به گزارش ساوت چاینا مورنینگ پست، با گسترش کاربرد مدلهای هوش مصنوعی در حوزههای مختلف، تقاضا برای توان پردازشی نیز بهطور مستمر افزایش یافته است. راهکار متداول تاکنون استفاده از تعداد بیشتری پردازنده گرافیکی (GPU) و احداث مراکز داده بزرگتر بوده است؛ رقابتی که مصرف انرژی و هزینههای محاسباتی را بهطور چشمگیری افزایش داده است.
اما مطالعه جدیدی از دانشگاه پکن مسیر متفاوتی را پیشنهاد میکند. پژوهشگران نشان دادهاند که با اتصال نوری تراشهها و طراحی الگوریتمهای اختصاصی، میتوان سرعت استنتاج هوش مصنوعی را بیش از ۱۰۰ برابر افزایش داد، در حالی که تنها از یکنهم منابع پردازشی مورد نیاز سامانههای متعارف استفاده میشود.
در این سامانه، بلوکهای اصلی از تراشههای FPGA تشکیل شدهاند؛ تراشههای قابل برنامهریزی که به دلیل قابلیت پردازش موازی بالا، در حوزههایی مانند هدایت موشک، رانندگی خودران و مراکز داده کاربرد گستردهای دارند.
برای اتصال این تراشهها، پژوهشگران دو قطعه سختافزاری اختصاصی طراحی کردند:
- یک تراشه فرستنده-گیرنده فوتونیکی سیلیکونی با سرعت ۴۰۰ گیگابیت بر ثانیه که وظیفه تبدیل سیگنالهای الکتریکی به نوری و بالعکس را بر عهده دارد؛
- یک تراشه سوئیچ نوری ۱۶×۱۶ که مانند یک مسیریاب عمل کرده و امکان برقراری هر نوع اتصال میان ۱۶ ورودی و ۱۶ خروجی را فراهم میکند.
محققان با اتصال موازی پنج تراشه FPGA، وظیفه حذف نویز از تصاویر را روی یک مجموعه داده اختصاصی اجرا کردند. این سامانه توانست هزار تصویر ۳۲٬۷۶۸ بیتی را تنها در ۱۰۵٫۱۶ میکروثانیه پردازش کند.
برای مقایسه، همین وظیفه روی یک پردازنده گرافیکی تجاری با توان ۱۶٫۹۶ ترافلاپس نیز اجرا شد. این GPU عملیات را در ۱۵٫۶ میلیثانیه به پایان رساند؛ به این ترتیب، سامانه مبتنی بر FPGA تقریباً ۱۵۰ برابر سریعتر عمل کرد.
در عین حال، مجموع توان محاسباتی پنج تراشه FPGA تنها حدود ۱٫۹۶۹ ترافلاپس بود؛ یعنی کمتر از یکنهم توان پردازشی GPU مورد استفاده.
این برتری عمدتاً ناشی از مزایای ذاتی ارتباطات نوری است.
نخست اینکه میزان تلفات سیگنال در تراشه سوئیچ نوری کمتر از ۵ دسیبل است و همین موضوع امکان انتقال داده با سرعت بالا و بدون خطا را، بدون نیاز به تجهیزات تقویتکننده نوری، فراهم میکند.
مزیت مهمتر آن است که در سامانههای متداول مبتنی بر GPU، هنگام اجرای شبکههای عصبی، در هر لایه حجم زیادی از نتایج میانی یا Feature Map تولید میشود که باید بهطور مداوم در حافظه ذخیره و دوباره بازیابی شوند. همچنین هر لایه باید تا پایان پردازش لایه قبلی منتظر بماند و در نتیجه بخشی از توان پردازشی بلااستفاده باقی میماند.
در مقابل، در معماری مبتنی بر ارتباطات نوری، خروجی هر لایه مستقیماً به لایه بعدی منتقل میشود؛ مشابه یک خط تولید پیوسته که بدون مراجعه مکرر به حافظه، همه تراشهها را بهصورت همزمان و بدون وقفه درگیر پردازش نگه میدارد.
این پژوهش بر یک نکته مهم تأکید میکند: در رقابت فزاینده برای افزایش توان پردازشی هوش مصنوعی، افزودن تعداد بیشتری تراشه لزوماً بهترین راهکار نیست، بلکه اتصال هوشمندانهتر تراشهها میتواند نتایج بسیار مؤثرتری به همراه داشته باشد.
با طراحی همزمان الگوریتمها، ریزمعماری پردازندهها و شیوه اتصال تراشهها، میتوان اهداف مشخص را حتی با منابع محاسباتی محدود نیز محقق کرد.
این معماری میتواند مصرف انرژی مراکز داده را به میزان قابل توجهی کاهش دهد و در عین حال زمان تأخیر و مصرف انرژی را در کاربردهای رایانش لبه نیز بهینه کند.
منبع: scmp
