تیمی به سرپرستی دانشگاه کالیفرنیا سن دیگو ، یک رویکرد طراحی نرم افزاری سخت افزاری و نرم افزاری عصبی را طراحی کرده اند که می تواند آموزش شبکه عصبی را با انرژی و کارآمدتر انجام دهد. کار آنها می تواند روزی امکان ایجاد شبکه های عصبی را در دستگاه های کم مصرف مانند تلفن های هوشمند ، لپ تاپ و دستگاه های تعبیه شده فراهم کند.


این پیشرفت در مقاله ای منتشر شده است که اخیراً در ارتباطات طبیعت منتشر شده است .

آموزش شبکه های عصبی برای انجام کارهایی مانند شناسایی اشیاء ، حرکت اتومبیل های خود رانندگی یا بازی کردن بازی ها ، قدرت و زمان محاسباتی زیادی را مصرف می کند. رایانه های بزرگ با صدها تا هزار پردازنده معمولاً برای یادگیری این کارها لازم هستند و زمان آموزش می تواند از هفته ها تا ماه ها به طول انجامد.

Duygu Kuzum ، استاد ارشد مهندسی برق و رایانه در این باره گفت: انجام این محاسبات شامل انتقال داده ها به جلو و عقب بین دو واحد جداگانه - حافظه و پردازنده - است و این بیشتر انرژی و زمان را در طول آموزش شبکه عصبی مصرف می کند. دانشکده مهندسی جاکوبز در UC سن دیگو.

برای برطرف کردن این مشکل ، کوزوم و آزمایشگاهش با Adesto Technologies همکاری کردند تا سخت افزار و الگوریتم هایی را ایجاد کنند که اجازه می دهد این محاسبات بطور مستقیم در واحد حافظه انجام شود و نیاز به تغییر داده های مکرر را برطرف می کند.

یوهان شی ، نویسنده اول ، دکتری مهندسی برق گفت: "ما از دو انتها - دستگاه و الگوریتم ها - برای حل حداکثر بهره وری انرژی در طول آموزش شبکه عصبی ، این مشکل را برطرف می کنیم ." دانشجوی گروه تحقیقاتی کوزوم در UC San Diego.

مؤلفه سخت افزاری نوعی تکنولوژی فوق العاده با کارآیی حافظه غیر فرار است. یک رم RAM (CBRAM) Conductive Bridging RAM (CBRAM) 512 کیلو بیت. این انرژی از 10 تا 100 برابر انرژی کمتری نسبت به فناوریهای پیشرو در حافظه مصرف می کند. این دستگاه مبتنی بر فناوری حافظه CBRAM Adesto است و در درجه اول از آن به عنوان یك وسیله ذخیره سازی دیجیتالی استفاده می شود كه دارای حالتهای 0 و 1 است ، اما كوزوم و آزمایشگاه وی نشان دادند كه می توان برنامه ریزی كرد كه دارای چندین حالت آنالوگ برای تقلید باشد. سیناپسهای بیولوژیکی در مغز انسان. این دستگاه به اصطلاح سیناپسی می تواند برای انجام محاسبات حافظه برای آموزش شبکه عصبی استفاده شود.



"حافظه داخلی چیپ در پردازنده های معمولی بسیار محدود است ، بنابراین آنها ظرفیت کافی برای انجام محاسبات و ذخیره سازی در همان تراشه را ندارند. اما در این روش ، ما یک آرایه حافظه با ظرفیت بالا داریم که می تواند محاسبات مربوط به عصبی را انجام دهد. آموزش شبکه در حافظه بدون انتقال داده به یک پردازنده خارجی. این کار باعث می شود عملکرد زیادی داشته باشد و باعث کاهش مصرف انرژی در حین آموزش شود. "

کوزوم ، که به مرکز محاسبات و امنیت یکپارچه ماشین در UC سن دیگو وابسته است ، تلاش کرد الگوریتم هایی را ایجاد کند که بتوان به راحتی روی این مجموعه دستگاه سیناپسی نقشه برداری کرد. این الگوریتم ها حتی در زمان آموزش شبکه عصبی صرفه جویی در انرژی و زمان بیشتری را نیز به همراه داشتند.

این روش برای اجرای یادگیری بدون نظارت در سخت افزار از یک نوع شبکه عصبی با انرژی استفاده می کند ، به نام یک شبکه عصبی پرشور. مهمتر از آن ، تیم کوزوم الگوریتم صرفه جویی در انرژی دیگری را که آنها با نام "نرم هرس" طراحی کرده اند ، اعمال می کند ، که باعث می شود آموزش شبکه عصبی با صرفه جویی زیادی از نظر دقت ، انرژی بسیار کارآمدتری داشته باشد.

http://ztndz.com/story7344476/پمپ-وکیوم-اصفهان

یاب پزشکی قانونی با کاوش در ویندوز توجه به شمع نامه را جلب می کند

رویکرد مشترک طراحی نرم افزار سخت افزاری می تواند شبکه های عصبی را از گرسنگی کم کند

، ,عصبی ,شبکه ,انرژی ,های ,آموزش ,شبکه عصبی ,آموزش شبکه ,می کند ,می تواند ,عصبی را ,برای انجام محاسبات

مشخصات

آخرین ارسال ها

آخرین جستجو ها


cafehackoriginal مرجع مقالات رسمی سئو نیو فایل | مرجع فایل های دانلودی tiomodenmi licpagunfi baniruntio fullmag shayanikrayaneh رمان | novel.megafun.ir یاران حسین علیه السلام