4 ژانویه 2021 موسسه علوم و فناوری Daegu Gyeongbuk
دانشمندان DGIST در کره و UC Irvine سن دیگو در ایالات متحده ، نوعی معماری رایانه ای ایجاد کرده اند که الگوریتم های یادگیری ماشینی بدون نظارت را سریعتر پردازش می کند ، در حالی که انرژی بسیار کمتری نسبت به واحد های پیشرفته پردازش گرافیک مصرف می کند. کلید پردازش داده ها در جایی است که در حافظه رایانه و در یک قالب کاملاً دیجیتالی ذخیره می شود. محققان معماری جدید را با نام DUAL درسال 2020 و ۵۳ امین سمپوزیوم بین المللی IEEE / ACM در ریز معماری ارائه دادند.
یسئونگ کیم از موسسه علوم و فناوری Daegu Gyeongbuk (DGIST) ، که هدایت این برنامه را بر عهده داشت ، می گوید: “برنامه های رایانه ای امروز مقدار زیادی داده تولید می کنند که باید توسط الگوریتم های یادگیری ماشینی پردازش شوند.”
یادگیری ماشینی “بدون نظارت” قدرتمند شامل آموزش الگوریتمی برای شناسایی الگوها در مجموعه داده های بزرگ بدون ارائه نمونه های برچسب زده شده برای مقایسه است. یک روش محبوب الگوریتم خوشه بندی است ، که داده های مشابه را در طبقات مختلف گروه بندی می کند. این الگوریتم ها برای طیف گسترده ای از تجزیه و تحلیل داده ها ، مانند شناسایی اخبار جعلی در شبکه های اجتماعی ، فیلتر کردن نامه های ناخواسته و شناسایی فعالیت های مجرمانه یا کلاهبرداری بصورت آنلاین مورد استفاده قرار می گیرند.
دانشمندان به دنبال پردازش رویکردهای حافظه (PIM) برای حل این مشکلات بوده اند. اما بیشتر معماری های PIM مبتنی بر آنالوگ هستند و به مبدل های آنالوگ به دیجیتال و دیجیتال به آنالوگ نیاز دارند که مقدار زیادی از قدرت و مساحت تراشه کامپیوتر را می گیرند. آنها همچنین با یادگیری ماشینی تحت نظارت ، که شامل مجموعه داده های دارای برچسب برای آموزش الگوریتم است ، بهتر کار می کنند.
برای غلبه بر این مسائل ، یسئونگ كیم از موسسه علوم و فناوری Daegu Gyeongbuk (DGIST) و همكارانش DUAL را توسعه دادند كه مخفف شتاب یادگیری بدون نظارت مبتنی بر دیجیتال است. DUAL محاسبات داده های دیجیتالی ذخیره شده در حافظه کامپیوتر را امکان پذیر می کند. این کار با نگاشت تمام نقاط داده در فضای با ابعاد بالا کار می کند. نقاط داده ای را ذخیره می کندکه در بسیاری از نقاط مشابه مغز انسان ذخیره شده اند.
کیم می گوید: “برنامه های رایانه ای امروزی مقدار زیادی داده تولید می کنند که باید توسط الگوریتم های یادگیری ماشین پردازش شوند.” “اما اجرای الگوریتم های خوشه بندی روی هسته های سنتی منجر به مصرف زیاد انرژی و پردازش کند می شود ، زیرا مقدار زیادی داده باید از حافظه کامپیوتر به واحد پردازش آن منتقل شود ، جایی که وظایف یادگیری ماشین در آنجا انجام می شود.”
دانشمندان دریافتند که DUAL با استفاده از طیف گسترده ای از مجموعه داده های مقیاس بزرگ ، بسیاری از الگوریتم های خوشه بندی را سرعت می بخشد و در مقایسه با واحد پیشرفته پردازش گرافیک ، بهره وری انرژی را به طور قابل توجهی بهبود می بخشد. محققان معتقدند این اولین معماری PIM مبتنی بر دیجیتال است که می تواند یادگیری ماشینی بدون نظارت را تسریع کند.
کیم می گوید: “رویکرد موجود در زمینه پیشرفته ترین محاسبات حافظه ، متمرکز بر تسریع در اجرای الگوریتم های یادگیری تحت نظارت از طریق شبکه های عصبی مصنوعی است که هزینه طراحی تراشه را افزایش می دهد و ممکن است کیفیت یادگیری کافی را تضمین نکند.” “ما نشان دادیم که ترکیب محاسبات بیش از اندازه و حافظه می تواند ضمن تأمین دقت کافی ، کارایی را بهبود ببخشد.” https://techxplore.com
