Get Adobe Flash player

 Чип MIT сократил энергопотребление нейросети на 95%

Просмотров: 1920


Чип MIT сократил энергопотребление нейросети на 95%
 
 
Искусственная нейронная сеть, по структуре и принципу работы похожа на биологические нейронные сети, но она имеет один существенный недостаток - потребляет слишком много энергии. Инженеры-энергетики из Массачусетского технологического института (далее  MIT) сумели создать новую микросхему, которая при тех же технических параметрах потребляет электроэнергии на 95% меньше. В перспективе подобные чипы смогут работать даже на мобильных гаджетах  с питанием от батарей. Характеристики современных смартфонов стремительно улучшаются, в них появляется все больше программ, связанных с искусственным интеллектом. Например, перевод с иностранных языков в реальном времени или, т.н. виртуальные ассистенты. Обработка данных производится с помощью нейронных сетей в облаке, а программное обеспечение смартфонов осуществляет только передачу данных в обоих направлениях.
 
Такой метод далеко не идеальный, он требует наличия высокоскоростного коммуникационного канала, а нужные данные должны передаваться и храниться в облаке, за пределами досягаемости пользователя. Искусственные нейросети, управляемые графическими процессорами, нуждаются в большом объеме электроэнергии, потребляемой в процессе обработки информации. Поэтому функционирование нейросетей невозможно осуществить в девайсе с небольшим литиевым аккумулятором

Определенный прорыв произошел после изобретения инженерами MIT уникального чипа, уменьшающего энергопотребление на 95%. Добиться такого результата помогло существенное уменьшение необходимости передачи данных туда-обратно между процессорами и памятью чипа.


Что такое нейронная сеть? Это сотни тысяч искусственных нейронов взаимосвязанных между собой и расположенных слоями. Элементарный нейрон получает необходимые входные данные от нескольких нейронов из слоя расположенного ниже, а после преодоления определенного порога происходит передача информации нейронам, расположенным выше. Уровень связей между нейронами определяется величиной их «веса», который возникает в процессе обучения.

Недостаток этого метода вычислений заключается в многократной передаче данных туда-обратно, на что уходит слишком много энергии. Ведь для  каждого нейрона чип извлекает вводные данные, причем для определенного соединения, кроме того, его «вес» нужно также извлечь из памяти. Получив данные нужно их перемножить, сохранить результат. Процесс повторяется для каждого ввода. Естественно, что многократное перемещение данных требует много энергии.


Недавно появившийся чип от MIT работает на совершенно ином принципе, он производит передачу данных параллельно, используя аналоговые схемы. Параллельная обработка радикально уменьшает объем информации для повторного перемещения, что, в конечном итоге, экономит энергию.

Для реализации этого метода необходим бинарный вес соединений. Но теоретические научные работы доказали, что даже при диапазонном значении влиянием на точность можно пренебречь. Проведенные на практике тесты показали максимальное расхождение до 3%, при сравнении со стандартным вариантом нейронной сети, под управлением обычного ПК.

Микросхемы, в которых процессы обработки производились в памяти, снижая общее энергопотребление нейросети, создавались и раннее, но впервые этот метод был применен практически в работе мощной нейросети, используемой для обработки изображений.

Полученные результаты документально подтверждают эффективность внедрения свертки операций в массиве памяти, подчеркнул Дарно Джил, вице-президент компании IBM. Эти достижения открывают путь для создания уникальных сверточных нейтронных сетей, которые будут классифицировать изображения и обрабатывать видео в сети Интернета совсем скоро.


Дата публикации:  30-06-2018, 10:43

Кабинет поиска книг



 
 

Блок последних новостей

  • Яркие игрушки в магазине онлайн

  • Растёт семья растут и дети! Такой девиз каждого дома, где появился ребенок. Наши дети – это...

  • Правильный поиск агентства недвижимости в Киеве

  • В нелегких ситуациях мы стараемся найти выход из положения. Нередко мы задумываемся о размене или...

  • Мы в FaceBook

    Мы Вконтакте

    Мы в Одноклассниках


    Карта сайта