سرویس دانش و فناوری جوان آنلاین- رضا محمدی(مترجم): گروهی از محققان یک رویکرد طراحی هماهنگ سختافزار- نرم افزار عصبی را توسعه دادهاند که میتواند آموزش شبکههای عصبی را بهینهتر و سریعتر انجام دهد. کار آنها میتواند یک روز امکان آموزش شبکههای عصبی را در دستگاههای کم قدرت مانند گوشیهای هوشمند، لپتاپها و دستگاههای ثابت فراهم کند.
آموزش شبکههای عصبی برای انجام وظایفی مانند تشخیص اشیا، حرکت اتومبیلهای خودران یا بازیهایی که انرژی و زمان زیادی را صرف محاسبات میکند، است. رایانههای بزرگ با صدها تا هزار پردازنده معمولاً نیازمند یادگیری این وظایف هستند و زمان آموزش میتواند یک هفته تا چند ماه باشد. محققان میگویند ما در حال حل این مشکل از دو جهت هستیم - دستگاه و الگوریتمها - برای به حداکثر رساندن بهرهوری انرژی در طول آموزش شبکه عصبی.
جزء سخت افزاری نوعی فناوری حافظه غیرقابل انعطاف است که بسیار از نظر انرژی کارآمد است و یک رم رسانای اتصالی با ساب کوانتوم ۵۱۲ کیلوبایتی. این دستگاه ۱۰ تا ۱۰۰ برابر انرژی کمتری از فناوریهای برجسته حافظه امروز استفاده میکند. این دستگاه مبتنی بر فناوری حافظه CBRAM Adesto است که به طور عمده به عنوان یک دستگاه ذخیرهسازی دیجیتال که تنها دارای حالتهای صفر و یک است استفاده میشد، اما کوزوم و افراد آزمایشگاه او نشان دادند میتوان آن را برنامهریزی کرد تا حالتهای مختلف آنالوگ را داشته باشد و در مغز انسان سیناپس بیولوژیکی را شبیهسازی کند. این به اصطلاح دستگاه سیناپسی میتواند برای انجام محاسبات در حافظه برای آموزش شبکه عصبی استفاده شود. به گفته کوزوم حافظه در تراشه در پردازندههای معمولی بسیار محدود است، بنابراین آنها ظرفیت کافی هم برای انجام محاسبات و هم برای ذخیرهسازی روی یک تراشه را ندارند، اما در این روش، ما یک آرایه حافظه با ظرفیت بالا داریم که میتواند محاسبات مربوط به آموزش شبکه عصبی در حافظه را بدون انتقال داده به یک پردازنده خارجی انجام دهد. این امر باعث افزایش کارآیی و کاهش مصرف انرژی در طول تمرین میشود.
این رویکرد از نوعی شبکه عصبی به صرفه در مصرف انرژی به نام شبکه عصبی اسپایکس برای اجرای آموزش غیرمسئولانه در سخت افزار استفاده میکند. گذشته از این تیم کوزوم با الگوریتمی به صرفه، انرژی دیگری را به کار میگیرند که به آن «هرس نرم» گفته میشود که باعث میگردد آموزش شبکههای عصبی بسیار کارآمد و بدون فدا کردن دقت باشد.
از لحاظ صرفهجویی در انرژی، محققان برآورد میکنند روش طراحی سختافزار- نرم افزار مربوط به اعصاب، میتواند درنهایت استفاده انرژی حین آموزش شبکه عصب را کاهش دهد. کوزوم و تیمش قصد دارند با شرکتهای فناوری حافظه برای پیشبرد این کار به مراحل بعدی همکاری کنند. هدف نهایی آنها توسعه سیستم کاملی است که در آن شبکههای عصبی را میتوان در حافظه آموزش داد تا کارهای پیچیدهتر را با بودجه و زمان بسیار کم انجام دهند.
منبع: ساینس دیلی