طراحی تراشه برای پردازش یادگیری ماشینی

به گزارش کارگروه فناوری اطلاعات سایبربان؛ دستیابی به نسل فعلی سامانه‌های یادگیری ماشینی، بدون پیشرفت‌های محاسباتی قابل‌توجه چند دهه گذشته امکان‌پذیر نبود. توسعه واحد پردازش گرافیکی (GPU) در زمینه بهبود یادگیری ماشینی نقشی اساسی داشت؛ زیرا امکان پردازش و آموزش الگوریتم‌ها از طریق مجموعه عظیمی از داده‌ها را فراهم کرد.

از طرفی هوش مصنوعی نیز به صورت روزافزون پیشرفت می‌کند. به همین دلیل برای به‌کارگیری الگوریتم‌های یادگیری ماشینی در زمان واقعی، سطح جدیدی از توان محاسباتی موردنیاز است.

برای نمونه، در زمینه کاربردهای پیشرفته یادگیری ماشینی مانند ارتباطات 5G و سامانه‌های خودمختار، از مدارهای مجتمع با کاربردهای خاص یا آی‌سیک (ASIC¹) استفاده می‌شود؛ اما به علت هزینه‌های طراحی و پیاده‌سازی بسیار بالای این‌گونه از مدارها، نمی‌توان در زمینه‌های گسترده‌ای از آن بهره گرفت.

آندریاس اولفسون (Andreas Olofsson)، مدیر برنامه دفتر میکروسیستم‌های دارپا گفت:

اصلی‌ترین چالش در محاسبات، ایجاد پردازنده‌هایی است که بتوانند اطلاعات را در زمان واقعی تفسیر کرده و یاد بگیرند، از دانش گذشته خود برای رفع مشکلات ناشناخته بهره‌مند شوند و عملکردی مانند ذهن انسان داشته باشند. برطرف کردن مسائل رقابتی مانند ابعاد، وزن و توان (SWaP) کم، تأخیر پایین و سازگاری بالا به توسعه الگوریتم‌های نوآورانه و مدارهای خاص نیاز دارد که بتوانند در زمان واقعی از یادگیری ماشینی استفاده کنند.

اولفسون ادامه داد:

چیزی که به آن نیاز داریم، توسعه سریع سخت‌افزار معماری‌های یادگیری ماشینی کارآمد است که به صورت پیوسته، در زمان واقعی از جریان داده‌های جدید، یاد می‌گیرد.

پروژه یادگیری ماشینی زمان واقعی (RTML) دارپا، به منظور کاهش هزینه‌های طراحی مدارهای آی‌سیک ایجاد شد. هدف از این کار توسعه خودکار طراحی نوآورانه تراشه‌ها، بر پایه چارچوب‌های یادگیری ماشینی برای کاربردهای نوظهور این حوزه است.

پژوهشگران در برنامه مذکور، به دنبال ایجاد یک کامپایلر یا بستر نرم‌افزاری هستند که امکان ادغام با چارچوب‌های یادگیری ماشینی مانند «TensorFlow» و «Pytorch» را دارد. از قابلیت‌های این کامپایلر در دو حوزه حیاتی که به پهنای باند بسیار بالا نیاز دارند بهره گرفته خواهد شد. این 2 حوزه شبکه‌های 5 جی و پردازش تصویر هستند.

مقام یاد شده افزود:

متخصصان یادگیری ماشینی در حوزه توسعه الگوریتم‌ها مهارت داشته؛ اما دانش کمی در زمینه طراحی تراشه دارند. در مقابل طراحان تراشه از تخصص لازم در زمینه یادگیری ماشینی موردنیاز آی‌سیک برخوردار نیستند. هدف پروژه یادگیری ماشینی زمان واقعی ادغام 2 حوزه یاد شده با یکدیگر است تا فرآیند طراحی کارآمدتر و کم‌هزینه‌تر گردد.

پروژه یاد شده به منظور آزمایش تحقیقات یادگیری ماشینی موردنیاز در طراحی‌های تراشه‌ها، یک بستر ایدئال را ارائه می‌دهد.

سازمان دارپا در طرح مذکور با بنیاد ملی علوم آمریکا (NSF) همکاری می‌کند. این انتظار وجود دارد که همکاری دو سازمان یادشده به طراحی الگوریتم‌های یادگیری ماشینی زمان واقعی و نسل بعدی سخت‌افزارها بینجامد.

پروژه مورد بحث بخشی از فاز دوم طرح «ERI» سازمان دارپا به حساب می‌آید.