Олимпиада "Наноэлектроника"
Неофициальный сайт

Меню сайта
Категории раздела
Рефераты (курсы КП, ПК, ИТ и Сети) [95]
Рефераты по курсу "Компьютерный практикум", "Применение персональных компьютеров", "Информационная техника" и "Сети ПК" в НИЯУ МИФИ
Аналитика (курсы КП, ПК, ИТ и Сети) [1]
ТЗ учебных проектов [7]
Виртуальные калькуляторы [2]
Пресс-релизы [4]
Материалы по итогам учебных проектов
Наш опрос
Оцените сайт олимпиады
Всего ответов: 121
Статистика

Онлайн всего: 1
Гостей: 1
Пользователей: 0
Главная » Статьи » Публикации студентов МИФИ » Рефераты (курсы КП, ПК, ИТ и Сети)

Системы искусственного интеллекта
СОДЕРЖАНИЕ

Введение 3
1. Microsoft Project Brainwave 4
2. Cerebras Wafer Scale Engine 6
3. Память для систем искусственного интеллекта 7
4. Перспективы: обучаемая память 9
Заключение 10
Список использованных материалов 11

ВВЕДЕНИЕ

Потребность в использовании искусственного интеллекта из года в год становится все больше. От самой рутинной работы до сверхсложных вычислений – всё это мы поручаем современным машинам и сейчас. Но кое-что современные компьютеры еще только учатся делать: анализировать информацию и принимать решения самостоятельно.
В будущем искусственный интеллект, вероятно, будет использоваться практически во всех сферах. Наверное, наиболее важную роль для человека сыграет использование искусственного интеллекта в области медицины. Диагностика заболеваний, сопоставление разрозненных симптомов в общую картину, поиск методов лечения – вот задачи, которые предстоит решать системам искусственного интеллекта.
В области транспорта сейчас разрабатываются так называемые автономные автомобили, способные передвигаться без водителя, а на дорогах появляются управляющие светофорами системы, анализирующие плотность движения и ситуацию на дороге.
Также системы искусственного интеллекта необходимы в промышленном производстве для таких целей, как мониторинг состояния оборудования, проверка качества, закупка необходимых материалов и прочие.
Самые свежие примеры проектов систем искусственного интеллекта: Cerebras Wafer Scale Engine и Microsoft Brainwave, базовая функция которых - ускорение вычислений в режиме реального времени.
А по мере того как исследователи пытаются проектировать все более сложные системы, изменения приходится вносить и в конструкцию памяти. От характеристик памяти зависит, насколько быстро и точно система сможет обрабатывать информацию, поэтому это направление сейчас также очень важно.  

1. MICROSOFT PROJECT BRAINWAVE.

Проект Microsoft Project Brainwave - это аппаратная архитектура, разработанная для ускорения вычислений, выполняемых искусственным интеллектом в реальном времени.
В Project Brainwave используются FPGA микросхемы производства Intel, позволяющие производить анализ методами искусственного интеллекта в режиме реального времени. Предварительная версия проекта интегрирована с платформой машинного обучения Azure Machine Learning.
Впервые предложил использовать FPGA (программируемые логические интегральные схемы, ПЛИС) для повышения эффективности вычислений Дуг Бюргер, руководитель исследовательской группы в Microsoft. Аппаратную архитектуру Project Brainwave можно быстро совершенствовать, перепрограммируя ПЛИС с учетом изменений в динамично развивающихся алгоритмов искусственного интеллекта, тогда как другое оборудование приходится полностью обновлять, что может занимать месяцы или годы.
Компания Jabil сотрудничает с Microsoft, изучая, какие возможности открывает Project Brainwave по использованию искусственного интеллекта для быстрого сканирования и точного контроля качества продукции. Более точная система анализа позволит освободить сотрудников, вручную ищущих дефекты, для выполнения более сложных задач. Кроме прочего, Jabil ищет способы использования искусственного интеллекта для определения приближающихся сроков обслуживания производственных систем, чтобы сокращать время простоя.
Предварительная версия Microsoft Brainwave позволяет распознавать изображения максимально быстро. Проект работает на основе TensorFlow – это один из наиболее распространенных вычислительных инструментов для искусственного интеллекта, использующий для работы глубокие нейронные сети.
Следующий проект Project Catapult, Microsoft запустила совместно с партнерами — разработчиками поисковой системы Bing и облачной платформы Azure. Инженеры, работающие над Bing, постоянно ищут способы улучшить качество поиска, обеспечить максимально быструю выдачу результатов, тогда как объем и сложность данных, которые приходится обрабатывать поисковой системе, только растут.
С помощью FPGA разработчикам удалось встроить в Bing поисковые технологии на основе глубоких нейронных сетей и значительно ускорить выдачу результатов поиска. Кроме того, микросхемы FPGA используются и для ускорения работы облачных сетей Azure.
Для многих потребителей самое большое преимущество Project Brainwave — это возможность использовать ИИ для анализа данных по мере их поступления в режиме реального времени.
Другое применение Project Brainwave нашла компания Esri, разрабатывающая продукты для геопространственного анализа данных (обработка трафика, чтобы разделять пространство по различным категориям и прогнозировать, когда будет большой поток транспортных средств на дороге).
Проекты компании требуют анализа больших объемов разнородных данных, полученных из таких источников как: спутниковая съемка, видеонаблюдение, датчики. Использование искусственного интеллекта позволяет за короткий промежуток времени выполнять глубокий и точный анализ и получать больше результатов, в сравнении с другими инструментами.
С улучшением продуктов Esri на основе искусственного интеллекта, потребности в обработке больших объемов данных в реальном времени только увеличиваются. Например, компания может извлекать информацию из тысяч видеопотоков для выявления шаблонов и аномалий дорожного движения. Другой пример — анализ данных спутниковой съемки для обнаружения различных объектов, таких как поврежденные дома. Поэтому Esri обсуждает с Microsoft возможности использования Project Brainwave для более эффективного и экономичного анализа данных в реальном времени.

2. CEREBRAS WAFER ENGINE

Чип, созданный Cerebras Systems, ломает все стереотипы: эта компания представила самый большой в мире чип Cerebras Wafer Scale Engine для искусственного интеллекта, который состоит из 1,2 трлн транзисторов.
Процессор предназначен для выполнения компьютерных программ по параллельным алгоритмам при решении задач машинного обучения и искусственного интеллекта. В перспективе он сможет сократить время, необходимое сегодня для обработки данных, с нескольких месяцев до нескольких минут.
Кристалл размером 203×229 мм содержит 400 тыс. ИИ-оптимизированных вычислительных ядер и 18 ГБ встроенной памяти SRAM (static random access memory), технология: 16нм. Cerebras в 56 раз крупнее самого мощного серверного графического процессора NVIDIA.
На изготовление одного процессора уходит целая 300-мм пластина. В отличие от обычного метода травления отдельных чипов на пластине, Cerebras использует всю пластину в качестве единого массивного чипа, что позволяет отдельным ядрам соединяться друг с другом напрямую.
Чтобы справиться с неизбежными производственными дефектами, которые возникают при изготовлении такого огромного чипа, компания добавила дополнительные ядра в качестве резервных копий. Для выпуска Cerebras компании TSMC пришлось адаптировать своё оборудование для производства: энергопотребление чипа составляет 15 кВт и для его охлаждения пришлось установить несколько вертикальных тепловых трубок с жидкостью.
Чип Cerebras ― это фактически суперкомпьютер на чипе с высокой пропускной способностью, минимальным потреблением и эффективным параллелизмом. Общая производительность процессора: 100 Пб/с. Пропускная способность памяти достигает 9 Пбайт/с. Иерархия памяти одноуровневая. Кеш-памяти нет, перекрытия нет, задержки обращения минимальные.
Вычислительные ядра Cerebras ― SLAC (Sparse Linear Algebra Cores) ― полностью программируемые и могут быть оптимизированы для работы с любыми нейронными сетями. Более того, архитектура ядер изначально фильтрует данные, освобождая вычислительные ресурсы от необходимости проводить холостые операции умножения на ноль, что означает ускорение расчётов и предельную энергоэффективность.
Данный процессор может стать отличным решением для машинного обучения, которое позволит решать задачи чрезвычайной сложности. В сравнении с современными графическими ядрами чип Cerebras обеспечивает в 3000 раз больший объём памяти и в 10000 большую скорость обмена с памятью.
Cerebras Systems планирует поставлять процессор в составе более сложного устройства с системой жидкостного охлаждения, но пока сложно сказать, будет ли такое предложение пользоваться спросом.

3. ПАМЯТЬ ДЛЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Одна из важнейших функциональных составляющих систем ИИ – память. Для того, чтобы система была максимально эффективна, необходимо обеспечить её накопителем, способным быстро и точно выполнять все необходимые операции.
Индустрия полупроводниковой электроники демонстрирует быструю эволюцию технологий памяти. Новые виды памяти - это двигатели прогресса в электронике, благодаря которым для нас стали доступными достаточного уровня производительности персональные компьютеры, консоли, мобильные устройства и прочие устройства.
Сейчас основное направление работы – повышение пропускной способности и энергоэффективности памяти, что позволит достигнуть еще большей производительности, а для систем ИИ это означает стать еще быстрее, еще «умнее» и еще эффективнее.
Процессы, выплняемые системами искусственного интеллекта, очень требовательны к памяти, особенно, когда речь идет о глубоком обучении. Искусственный интеллект имеет дело с гигабайтами информации, выполняет сложнейшие математические операции: на практике он уже хорошо показал себя в решении задач классификации, разпознавания изображений и прочее. И главная цель разработчиков - обеспечить умным системам достаточно ресурсов для получения быстрых и точных результатов.
Однако существуют некоторые ограничения. В архитектуре фон Неймана данные из памяти хранения последовательно отправляются в оперативную память, что приводит к временным задержкам и большему расходу энергии (von Neumann "bottleneck" – рис.1). С данной проблемой сталкиваются при разработке большинства новых аппаратур для искусственного интеллекта, и это явление проявляется особенно остро, когда целью разработки является ускорение работы нейронных сетей.


Рис.1 – Von Neuman “Bottleneck”

Сейчас в системах ИИ используются в основном следующие виды памяти: on-chip, HBM и GDDR SDRAM.


Рис.2 – Характеристики основных архитектур памяти

Microsoft Brainwave и Cerebras – примеры применения on-chip memory. Её преимущество: высокая пропускная способность и хорошая энергоэффективность (характеристики - рис.2). А подход разработчиков Cerebras, согласно анонсам, и вовсе позволил достигнуть пропускной способности 9 ПБ/с (пета = 1015). Что касается недостатков: малый объем – всего несколько сотен МБ.
Следующий вариант – графическая память. GDDR обеспечит для систем ИИ высокую пропускную способность: 256 Гб/с, больший объём памяти (несколько ГБ), и большим плюсом (например, относительно HBM) можно назвать хорошо освоенную технологию: этот вид памяти существует уже около двух десятилетий. Недостатки использования GDDR: высокое энергопотребление.
И наконец, самая новая архитектура: High-Bandwidth Memory. Этот тип памяти обеспечивает очень высокую пропускную способность (300-600 ГБ/с) за счет использования параллельных потоков данных. При этом энергоэффективность HBM держится на хорошем уровне, для работы необходимо напряжение порядка 1,3 В. Также плюсом HBM можно назвать её габариты: по сравнению с GDDR5 HBM способна вместить такой же объем памяти, занимающий на 94% меньше пространства. Недостаток – достаточно сложная и затратная технология.
Примеры использования HBM: NVIDIA Tesla V100 - GPU для дата-центров, предназначенный для ускорения искусственного интеллекта, HPC (high performance computing) и графики, суперкомпьютеры Post-K и NEC SX-Aurora (назначение - ускорение вычислительных приложений, в частности, научного и инженерного моделирования, полагающегося на использование арифметики с двойной точностью). 

4. ПЕРСПЕКТИВЫ: ОБУЧАЕМАЯ ПАМЯТЬ

Немного о будущих перспективах. Интересным вектором развития в области ИИ может стать разработка «обучаемой памяти» на основе мемристоров, что поможет создать вычислительную технику совершенно нового типа.
Мемристор – элемент, способный изменять своё сопротивление в зависимости от протекавшего через него заряда. Возможность использовать его в качестве элемента памяти обусловлено явлением гистерезиса. Именно мемристоры способны помочь системам ИИ будущего лучше понимать данные и извлекать из них дополнительную пользу.
Мемристоры отлично подходят для моделей машинного обучения: они поддерживают шаблонное прогнозирование и позволяют выявлять тенденции на основе обработки больших объемов информации.
Уже сейчас компания HP планирует использовать мемристоры в компьютере нового типа The Machine, где они заменят как оперативную память, так и память хранения. В компании Knowm мемристоры проектируются по образу человеческого мозга, в котором синапсы, соединяющие два нейрона, становятся тем сильнее, чем чаще по ним проходит сигнал. Подобно этому чем больший сигнал проходит через мемристор, тем лучше его пропускная способность.


ЗАКЛЮЧЕНИЕ

В будущем искусственный интеллект, вероятно, будет использоваться человеком практически во всех сферах жизни: промышленность, медицина, сельское хозяйство, дорожное движение, Internet of Things и т.д.
Уже сейчас нашли своё применение в промышленном производстве проекты, как Cerebras Wafer Scale Engine и Microsoft Brainwave, базовая функция которых - ускорение вычислений в режиме реального времени, которые на практике помогают с такими задачами как отслеживание аномалий, контроль за качеством продукции, обработка видеоматериала и т.д.
Также чрезвычайно важно сейчас совершенствование конструкций памяти для систем искусственного интеллекта. От характеристик памяти зависит, насколько быстро и точно система сможет обрабатывать информацию. Сегодня разработчики систем искусственного интеллекта делают выбор между тремя основными видами памяти: on-chip memory, HBM и GDDR SDRAM.
Существующие конструкции памяти в настоящее время обеспечивают системам искусственного интеллекта высокий уровень производительности, однако в перспективе возможно создание «обучаемой» памяти на основе мемристоров – памяти, способной выполнять одновременно функции оперативной памяти и памяти хранения, помогающей системе лучше обрабатывать информацию, выявлять закономерности и делать качественные прогнозы.
Очевидно, перспективы использования искусственного интеллекта огромны, поэтому это направление настолько востребовано. Искусственный интеллект – это наше будущее. И, возможно, оно уже намного ближе, чем нам кажется.

СПИСОК ИСПОЛЬЗОВАННЫХ МАТЕРИАЛОВ

1. https://news.microsoft.com/ru-ru/features/project-brainwave/, 17.05.2018.
2. https://3dnews.ru/992698, 20.08.2019, Г.Детинич.
3. https://www.osp.ru/news/articles/2016/04/13048311/, 02.02.2016, А.Шах.
4. https://semiengineering.com/breaking-down-t...all/,12.09.2019, S.Woo.
5. https://itc.ua/news/predstavlen-krupnejshij-v-mire-chip-cerebras-wafer-scale-engine-i-pervyj-sostoyashhij-iz-trilliona-tranzistorov/, 21.08.2019, И.Мозуль.
6. White Paper on AI Chip Technologies, 2018.
Категория: Рефераты (курсы КП, ПК, ИТ и Сети) | Добавил: verafrantsuzova (22.12.2019) | Автор: Французова В.П.
Просмотров: 194 | Рейтинг: 0.0/0
Всего комментариев: 0
Добавлять комментарии могут только зарегистрированные пользователи.
[ Регистрация | Вход ]
Форма входа
Поиск
Друзья сайта