«یادگیری عمیق» با تراشه جدید IBM

محققان مؤسسه IBM نخستین تراشه جدید شتاب دهنده هوش مصنوعی را طراحی کرده‌اند که می‌تواند علاوه بر ارتقای فناوری یادگیری عمیق (deep learning)، میزان مصرف انرژی را نیز تا حد زیادی کاهش دهد. این تراشه ۷نانومتری و چهار هسته‌ای، می‌تواند مدل‌های مختلف هوش مصنوعی را حمایت کند. به گفته محققان این مؤسسه، به موازات افزایش پیچیدگی مدل‌های گوناگون هوش مصنوعی، سخت افزار‌ها برای ادامه کار و پردازش دیتا و اطلاعات نیاز به انرژی زیادی دارند، اما این شتاب دهنده‌های سخت‌افزاری هوش مصنوعی بدون نیاز به مقادیر بالای انرژی، می‌توانند در محیط‌های ابری هیبریدی فعالیت کنند.

به گزارش ایران، شتاب دهنده‌های هوش مصنوعی درواقع سخت افزار‌هایی محسوب می‌شوند که عملکرد الگوریتم‌ها را افزایش می‌دهند و می‌توانند عملکرد مدل‌های مختلف هوش مصنوعی را سرعت بخشند. این تراشه‌ها همچنین می‌توانند در کامپیوتر‌های دیداری یا کامپیوتر‌هایی که زبان را پردازش می‌کنند و نیاز به داده‌ها و اطلاعات بسیار زیادی دارند نیز بر نتیجه مطلوب کار تأثیر زیادی داشته باشند.

محققان مؤسسه IBM در جدیدترین تراشه شتاب دهنده هوش مصنوعی خود به موضوع مقابله با گرمایش کره زمین و کاهش میزان انتشار گاز‌های گلخانه‌ای نیز توجهی ویژه داشته‌اند و به‌همین دلیل هم در محصول خود همه تلاششان را به کار گرفته‌اند تا کمترین میزان کربن را در مراحل پردازش کار تولید کنند.

محور و اصل چالش موجود در فناوری که بتازگی این محققان ارائه داده‌اند، این است که درنهایت به یک فناوری دست یابند که به انرژی زیادی احتیاج نداشته باشد و حفاظت از محیط زیست را نیز در کانون توجه قرار دهد. یکی از راهکار‌هایی که محققان برای انجام این کار مورد استفاده قرار دادند، بهره گرفتن از تکنیک‌هایی خاص برای کاهش دقت در تراشه‌های شتاب دهنده است. آن‌ها اعتقاد دارند که از این طریق می‌توان آموزش یادگیری عمیق و ماشینی را تقویت کرد، در حالی که زمان و انرژی مورد نیاز برای آموزش یک مدل هوش مصنوعی به‌طرز قابل توجهی کاهش یابد.

ازآنجا که تراشه شتاب دهنده مجهز به‌ویژگی مدیریت برق یکپارچه است می‌تواند عملکرد خود را به حداکثر برساند، به‌عنوان مثال سرعت در مراحل محاسبات با مصرف زیاد انرژی را کاهش دهد. تراشه جدید ارائه شده توسط محققان مؤسسه IBM درواقع برای آموزش با دقت کم بسیار بهینه شده است. این نخستین تراشه سیلیکونی است که از یک تکنیک با دقت بسیار کم به‌نام قالب ترکیبی FP۸ استفاده می‌کند و یک روش آموزش هشت بیتی است که توسط موسسه Big Blue ایجاد شده و عملاً دقت مدل را در برنامه‌های یادگیری عمیق مانند طبقه‌بندی تصویر یا تشخیص گفتار و جسم حفظ می‌کند.

این تراشه همچنین از کاربرد بالایی برخوردار است و آزمایشات محققان مؤسسه IBM نشان می‌دهد که این تراشه برای استفاده در آموزش موفقیتی بیش از ۸۰ درصد کسب کرده که این رقم بسیار بیشتر از استفاده معمولی GPU است. درواقع هم سطح عملکرد هوش مصنوعی تراشه‌های آموزشی بالاتر می‌رود و هم میزان مصرف انرژی نسبت به نمونه‌های مشابه تا حد زیادی کاهش می‌یابد.

محققان اکنون امیدوارند که این طرح‌ها بتوانند برای حمایت از کاربرد‌های پیچیده هوش مصنوعی و به‌صورت تجاری استفاده شوند که از آن‌ها می‌توان به مدل‌های آموزش عمیق در مقیاس بزرگ در فضای ابری ازجمله خدمات گفتاری و متن هوش مصنوعی، تشخیص تقلب در معاملات مالی و... اشاره کرد. از این فناوری جدید IBM همچنین می‌توان در وسایل نقلیه، دوربین‌های امنیتی و تلفن‌های همراه استفاده کرد تا انرژی کمتری مصرف شود.