Невронен чип прави ИИ по-бърз и по-ефективен
Разработката на MIT ще откри приложение в смарт телефоните
Невронните мрежи се употребяват за типични неща като различаване на тирада и фотообработка
Чип, основан на невронни мрежи, понижава потреблението на сила с 95 % спрямо обичайните си аналози. Това го прави съвършен за потребление в устройства, работещи на акумулатори, като мобилни телефони и таблети. Технологията дава опция тези устройства да се възползват оптимално от комплицираните системи, основани на невронни мрежи. Разработката е на учени от Масачузетския софтуерен институт.
Невронните мрежи се състоят от голям брой съществени, взаимносвързани осведомителни процесори. Обикновено тези мрежи се учат по какъв начин да извършват задания посредством анализиране на огромни набори от данни и прилагайки това към нови задания. Те се употребяват за типични неща като различаване на тирада, фотообработка, както и за по-нови задания като възпроизвеждане на това, което мозъкът действително вижда, и други
Проблемът е, че невронните мрежи са огромни и употребяват огромно количество сила. Мрежите, използвани за телефон, би трябвало да са по-малки – и заради това техните благоприятни условия на процедура са мощно лимитирани. За да се реализира понижаване на употребяваната сила, в новия чип на MIT скоростта на пресмятане на невронните мрежи е увеличена от 3 до 7 пъти спрямо предходните генерации чипове.
зследователите са опростили логаритмите на машинното образование в невронните мрежи до една единствена точка, наречена дот-продукт. Тя включва всички придвижвания напред и обратно на другите възли в невронната мрежа и отстрани нуждата да се предават данните напред и обратно до паметта, както е в предходните модели. Новият чип може да пресмята дот-продукти за голям брой възли (16 възела в прототипа) в една стъпка, вместо да се изпращат суровите данни от всяко пресмятане сред процесора и паметта.
Според вицепрезидента на IBM за изкуствения разсъдък Дарио Джил, това е голяма стъпка напред. “Резултатите са впечатляващи и това сигурно ще отвори опцията за потребление на по-сложни невронни мрежи за категоризиране на изображения и видеоклипове в региона на Интернет на нещата в бъдеще”.
Невронните мрежи се употребяват за типични неща като различаване на тирада и фотообработка
Чип, основан на невронни мрежи, понижава потреблението на сила с 95 % спрямо обичайните си аналози. Това го прави съвършен за потребление в устройства, работещи на акумулатори, като мобилни телефони и таблети. Технологията дава опция тези устройства да се възползват оптимално от комплицираните системи, основани на невронни мрежи. Разработката е на учени от Масачузетския софтуерен институт.
Невронните мрежи се състоят от голям брой съществени, взаимносвързани осведомителни процесори. Обикновено тези мрежи се учат по какъв начин да извършват задания посредством анализиране на огромни набори от данни и прилагайки това към нови задания. Те се употребяват за типични неща като различаване на тирада, фотообработка, както и за по-нови задания като възпроизвеждане на това, което мозъкът действително вижда, и други
Проблемът е, че невронните мрежи са огромни и употребяват огромно количество сила. Мрежите, използвани за телефон, би трябвало да са по-малки – и заради това техните благоприятни условия на процедура са мощно лимитирани. За да се реализира понижаване на употребяваната сила, в новия чип на MIT скоростта на пресмятане на невронните мрежи е увеличена от 3 до 7 пъти спрямо предходните генерации чипове.
зследователите са опростили логаритмите на машинното образование в невронните мрежи до една единствена точка, наречена дот-продукт. Тя включва всички придвижвания напред и обратно на другите възли в невронната мрежа и отстрани нуждата да се предават данните напред и обратно до паметта, както е в предходните модели. Новият чип може да пресмята дот-продукти за голям брой възли (16 възела в прототипа) в една стъпка, вместо да се изпращат суровите данни от всяко пресмятане сред процесора и паметта.
Според вицепрезидента на IBM за изкуствения разсъдък Дарио Джил, това е голяма стъпка напред. “Резултатите са впечатляващи и това сигурно ще отвори опцията за потребление на по-сложни невронни мрежи за категоризиране на изображения и видеоклипове в региона на Интернет на нещата в бъдеще”.
Източник: technews.bg
КОМЕНТАРИ