Intel, Loihi nöromorfik işlemciyi tanıttı. Öğrenir ama düşünmez. Piksellerden nöronlara

Bu yılın sonuna kadar sinir ağları için

Donanım Intel, sistemleri hızlandıracak yapay zeka Intel'in uzun süredir sözünü ettiği , bu yıl ilk müşterilere sevk edilecek. Şirket bugün, ilk nesil Neural Network işlemcisinin ("Lake Crest" kod adlı) yapay zeka araştırma çabalarını hızlandırmalarına yardımcı olmak için çok yakında sınırlı sayıda ortakla birlikte sipariş verileceğini duyurdu.

Sinir Ağı İşlemcisi (NNP), çok hızlı çözüm uzmanlaşmış Matematik problemleri Yapay zeka uygulamalarının, özellikle sinir ağlarının altında yatan - şu anda popüler bir endüstri makine öğrenme... Şu anda çok popüler olan karmaşık sinir ağları ile ilgili temel sorunlardan biri, hesaplamanın aşağıdakiler açısından son derece yoğun olmasıdır. işlem gücü ve bu durum onların işini zorlaştırıyor. hızlı test ve dağıtım.

İlk başta, NNP'ler yalnızca serbest bırakılacak küçük bir numaraŞirketin bu yılın sonundan önce piyasaya sürmeyi planladığı Intel ortakları. Donanım, özellikle sinir ağlarını kendi amaçları için kullanmaya çalışan şirketlerden biri olan Facebook ile yakın işbirliği içinde geliştiriliyor. gelir spam, "sahte" haberler ve diğer uygunsuz içerik dünyanın en büyüğü.

Müşteriler, Intel Nervana hizmeti aracılığıyla NNP'ye erişebilecekler. Intel'in ürün grubunun başkan yardımcısı ve genel müdürü Naveen Rao'ya göre şirket, hizmeti yakın gelecekte kamuya açık hale getirmeyi planlıyor.

Gözlemciler, teknolojik ve işlevsel olarak diğer Intel ürünlerinden farklı bir sistem için kayıt işlem gücü bekler. Intel, hızla gelişen yapay zeka sistemlerinin, yeni yeteneklere sahip yeni işlemci modelleri için güçlü bir müşteri talebi anlamına geleceğine inanıyor. Intel, ultra hızlı çekirdeklerin varlığının kararlılığı etkilememesi gerektiğini vaat ediyor ve uygun altyapının oluşturulmasından da bahsediyoruz.

Rao, "Sinir ağları gibi bir konuyla çalıştığınızda, sinir işlemcileri için çok fazla umut var" dedi. “İşlemci mimarisine eklemeler ve değişiklikler yapmayı gerçekten düşünüyoruz. Örneğin sinir ağlarında aktif olarak gelişen bir ortamda çalıştığınızda, tüm istekleri derhal takip etmek ve bunları müşteri için çözmek son derece önemlidir.

Intel şu anda nöral işlemciler için üç seçenek üzerinde çalışıyor ve söz verildiği gibi, bu yılın sonundan önce en az bir seçenek mevcut olacak.

Sinir ağları, yapay zeka araştırmalarının ilk günlerinden beri bilim adamlarının odak noktası olmuştur, ancak 1970'lerde bir şekilde unutuldular. Son on yılda, sinir ağlarının yeteneklerini kullanma ile ilgili teknolojiler, derin öğrenme programları düzeyinde incelenmiştir. Yapay sinir ağı - matematiksel model, biyolojik sinir ağlarının organizasyonu ve işleyişi ilkesine dayanan yazılım veya donanım uygulamasının yanı sıra - canlı bir organizmanın sinir hücrelerinin ağları. Bu kavram, beyinde meydana gelen süreçleri incelerken ve bu süreçleri modellemeye çalışırken ortaya çıktı. Öğrenme algoritmalarının geliştirilmesinden sonra, ortaya çıkan modeller pratik amaçlar için kullanılmaya başlandı: tahmin problemlerinde, örüntü tanımada, kontrol problemlerinde vb. YSA'lar birbirine bağlı ve etkileşimli basit işlemcilerden (yapay nöronlar) oluşan bir sistemdir. Bu tür işlemciler genellikle oldukça basittir (özellikle kişisel bilgisayarlar). Böyle bir ağdaki her işlemci, yalnızca periyodik olarak aldığı sinyallerle ve periyodik olarak diğer işlemcilere gönderdiği sinyallerle ilgilenir. Ve yine de, yeterince birlik içinde olmak büyük ağ kontrollü etkileşim ile, ayrı ayrı basit işlemciler birlikte oldukça karmaşık görevleri yerine getirebilirler.

• Makine öğrenimi açısından, bir sinir ağı, örüntü tanıma yöntemlerinin, diskriminant analizinin, kümeleme yöntemlerinin vb. özel bir durumudur.
• Matematiksel bir bakış açısından, sinir ağlarının eğitimi çok parametreli doğrusal olmayan bir optimizasyon problemidir.
• Sibernetik açısından, uyarlanabilir kontrol problemlerinde ve robotik için algoritmalar olarak bir sinir ağı kullanılır.
• Bilgi işlem teknolojisi ve programlamanın gelişimi açısından, bir sinir ağı, verimli paralellik problemini çözmenin bir yoludur.
• Ve yapay zeka açısından, YSA, bağlantıcılığın felsefi seyrinin temeli ve bilgisayar algoritmalarını kullanarak doğal zeka oluşturma (modelleme) olasılığını incelemeye yönelik yapısal yaklaşımın ana yönüdür.

Sinir ağları, kelimenin olağan anlamında programlanmamıştır, eğitilmişlerdir. Öğrenme, sinir ağlarının geleneksel algoritmalara göre ana avantajlarından biridir. Teknik olarak eğitim, nöronlar arasındaki bağlantıların katsayılarını bulmaktan ibarettir. Eğitim sırasında, sinir ağı, genelleme yapmanın yanı sıra, girdi verileri ve çıktı arasındaki karmaşık bağımlılıkları tanımlayabilir. Bu, başarılı eğitim durumunda, ağın eğitim örneğinde bulunmayan verilere ve ayrıca eksik ve/veya "gürültülü", kısmen bozulmuş verilere dayalı olarak doğru sonucu döndürebileceği anlamına gelir.

Bir sinir ağının doğrudan tahmin etme yeteneği, giriş ve çıkış verileri arasındaki gizli bağımlılıkları genelleştirme ve vurgulama yeteneğinden kaynaklanır. Eğitimden sonra, ağ, önceki birkaç değere ve (veya) bazılarında mevcut olan belirli bir dizinin gelecekteki değerini tahmin edebilir. şu anda faktörler. Öngörünün ancak önceki değişikliklerin bir dereceye kadar gelecekteki değişiklikleri önceden belirlemesi durumunda mümkün olduğu belirtilmelidir. Örneğin, geçen haftaki tekliflere dayanarak hisse senedi fiyatlarını tahmin etmek başarılı olabilir veya olmayabilir, ancak yarının piyango sonuçlarını son 50 yılın verilerine dayanarak tahmin etmek neredeyse kesinlikle hiçbir sonuç vermeyecektir.

Yorumunuzu bırakın!

Bugün pratik taraf yapay zekanın geliştirilmesiyle ilgili konular, derin veya derin öğrenme(derin öğrenme). Özel bir şekilde seçilen kalıplar temelinde, sistem eğitilir ve daha sonra edinilen bilgiyi pratikte uygular: arabaları sürer, görüntüleri veya sesleri tanır ve başka bir şey yapar.

Ve her şey yoluna girecek, sadece derin öğrenme için, operasyonel bir durumda uygulanması ya çok zor ya da basitçe imkansız olan bir veritabanı ile ön büyük bir bilgi alışverişi gereklidir. Robotlardan ve yapay zekadan daha fazla zeka istiyorum, böylece bir insan gibi düşünürüm, çağrışımsal düşünceye güvenirim. Bu arzu, silikonda insan beyninin bir benzerini somutlaştırma girişimlerine yol açtı. elektronik devreler nöronların ve sinapsların çalışmalarını taklit eder.

Modern tarihte, silikondaki "insan beyni"nin az çok karmaşık bir düzenlemesi IBM'deki mühendisler tarafından yaratıldı. 2011 yılında şirket işlemciyi tanıttı ve daha sonra mimariyi bir milyon dijital nöron ve 256 milyon programlanabilir dijital sinaps içeren 4096 çekirdekli bir işlemciye geliştirdi. Geçen bahar, şirket, endüstrinin ilk "bilişsel" bilgisayarını, 16 28nm TrueNorth işlemciye dayalı Ulusal Nükleer Güvenlik İdaresi'ne teslim etti. İlginç bir şekilde, 2011'de IBM TrueNorth'un duyurusu Intel'i nöromorfik işlemciler hakkında düşünmeye sevk etti.

Intel'in bugün. Şirketin kurumsal bir şirket geliştirmeye başladığı ortaya çıktı. nöromorfik işlemci... Uzun yıllara dayanan gelişimin somut örneği, kod adı Loihi olan bir çözümdü (büyük olasılıkla Amerika Birleşik Devletleri'ndeki en büyük sualtı yanardağından bahsediyoruz - Loihi). Loihi işlemci, 14nm işlem teknolojisi kullanılarak üretilecek ve 2018'in ilk yarısında akademik kurumlara gönderilmeye başlayacak.

Intel'e göre Loihi, öğrenme, eğitim ve karar vermeyi tek bir çipte birleştirerek sistemin buluta (veritabanı) bağlı olmadan özerk ve "akıllı" olmasını sağlıyor. Örneğin Intel, Karma Ulusal Standartlar ve Teknoloji Enstitüsü (MNIST) veritabanı kullanılarak eğitildiğinde, Loihi nöromorfik işlemcisinin diğer tipik dikenli sinir ağlarından 1 milyon kat daha iyi olduğunu iddia ediyor. Aynı zamanda Loihi'yi geleneksel evrişimli sinir ağlarıyla karşılaştırırsak, Intel geliştirme eğitim sırasında çok daha az kaynak kullanır ve bunlar iletişim kanalları, tüketim ve karar verme hızıdır. Intel ayrıca Loihi'nin gelenekselden 1000 kat daha verimli öğrendiğini iddia ediyor. bilgisayar sistemleri genel amaç.

Ne yazık ki, şirket açıklamaya yeterince dikkat etmedi teknik özellikler Loihi. Loihi'nin dahili bir ağ ağına sahip çok çekirdekli bir çözüm olduğu kısaca bildiriliyor. Loihi çekirdekleri nöromorfik eşzamansızdır (her biri diğerlerinden bağımsız olarak çalışabilir). Örgü ağının birkaç derece seyrekliği vardır, hiyerarşiktir ve her nöronun diğer binlerce nöronla etkileşime girebildiği tekrarlayan bir sinir ağı topolojisini destekler.

Ayrıca, her nöromorfik çekirdek, süreçte ağı uyarlamak için programlanabilen bir öğrenme mekanizması (motor) içerir. Intel Loihi işlemcinin bileşimini insan beyninin yeteneklerine göre çevirirsek, çözüm 130.000 nöron ve 130 milyon sinaps içerir. Intel Loihi işlemci, IBM TrueNorth işlemci kadar akıllı değil ancak 14 nm teknolojik normlarında üretim açısından kesinlikle daha verimli.

Temelde yeni bilgi işlem sistemleri mimarilerinin geliştirilmesinde en umut verici alanlardan biri, aşağıda belirtilen bilgi işleme ilkelerine dayanan yeni nesil bilgisayarların oluşturulmasıyla yakından ilgilidir. yapay sinir ağları(NS). Yapay sinir ağları ve nörobilgisayarlar üzerine ilk pratik çalışma 40-50'li yıllarda başladı. Bir sinir ağı genellikle, "nöronlar" adı verilen ve bilgi alışverişi kanalları "sinaptik bağlantılar" ile belirli bir şekilde birbirine bağlanan bir dizi temel bilgi dönüştürücü olarak anlaşılır.

Nöron aslında, bir giriş ve çıkış durumu, bir aktarım işlevi (etkinleştirme işlevi) ve yerel bellek ile karakterize edilen temel bir işlemcidir. Nöronların durumları, işleyiş sırasında değişir ve sinir ağının kısa süreli belleğini oluşturur. Her nöron, sinapslar aracılığıyla kendisine gelen sinyallerin ağırlıklı toplamını hesaplar ve üzerinde doğrusal olmayan bir dönüşüm gerçekleştirir. Sinapslar arasında gönderildiğinde, sinyaller belirli bir ağırlık faktörü ile çarpılır. Ağırlık katsayılarının dağılımı, sinir ağının ilişkisel belleğinde depolanan bilgileri içerir. Ağ tasarımının ana unsuru eğitimidir. NN'nin eğitimi ve yeniden eğitimi sırasında ağırlık katsayıları değişir. Ancak, sinir ağının işleyişi sırasında sabit kalırlar ve uzun süreli bellek oluştururlar.

n C bir katmandan, iki katmandan, üç veya daha fazla katmandan oluşabilir, ancak bir kural olarak, pratik problemleri çözmek için NN'de üçten fazla katman gerekli değildir.

Sinir ağının girdi sayısı hiper uzayın boyutunu belirler., burada giriş sinyalleri, yakın aralıklı noktalardan noktalar veya sıcak noktalar ile temsil edilebilir. Ağ katmanındaki nöronların sayısı, hiperuzaydaki hiper düzlemlerin sayısını belirler. Ağırlıklı toplamların hesaplanması ve doğrusal olmayan bir dönüşümün gerçekleştirilmesi, belirli bir hiper düzlemin hangi tarafında giriş sinyalinin noktasının hiperuzayda bulunduğunu belirlemeyi mümkün kılar.

Klasik örüntü tanıma problemini ele alalım: bir noktanın iki sınıftan birine ait olup olmadığını belirleme. Bu görev doğal olarak bir nöron yardımıyla çözülür. Hiper uzayı kesişmeyen ve iç içe olmayan iki hiper bölgeye ayırmanıza izin verecektir. Gerçekte, sinir ağları kullanılarak çözülen problemlerdeki giriş sinyalleri, hiperuzayda tek bir nöron kullanılarak ayrılamayan güçlü iç içe veya kesişen bölgeler oluşturur. Bu ancak bölgeler arasında doğrusal olmayan bir hiper yüzey çizilerek yapılabilir. n'inci dereceden bir polinom kullanılarak tanımlanabilir. Bununla birlikte, üstel fonksiyon çok yavaş olarak kabul edilir ve bu nedenle hesaplama için çok elverişsizdir. Alternatif bir seçenek, hiperyüzeye doğrusal hiperdüzlemler ile yaklaşmaktır. Yaklaşımın doğruluğunun, kullanılan hiper düzlemlerin sayısına bağlı olduğu ve bu da ağdaki nöronların sayısına bağlı olduğu açıktır. Bu nedenle, ağda mümkün olduğu kadar çok nöronun donanım uygulamasına ihtiyaç duyulmaktadır. Ağın bir katmanındaki nöronların sayısı, çözünürlüğünü belirler. Tek katmanlı bir sinir ağı, doğrusal olarak bağımlı görüntüleri ayıramaz. Bu nedenle, çok katmanlı sinir ağlarını donanımda uygulayabilmek önemlidir.

VE yapay sinir ağları inanılmaz özelliklere sahip. Ayrıntılı yazılım geliştirme gerektirmezler ve çözüm algoritmasını belirleyen teorik modeller veya buluşsal kurallar olmayan problemlerin çözümü için fırsatlar sunarlar. Bu tür ağlar, öngörülemeyen faktörlerin ortaya çıkması da dahil olmak üzere çalışma koşullarındaki değişikliklere uyum sağlama yeteneğine sahiptir. Doğaları gereği, sinir ağları çok yüksek düzeyde eşzamanlılığa sahip sistemlerdir.

V nörobilgisayarlar gerçek sinir ağlarında gerçekleştirilen bilgi işleme ilkeleri kullanılır. Bunlar temelde yeni bilgi işlem tesisleri geleneksel olmayan mimari ile büyük ölçekli bilgi dizilerinin yüksek performanslı işlenmesine izin verir. Geleneksel bilgi işlem sistemlerinden farklı olarak, sinir ağlarına benzer sinir ağı bilgisayarları, ayrık ve sürekli sinyallerin bilgi akışlarını daha yüksek bir hızda işlemeyi mümkün kılar, basit bilgi işlem öğeleri içerir ve yüksek derecede güvenilirlik ile veri bilgi problemlerinin çözülmesine izin verir. işleme, elde edilen çözümlere bağlı olarak bilgi işlem ortamının kendi kendini ayarlama modunu sağlar.

Genel olarak konuşursak, "nörobilgisayar" terimi artık oldukça geniş bir hesap makinesi sınıfı anlamına geliyor. Bunun basit bir nedeni, resmi olarak bir nörobilgisayarın, basit bir biyolojik nöron modelinden karakterleri veya hareketli hedefleri tanıma sistemine kadar bir sinir ağı algoritmasının herhangi bir donanım uygulaması olarak kabul edilebilmesidir. Nörobilgisayarlar, kelimenin geleneksel anlamıyla bilgisayarlar değildir. Şu anda teknoloji, genel amaçlı bir nörobilgisayardan (aynı zamanda yapay zeka olacak) bahsetmenin mümkün olacağı gelişme düzeyine henüz ulaşmadı. Ağırlık katsayılarının sabit değerlerine sahip sistemler, genellikle sinir ağı ailesinin en dar şekilde uzmanlaşmıştır. Öğrenme ağları, çözülmesi gereken çeşitli görevler için daha esnektir. Bu nedenle, bir nörobilgisayarın inşası, sinir ağının hemen hemen tüm unsurlarının donanım uygulaması alanındaki araştırma faaliyetleri için her zaman en geniş alandır.

21. yüzyılın başında, geçen yüzyılın 40-50'li yıllarının aksine, nörobilgisayarların nasıl yapıldığını öğrenmek için nesnel bir pratik ihtiyaç vardır, yani. Donanımda, milyonlarca sabit veya paralel olarak uyarlanabilir şekilde modifiye edilmiş bağlantı-sinapslarla, tamamen bağlı birkaç nöron katmanıyla oldukça fazla paralel etkili nöron uygulamak gerekir. Aynı zamanda, entegre elektronik teknolojisi fiziksel yeteneklerini tüketmeye yakındır. Transistörlerin geometrik boyutları artık fiziksel olarak küçültülemez: teknolojik olarak ulaşılabilir 1 mikron veya daha küçük boyutlarla, büyük boyutlarda aktif elemanlarla görünmeyen fiziksel fenomenler ortaya çıkar - kuantum boyutu etkileri güçlü bir şekilde etkilemeye başlar. Transistörler, transistörler gibi çalışmayı durdurur.

Sinir ağının donanım uygulaması için yeni bir depolama ortamı gereklidir. Böyle yeni bir bilgi taşıyıcı olabilir ışık, birkaç büyüklük derecesinde keskin bir şekilde, hesaplamaların performansını artıracaktır.

Gelecekte optik ve optoelektroniklerin yerini alabilecek sinir ağlarının donanım uygulaması için tek teknoloji, nanoteknoloji, submoleküler kuantum elemanlarının fiziksel olarak maksimum olası hız ile yalnızca fiziksel olarak maksimum olası entegrasyon derecesini değil, aynı zamanda NS'nin donanım uygulaması için çok gerekli olan üç boyutlu mimariyi de sağlama yeteneğine sahiptir.

Uzun bir süre boyunca, nörobilgisayarların, problemi çözmek için algoritmaya gerçek deneysel materyal üzerindeki öğrenme sürecini dahil etme ihtiyacı ile ilişkili formalize edilmemiş ve zayıf formalize edilmiş problemlerin çözümünde etkili olduğuna inanılıyordu. Her şeyden önce, bu tür problemler, ayrık bir değerler kümesi alan belirli bir fonksiyon biçimine yaklaşma problemini içeriyordu, yani. örüntü tanıma sorunu.

Şu anda, bu problem sınıfına, bazen deneysel materyal üzerinde eğitim gerektirmeyen, ancak bir sinir ağı mantıksal temelinde iyi bir şekilde temsil edilen bir problem sınıfı eklenmiştir. Bunlar şunları içerir: belirgin bir doğal sinyal işleme, görüntü işleme vb. paralelliği olan görevler.... Gelecekte nörobilgisayarların diğer mimarilerden daha verimli olacağına dair bakış açısının teyidi, özellikle, son yıllar bir sinir ağı mantıksal temelinde çözülen bir genel matematiksel problemler sınıfı. Bunlar, yukarıda sıralananlara ek olarak, doğrusal ve doğrusal olmayan cebirsel denklemleri ve büyük boyutlu eşitsizlikleri çözme problemlerini; doğrusal olmayan diferansiyel denklem sistemleri; kısmi diferansiyel denklemler; optimizasyon görevleri ve diğer görevler.

Okurlarımıza iCover blogunun sayfalarına hoş geldiniz! Geçmişte Şubat ayı başlarında San Francisco'da Uluslararası konferans Uluslararası Katı hal MIT'den (Massachusetts Institute of Technology) bir grup geliştirici olan Devreler Konferansı (ISSCC-2016), sinir ağı algoritmalarının yeteneklerini geniş bir aralıkta yeniden oluşturmaya izin veren kavramsal bir çözüm olarak oluşturulan yeni nesil Eyeriss çipinin çalışan bir prototipini gösterdi. düşük güçlü cihazlardan.

Yapay sinir ağlarının akıllı telefonlarımızda veya tabletlerimizde yeterince gelişmemiş olmasının nesnel nedenlerinden biri, yeterli güce sahip kompakt bir güç kaynağının olmamasıdır. Sonuçta, sözde beyin benzeri, “beyin benzeri” yapay zeka sistemleri, en azından modern teknolojiler tarafından sunuldukları biçimde, çalışmalarına güçlü bir şekilde bağlıdır. çok çekirdekli işlemciler beynimizle kıyaslandığında inanılmaz bir enerji tüketiyor. En azından yakın zamana kadar bu tür çözümleri kullanıcı sınıfı cihazlar düzeyinde hayal etmek mümkün değildi. Aynı zamanda, yapay zekanın “minyatürleştirilmesi” fikri, geliştiricilerin zihinlerini uzun süredir karıştırıyor ve ortaya çıktığı gibi, zaten oldukça somut sonuçlar veriyor.

Sinir ağları, yapay zeka araştırmalarının ilk günlerinden beri bilim adamlarının odak noktası olmuştur, ancak 1970'lerde bir şekilde unutuldular. Son on yılda, sinir ağlarının yeteneklerini kullanma ile ilgili teknolojiler, derin öğrenme programları düzeyinde incelenmiştir.

Massachusetts'te Doçent olan Vivienne Sze ve Emanuel E. Landsman, “Derin öğrenmenin nesne, konuşma veya yüz tanıma gibi birçok kullanımı vardır” dedi. Teknoloji Enstitüsü elektrik mühendisliği ve bilgisayar Bilimi, grubu yeni bir çip geliştirdi. “Günümüzde sinir ağları oldukça karmaşık ve esas olarak güçlü çipler üzerinde çalışıyor. Bu işlevi kendi cihazınıza taşıyabildiğinizi hayal edin. cep telefonu veya gömülü bir cihaz ve ardından bir Wi-Fi bağlantısı kullanmadan muazzam miktarda bilgiyi işleyin. Akıllı telefonunuzda büyük miktarda veri işlemek, ağ ile veri alışverişinden kaynaklanan gecikmeyi önleyecek ve bu da birçok uygulamanın çok daha verimli çalışmasına olanak sağlayacaktır. Ayrıca, önerilen çözüm, gizli bilgilerin yeni bir kalitede korunmasını sağlayacaktır."

Sinir ağları genellikle çok çekirdekli grafik işleme birimleri (GPU'lar) temelinde uygulanır. San Francisco'daki Uluslararası Konferansta, MIT araştırmacıları, sinir ağlarına dayalı yapay zeka algoritmalarını uygulamak için tasarlanmış yeni bir 168 çekirdekli çipi tanıttı. Bir mobil GPU ile karşılaştırıldığında (hangisi ile karşılaştırıldığında belirtilmemiştir), işlemci, bir kullanıcının mobil cihazının bulut işleme için veri göndermeye gerek kalmadan yerel olarak güçlü yapay zeka algoritmalarını çalıştırmasını sağlayan 10 kat daha fazla verimlilik gösterdi. Gelişmenin öne çıkan noktaları, 3 Şubat 2016 tarihli MIT basın bülteninde yansıtılıyor.

Yeni çip geliştiriciler tarafından "Eyeriss" olarak adlandırılan, "Nesnelerin İnterneti" nde geniş uygulama bulabilir, giyilebilir elektronik, kendinden kontrollü Araçlar, üretim ekipmanları ve hatta tarımda, mevcut görevlerin çözümüne ve koordinasyonuna yardımcı olur. Yerleşik yapay zeka algoritmaları ile mobil cihazlar, yerel düzeyde kararlar alabilecek ve kullanıcıya İnternet'ten bir dizi "ham" veri yerine eylem kılavuzu olarak hazır bir sonuç sunabilecek. Ve elbette, yerel sinir ağlarının kullanımlarından biri, kendi başına otonom robotlar yaratmada kullanımlarıdır. farklı amaçlar için.

Böl ve yönet

Sinir ağları, kural olarak, çok katmanlı bir yapıya sahiptir ve her katman şunları içerir: çok sayıda işleme düğümleri İşlemin ilk aşamasında, veriler gelir ve alt katmanın düğümleri arasında dağıtılır. Düğümlerin her biri tarafından alınan veriler işlendikten sonra, sonuç bir sonraki katmanın düğümlerine işlenmek üzere aktarılır. Son katmanın çıktısında ise problemin çözülmesinin sonucu oluşur. Buna göre, açıklanan algoritmaya göre büyük ölçekli problemleri çözmek için önemli bilgi işlem kaynaklarına ihtiyaç vardır.

Başlangıçta geliştiriciler tarafından çipe sunulan gereksinimler, onları oldukça katı bir çerçeveye yerleştirir: bir yandan çözüm enerji açısından verimli olmalı, diğer yandan çalışmalıdır. basit bloklar bilgi. Son olarak, çip simüle edebilmelidir farklı şekiller sinir ağları, kendisine atanan mevcut görevleri dikkate alarak. Tüm bu gereksinimler, Eyeriss işlemcide başarıyla uygulandı.

MIT laboratuvarında geliştirilen çip, gelecekte mobil cihazlara gömülebilecek 168 çekirdekli bir işlemci düzeyinde yerelleştirilmiş, önceden oluşturulmuş bir sinir ağıdır.

Eyeriss verimliliğinin anahtarı, çekirdekler ve çekirdekler arasındaki veri alışverişi sıklığını en aza indirmektir. dış bankalar ile ilişkili hafıza işlemi yüksek güç tüketimi ve zaman maliyetleri. Geleneksel GPU çekirdekleri tek bir ortak bellek bankasına bağlıyken, her Eyeriss çekirdeğinde kendi hafızası... Ayrıca veriler komşu çekirdeklere gönderilmeden önce sıkıştırılır.

Uygulanan algoritmanın bir başka avantajı, bir veri yolu şeklinde "aracıyı" atlayarak, çekirdeklerin birbirleriyle doğrudan "iletişim kurma" yeteneğidir. Sistem belleği... bu kritik önemli özellik bir "Evrişimli Sinir Ağı"nın (CNN) çalışmasını simüle etmek için. Tüm hesaplamalı çalışma Görüntü ve konuşma tanıma için gerekli olan, ağ kaynaklarına erişmeye gerek kalmadan Eyeriss'te yerel olarak gerçekleştirilir, bu da cihazın harici bir ağ olmadığında bile etkin bir şekilde çalışmasına olanak tanır.

Son olarak, Eyeriss'in bir diğer avantajı, çözülecek tek bir problem çerçevesinde çekirdekler arasında bireysel hesaplama görevlerinin “akıllı” dağılımı ilkesidir. onun içinde yerel bellekÇekirdek yalnızca düğümler tarafından işlenen verileri değil, aynı zamanda düğümleri tanımlayan verileri de depolamalıdır. Veri işleme sürecinin maksimum performansını sağlamak ve ana bellekten maksimum miktarda veri ile Eyeriss'i yüklemek için, her iki veri türü için dağıtım algoritması, gerçek zamanlı olarak özel olarak tasarlanmış bir mikro devre ile optimize edilmiştir. Mevcut sinir ağının özelliklerini hesaba katar.

San Francisco'daki Uluslararası Katı Hal Devreleri Konferansı'nda geliştirme ekibi, yerel bir sinir ağı içinde bir örüntü tanıma algoritmasının uygulanmasını göstermek için "kullanıcı düzeyinde" Eyeriss çipinin yeteneklerini kullandı. Benzer bir görev - basın bülteninde belirtildiği gibi - daha önce uygulandı, ancak oluşturulan sinir ağlarının en moderni olan hükümet projeleri düzeyinde.

"Bu çalışma çok önemli çünkü gömülü derin öğrenme işlemcilerinin gerekli gücü ve optimizasyon performansını ve verim kompleksini ne kadar verimli sağlayabildiğini gösteriyor. bilgi işlem süreçleri Samsung'un Mobil İşlemci Laboratuvarı, Innovations Lab kıdemli başkan yardımcısı Mike Polley şunları ekliyor: standart ağ mimarisi AlexNet ve Caffe kullanan geliştiriciler ".

MIT laboratuvarına dayalı bir bölümün oluşturulmasıyla başlayan Eyeriss projesinin finansmanı, kısmen ABD savunma bakanlığı DARPA tarafından finanse edildi. Şaşırtıcı olmayan bir şekilde, ünlü askeri analist Patrick Tucker, işlemcinin duyurusuna etkileyici editoryal malzeme ile yanıt veren ilk kişi oldu. Yeni Eyeriss işlemciler yüklü mobil cihazlar ABD askerleri, onun görüşüne göre, ortak bir ağa bağlanmadan muazzam miktarda bilginin işlenmesiyle ilgili en karmaşık hesaplama problemlerini çözebilecekler.

Dolayısıyla şu anda ABD Hava Kuvvetleri, her gün Afganistan üzerinde uçan dronlardan 1.500 saate kadar HD video ve 1.500'e kadar ultra yüksek çözünürlüklü fotoğraf alıyor. Üstelik, tüm bu sonsuz bilgi akışı, operatörler tarafından eski moda bir şekilde görsel olarak analiz edilmelidir, çünkü mevcut bilgisayar yazılımı, bir dağ yolunda bir sopayla dolaşan bir köylüyü, güdümlü füzeler için fırlatıcılı bir teröristten ayırt edemez. . Bu tür problemleri çözmek için önce temsili öğrenmeye dayalı makine öğrenmesi yöntemleri oluşturulmaya başlandı.

Eyeriss işlemciler, doğrudan uçakta derin öğrenme teknolojilerini kullanarak bir dizi görüntü ve videonun akıllıca işlenmesine olanak tanıdığından, insansız askeri dronlara kurulum için idealdir. Aynı zamanda, taranan faydalı veriler, analiz merkezini atlayarak belirtilen bölgede faaliyet gösteren muharebe birimlerine doğrudan gönderilebilir. operasyonel bilgi.

Kısa özet

Deneyler sırasında, Eyeriss çipi, modern mobil grafik çiplerinden on kat daha yüksek bir enerji verimliliği seviyesi gösterdi. Aynı zamanda, akıllı telefonlar ve tabletlerden giyilebilir elektroniklere kadar kompakt boyutlu cihazlarda yapay zeka algoritmalarının çalışmasını sağlamak teknolojik olarak mümkün olduğu ortaya çıkıyor. gecikmeler, ağlar tarafından oluşturulan böyle bir işlemci için veri alışverişi yaparken, çip hesaplamaların çoğunu yerel olarak gerçekleştirebildiğinden, en aza indirildiği ortaya çıkıyor. Eyeriss temelinde, sadece her türlü "akıllı cihaz" değil, aynı zamanda karar vermede belirli bir dereceye kadar bağımsızlığa sahip robotlar oluşturmak mümkün olacaktır.

MIT geliştiricileri, Eyeriss'in ticari bir ürüne dönüşebileceği ve yeteneklerini tüketici düzeyinde tam olarak ortaya çıkarabileceği belirli zaman aralıklarını henüz belirlemedi. Belli bir iyimserlik, önde gelen NVIDIA uzmanlarının geliştirilmesine ve Samsung'dan sorumlu bilim adamlarının yoğun ilgisine dahil olmalarına ilham veriyor.

13.10.2017, Cum, 15:28, Moskova saati, Metin: Vladimir Bakhur

Yeni amiral gemisi akıllı telefon Huawei dostum 10 Pro, en yeni Kirin 970 sinir işlemcisine, Leica'nın çift optiğine, Android 8.0 Oreo'ya ve çerçevesiz tasarıma sahip akıllı bir kavrama özelliğine sahip olacak. Ve sadece değil.

Huawei hoş bir sürpriz yapmayı öğrendi

Blogger ve gazeteci Evan Blass(Evan Blass), son derece doğrulanmış içeriden bilgisiyle tanınan mobil gadget'lar, benim sayfamda yayınlandı sosyal ağ Twitter, Huawei Mate 10 Pro akıllı telefonun bir dizi yeni görüntüsü.

Huawei Mate 10 Pro akıllı telefonun bir dizi özelliği, ancak Evan Blas'ın en son yayınlarından, yeni amiral gemisinin kağıda yazmanıza izin veren uzamsal konum sensörlü bir kalemi destekleyeceği biliniyordu. kablosuz iletim akıllı telefonda not almak.

Mate 10 Pro ailesinin akıllı telefonlarının duyurusu Huawei tarafından 16 Ekim Pazartesi günü Moskova saati ile 14:00'te planlanıyor. Bu, Huawei CEO'su Richard Yu'nun katılımıyla Münih'ten HUAWEI Mate 10 Keynote Live sunumunun planlanan YouTube canlı yayını tarafından onaylandı.

Mate 10 Pro ile gelmesi beklenen Bluetooth akıllı kalem, Moleskine Akıllı Yazı Seti'ndeki stylus kaleme benziyor.

Teknik detaylar

Alınan Huawei Mate 10 Pro akıllı telefon çalışma adı Blanc ("normal" Mate 10'un çalışma adı Alps), piyasadaki ilk cihazlardan biri olacak ve ilk kez entegre bir yapay zeka yardımcı işlemcisine (AI) sahip bir mobil işlemci Huawei Hisilicon Kirin 970 ile donatılacak.

Akıllı telefonun görünümü Huawei Mate 10 Pro

Kirin 970 mobil çip, 2,4 GHz'de dört ARM Cortex-A73 çekirdeği ve 1,8 GHz'e kadar dört ARM Cortex-A53 çekirdeğini temel alan 8 çekirdekli 64 bit bir işlemcidir. Çip, yeni nesil Mali-G72 MP12'nin entegre 12 çekirdekli grafikleri ve belirli bilgi işlem görevlerini hızlandırmak için bir dizi yardımcı yardımcı işlemci ile donatılmıştır.

Anahtar bileşenler mobil işlemci Kirin 970

Çip, 1 metrekarelik bir alana yerleştirilmiş 5.5 milyar transistör içeriyor. cm ve bugüne kadarki en hassas 10 nm standartlarına uygun olarak TSMC'nin üretim tesislerinde üretilmektedir. teknolojik süreç FinFET.

Yeni amiral gemisi Kirin 970 işlemci ise “ mobil platform AI problemlerini çözmek için ”. Sözde nöral içerir işlemci modülü(NPU, Neural Processing Unit, NPU), minimum güç tüketimi ile yapay zeka görevlerinin yüksek hızda işlenmesi için, Huawei verileri, öncekilere kıyasla 25 kat performans ve 50 kat verimlilik.

Kirin 970 ayrıca entegre hücresel modem 4.5G sn LTE desteğiŞirkete göre 1.2 Gbps'ye kadar indirme hızları sağlayan Kategori 18, 5CC, 4x4MIMO ve 256QAM toplama.

Çip, LTE modunda iki SIM kartın aynı anda çalışmasını destekliyor ancak Huawei Mate 10 Pro akıllı telefonun her iki versiyonda da sunulması bekleniyor. Hibrit Çift SIM (Nano-SIM, ikili bekleme, yuvalardan biri 256 GB'a kadar olan kartlar için bir microSD kart okuyucu ile birleştirilmiştir) ve bir Nano-SIM kart için bir yuvalı versiyonda.

Kirin 970, H.264 ve H.265 kodekleriyle 60 fps'ye kadar 4K donanım kod çözme ve 30 fps'ye kadar 4K video kodlama sağlar ve destek renk uzayı HDR10. Ayrıca Kirin 970, 4 kanala kadar rasgele erişim belleği Dahili 32-bit / 384 kHz DAC, yeni nesil Huawei i7 sensörü ve çift kamera desteği ile donatılmış LPDDR4X 1866 MHz.

Huawei Mate 10 Pro akıllı telefonun 1440 x 2880 piksel çözünürlüğe, 18:9 en boy oranına ve inç başına 546 piksel netliğe sahip 5.99 inçlik büyük bir AMOLED ekrana sahip olması bekleniyor. Akıllı telefon sadece 7,5 mm kalınlığında ve IP68 korumasına sahip, bu da cihazın 30 dakika boyunca 1,5 metre derinliğe kadar suya daldırıldığı anlamına geliyor.

Ana cift kamera Mate 10 Pro

Mate 10 Pro, 6GB RAM ve 64GB veya 128GB depolama ile satışa sunulacak. Cihaz, Leica tarafından yazılan optik f / 1.6 sistemleri ile 20 MP renkli ve 12 MP monokrom sensörden oluşan çift ana kamera ile donatılmıştır, optik stabilizasyon görüntüler, faz ve lazer otofokus, HDR desteği ve formatlarda video kaydı [e-posta korumalı] ve [e-posta korumalı]/ 60fps. Ön kamera ise 8 MP çözünürlüğe sahip.

Akıllı Telefon Mate 10 Pro, tescilli Android 8.0 (Oreo) işletim sisteminin en son sürümüyle hemen sunulacak. grafik arayüzü Huawei EMUI 6.0. Cihaz destekler Wi-Fi ağları 802.11 a/b/g/n/ac standartları, A2DP, EDR ve LE profilleri ile Bluetooth 5.0, A-GPS navigasyonu, GLONASS, BDS ve GALILEO, NFC teknolojisi... Kızılötesi bağlantı noktası ve konektör de sağlanır. USB standardı 2.0 Tip-C.

Akıllı telefonun dahili çıkarılabilir olmayan lityum polimer pili 4000 mAh kapasiteye sahip.

Huawei Mate 10 Pro için Akıllı Kalem

Düz kağıda yapılan notları anında dijitalleştirme yeteneğine rağmen, ön verilere göre Mate 10 Pro ile donatılacak olan akıllı kalem, giriş için bir stylus veya kalem olarak çalışmayacak. dokunmatik ekran Huawei Mate 10 Pro veya bu amaç için ek giriş teknolojisi ile donatılacak.

Satış başlangıcı ve fiyat

Satışların başlamasının zamanlaması ve amiral gemisi akıllı telefon Huawei Mate 10'un fiyatı hakkında az ya da çok anlaşılır bilgi yok, her şey 16 Eylül Pazartesi günü kadar erken bilinecek.

Akıllı telefon serisi Huawei Mate 10'un tanıtımının duyurusu

İlk olarak, ağ analistleri Huawei Mate 10'un Çin'deki maliyetini 835 dolar olarak tahmin ediyor, "normal" Huawei Mate 10 yaklaşık 650 dolara mal olacak.