Κινεζική ερευνητική εργασία για το αναλογικό τσιπ AI “ACCEL” ισχυρίζεται ότι 3000x Speedup Vs NVIDIA A100 & A800 GPU
Με την Κίνα υπό την επιρροή παγκόσ
μι
ων κυρώσεων, φαίνεται ότι η χώρα βελτιώνει γρήγορα τις «εγχώριες» λύσεις της, σε μια προσπάθεια να διατηρήσει τον υπάρχοντα ρυθμό ανάπτυξης της βιομηχανίας. Μια εργασία που δημοσιεύτηκε από το Πανεπιστήμιο Tsinghua της Κίνας αποκαλύπτει ότι το ινστιτούτο έχει επινοήσει μια νέα τεχνική για την απόδοση υπολογιστών AI και έχει αναπτύξει ένα τσιπ με το όνομα ACCEL (All-Analog Chip Combining Electronic and Light Computing), το οποίο βασικά αξιοποιεί τη δύναμη της φωτονικής και της αναλογικής τεχνολογίας για παρέχουν εξαιρετικές επιδόσεις και τα νούμερα που αποκαλύφθηκαν είναι αρκετά σοκαριστικά.
Σύμφωνα με το δημοσίευμα μέσω
Φύση
, το τσιπ AI ACCEL έχει τη δυνατότητα να παρέχει 4,6 λειτουργίες peta ανά
δευτ
ερόλεπτο, κάτι που είναι πράγματι πολύ μπροστά από αυτό που προσφέρουν οι τρέχουσες βιομηχανικές λύσεις, αλλά δεν είναι μόνο αυτό. Το τσιπ έχει σχεδιαστεί για να διατηρεί την απόδοση ισχύος, καθώς χωρίς να το κάνει, δεν θα ήταν εφαρμόσιμο στη βιομηχανία. Το ACCEL χρησιμοποιεί μια αρχιτεκτονική «συστημικής ενεργειακής απόδοσης», η οποία είναι σε θέση να παρέχει 74,8 λειτουργίες peta ανά δευτερόλεπτο ανά watt. Ως εκ τούτου, όπως αποκαλύπτουν οι αριθμοί, το τσιπ αποκλίνει από τις τάσεις της βιομηχανίας, όπου η υψηλή υπολογιστική ισχύς είναι ευθέως ανάλογη με μεγαλύτερη κατανάλωση ενέργειας.
Χωρίς κανενός είδους σημείο αναφοράς σε πραγματικό χρόνο, η επισήμανση ενός τσιπ ως «το ταχύτερο της βιομηχανίας» είναι δικαιοσύνη, ωστόσο, η ACCEL αντιμετώπισε πειραματικά τα σενάρια Fashion-MNIST, ταξινόμησης ImageNet 3 κλάσεων και αναγνώρισης βίντεο
time
-lapse για να δοκιμάσει τα όρια. της απόδοσης “deep-learning” του τσιπ. Μπόρεσε να προσφέρει ακρίβεια 85,5%, 82,0% και 92,6%, αντίστοιχα, γεγονός που δείχνει ότι το τσιπ έχει βιομηχανικές εφαρμογές ευρείας κλίμακας και δεν περιορίζεται μόνο σε ένα συγκεκριμένο τμήμα. Αυτό κάνει τα πράγματα πιο συναρπαστικά με το ACCEL και ανυπομονούμε να δούμε τι φέρνει το τσιπ στο μέλλον.
Τώρα ας μιλήσουμε για το πώς λειτουργεί πραγματικά το ACCEL. Το τσιπ συνδυάζει τις δυνατότητες του περιθλατικού οπτικού αναλογικού υπολογισμού (OAC) και του ηλεκτρονικού αναλογικού υπολογισμού (EAC) με την επεκτασιμότητα, τη μη γραμμικότητα και την ευελιξία. Για να επιτευχθούν τέτοιοι αριθμοί απόδοσης, το τσιπ διαθέτει μια οπτοηλεκτρονική υβριδική αρχιτεκτονική με πλήρως αναλογικό τρόπο για τη μείωση των μαζικών ADC (Αναλογικές-Ψηφιακές Μετατροπές), σε φόρτους εργασίας μεγάλης κλίμακας, γεγονός που έχει ως αποτέλεσμα πολύ βελτιωμένη απόδοση. Η ερευνητική εργασία που δημοσιεύτηκε καλύπτει τον μηχανισμό του τσιπ αρκετά εκτενώς, επομένως μπορείτε να ρίξετε μια ματιά σε αυτό
εδώ
για να πάρετε μια ιδέα για το πώς λειτουργούν τα πράγματα με το ACCEL.
Για υπερσύγχρονη GPU, χρησιμοποιήσαμε το NVIDIA A100, του οποίου η υποτιθέμενη ταχύτητα υπολογισμού φτάνει τα 156 TFLOPS για το float32 (αναφ.
33
). Το ACCEL με OAC δύο επιπέδων (400 × 400 νευρώνες σε κάθε στρώμα OAC) και EAC ενός στρώματος (1.024 × 3 νευρώνες) πέτυχε πειραματικά μια ακρίβεια δοκιμής 82,0% (οριζόντια διακεκομμένη γραμμή στην Εικ.
6δ, ε
). Επειδή το OAC υπολογίζει με παθητικό τρόπο, το ACCEL με OAC δύο επιπέδων βελτιώνει την ακρίβεια σε σχέση με το ACCEL με OAC μιας στρώσης χωρίς σχεδόν καμία αύξηση στον λανθάνοντα χρόνο και στην κατανάλωση ενέργειας (Εικ.
6δ, ε
, μωβ κουκκίδες). Ωστόσο, σε μια εργασία όρασης σε πραγματικό χρόνο, όπως η αυτόματη
οδήγηση
στο δρόμο, δεν μπορούμε να τραβήξουμε πολλαπλές διαδοχικές εικόνες εκ των προτέρων ώστε μια GPU να κάνει πλήρη χρήση της υπολογιστικής της ταχύτητας επεξεργάζοντας πολλαπλές ροές ταυτόχρονα
48
(παρα
δείγματα
ως διακεκομμένες γραμμές στο Σχ.
6δ, ε
). Για την επεξεργασία διαδοχικών εικόνων σε σειρά με την ίδια ακρίβεια, η ACCEL πέτυχε πειραματικά υπολογιστική καθυστέρηση 72 ns ανά καρέ και κατανάλωση ενέργειας 4,38 nJ ανά καρέ, ενώ η NVIDIA A100 πέτυχε καθυστέρηση 0,26 ms ανά καρέ και κατανάλωση ενέργειας 18,5 mJ ανά πλαίσιο.
Πώς το ACCEL και παρόμοια αναλογικά τσιπ τεχνητής νοημοσύνης θα αναδιαμορφώσουν τη βιομηχανία; Λοιπόν, η απάντηση σε αυτήν την ερώτηση αυτή τη στιγμή δεν είναι εύκολη, δεδομένου ότι η υιοθέτηση αναλογικών επιταχυντών τεχνητής νοημοσύνης εξακολουθεί να είναι κάτι για το μέλλον. Αν και οι αριθμοί απόδοσης και τα στατιστικά στοιχεία είναι αρκετά αισιόδοξα, ένα σημαντικό γεγονός που πρέπει να σημειωθεί είναι ότι η «ανάπτυξή» τους στον κλάδο δεν είναι τόσο εύκολη όσο φαίνεται, δεδομένου ότι απαιτεί περισσότερο χρόνο, μεγαλύτερους οικονομικούς πόρους και εις βάθος έρευνα. δουλειά. Ωστόσο, κανείς δεν μπορεί να υποστηρίξει ότι το μέλλον φαίνεται λαμπρό για τους υπολογιστές και είναι μόνο θέμα χρόνου να δούμε τέτοιες επιδόσεις στη βασική βιομηχανία.
Πηγή ειδήσεων:
Tom’s Hardware
VIA:
wccftech.com
