဤဖြစ်စဉ်တွင်များသောအားဖြင့်ဖြစ်လေ့ဖြစ်ထသောအရာသည်ဒီဇိုင်းဖွံ့ဖြိုးလာသည်နှင့်အမျှကြီးမားသော macroblock များ၏တည်နေရာကိုပြောင်းလဲရမည်။ အသိဥာဏ်ကင်းမဲ့သော algorithms များကိုအသုံးပြုသော automated tools များ၊ standard standard ဆဲလ်များစွာကို drop လုပ်ပြီးပြီးသည့်တိုင်အောင်သန့်ရှင်းစွာထပ်လုပ်ပါ။

၎င်းကိုသိသာထင်ရှားသည့် chip ဒီဇိုင်းအဆင့်ကိုအရှိန်မြှင့်ရန် Google ၏အတုထောက်လှမ်းရေးပညာရှင်များသည်အကောင်းဆုံးဒီဇိုင်းကိုရရှိရန်နာရီအနည်းငယ်အကြာတွင် macro-block နေရာချထားခြင်းကိုကိုယ်တိုင်ပြုလုပ်ထားသော convolutional အာရုံကြောကွန်ယက်စနစ်ကိုတီထွင်ခဲ့သည်။

ဆောင်းပါးအရပုံမှန်ဆဲလ်များကိုအခြားဆော့ဝဲလ်များမှအလွတ်နေရာများသို့အလိုအလျောက်နေရာချပေးသည်။ ဒီစက်သင်ယူမှုစနစ် ၎င်းသည်လူ့အင်ဂျင်နီယာများနည်းလမ်းထက်ပိုမိုမြန်ဆန်ပြီးပိုမိုကောင်းမွန်သောစံပြပုံစံတစ်ခုကိုထုတ်လုပ်နိုင်သင့်သည် စက်မှုလုပ်ငန်းများတွင်ရိုးရာအလိုအလျှောက်ကိရိယာများကို အသုံးပြု၍ ဂူဂဲလ် ၀ န်ထမ်းများကသူတို့ဆောင်းပါးတွင်ရှင်းပြခဲ့သည်။

အရင်းအမြစ်: https://www.theregister.com/


ဆောင်းပါး၏ပါ ၀ င်မှုသည်ကျွန်ုပ်တို့၏အခြေခံမူများကိုလိုက်နာသည် အယ်ဒီတာအဖွဲ့ကျင့်ဝတ်။ အမှားတစ်ခုကိုသတင်းပို့ရန်ကလစ်နှိပ်ပါ ဒီမှာ.

မှတ်ချက်ပေးရန်ပထမဦးဆုံးဖြစ်

သင်၏ထင်မြင်ချက်ကိုချန်ထားပါ

သင့်အီးမေးလ်လိပ်စာပုံနှိပ်ထုတ်ဝေမည်မဟုတ်ပါ။ တောင်းဆိုနေတဲ့လယ်ယာနှင့်အတူမှတ်သားထားတဲ့ *

*

*

  1. အချက်အလက်အတွက်တာဝန်ရှိသည် - Miguel ÁngelGatón
  2. အချက်အလက်များ၏ရည်ရွယ်ချက်: ထိန်းချုပ်ခြင်း SPAM, မှတ်ချက်စီမံခန့်ခွဲမှု။
  3. တရားဝင်: သင်၏ခွင့်ပြုချက်
  4. အချက်အလက်များ၏ဆက်သွယ်မှု - ဒေတာများကိုဥပဒေအရတာ ၀ န်ယူမှုမှ လွဲ၍ တတိယပါတီများသို့ဆက်သွယ်မည်မဟုတ်ပါ။
  5. ဒေတာသိမ်းဆည်းခြင်း: Occentus ကွန်ယက်များ (အီးယူ) မှလက်ခံသည့်ဒေတာဘေ့စ
  6. အခွင့်အရေး - မည်သည့်အချိန်တွင်မဆိုသင်၏အချက်အလက်များကိုကန့်သတ်၊