جيميني: طفرة في مسرعات رقائق الشبكات العصبية العميقة واسعة النطاق

في عالم الشبكات العصبية العميقة (DNNs) المتطور باستمرار، ازداد الطلب على زيادة قوة الحوسبة وقدرات التخزين بشكل كبير. برزت تقنية الشرائح الصغيرة (Chiplet) كحلٍّ مثالي لتلبية هذه المتطلبات، إذ تتيح إمكانية تحسين الأداء، وتقليل استهلاك الطاقة، وتعزيز مرونة التصميم. إلا أنها تواجه تحديات، بما في ذلك ارتفاع تكاليف التغليف وتكلفة واجهات التجميع (D2D). ولمواجهة هذه التحديات بشكل مباشر، أطلق فريق بحثي تعاوني من جامعة تسينغهوا، وجامعة شيان جياوتونغ، والمعهد الدولي للعلوم والتكنولوجيا (IIISCT)، ومختبر شنغهاي للذكاء الاصطناعي، نظام جيميني (Gemini). يهدف هذا الإطار الرائد إلى إحداث ثورة في مسرعات الشرائح الصغيرة للشبكات العصبية العميقة واسعة النطاق.

الجوزاء يتألق بنتائج مبهرة

في بحثهم الأخير بعنوان "جيميني: الاستكشاف المشترك للتخطيط والهندسة المعمارية لمسرعات شرائح الشبكات العصبية العميقة واسعة النطاق"، يقدم فريق البحث جيميني كحل شامل. يركز هذا الإطار المبتكر على الاستكشاف المشترك لكل من الهندسة المعمارية والتخطيط لتوسيع آفاق مسرعات شرائح الشبكات العصبية العميقة واسعة النطاق. النتائج مبهرة للغاية، حيث حقق جيميني تحسنًا في الأداء بلغ متوسطه 1.98 ضعفًا، وزيادة ملحوظة في كفاءة الطاقة بلغت 1.41 ضعفًا مقارنةً بهندسة سيمبا المتطورة.

التحديات الرئيسية في تكنولوجيا الشرائح

يأتي تطوير جيميني استجابةً لتحديين رئيسيين في تقنية الشرائح. على الصعيد المعماري، يكمن التحدي الرئيسي في تحديد دقة تفاصيل الشرائح. يتطلب هذا تحقيق توازن دقيق بين استخدام شرائح أصغر حجمًا لتحسين الإنتاجية، واختيار شرائح أكبر حجمًا وأقل حجمًا للتحكم في التكاليف. في رسم خرائط الشبكات العصبية العميقة، تنشأ التحديات من اتساع نطاق تقنية الشرائح، وما يرتبط بها من وصلات رقمية ثنائية الأبعاد باهظة التكلفة.

حلول جيميني المبتكرة

لمعالجة هذه التحديات بفعالية، يُقدّم فريق البحث طريقة ترميز مُركّزة على الطبقات لتمثيل مخططات ذاكرة معالجة الطبقات (LP SPM) في مُسرّعات استدلال الشبكات العصبية العميقة متعددة الأنوية. تُحدّد طريقة الترميز هذه مساحة التحسين لتعيين LP، مما يُتيح فرصًا كبيرة للتحسين. يستفيد جيميني من هذا الترميز ونموذج أجهزة قابل للتكوين بدرجة عالية لصياغة إطار عمل للتعيين والاستكشاف المشترك للهندسة المعمارية لمُسرّعات شرائح الشبكات العصبية العميقة واسعة النطاق. يتكوّن هذا الإطار من مُحرّك التعيين ومُقيّم التكلفة النقدية.

يستخدم محرك رسم الخرائط خوارزمية محاكاة التلدين (SA) مع خمسة مشغلات مصممة خصيصًا للتنقل في المساحة الواسعة التي defiطريقة الترميز. ويحقق ذلك مع تقليل تكلفة الاتصالات الرقمية المباشرةmatic. وفي الوقت نفسه، يُقيّم مُقيّم التكلفة النقدية للمُسرّعات ذات المعايير المعمارية المتنوعة.

نتائج ملحوظة

في دراسة تجريبية قارنت بين بنية جيميني المُحسّنة وتخطيطها مع بنية سيمبا باستخدام تانغرام إس بي إم، كانت النتائج زاخرة بالتفاصيل. حقق جيميني تحسنًا مذهلًا في الأداء بمعدل 1.98 ضعفًا، وتحسنًا ملحوظًا في كفاءة الطاقة بنسبة 1.41 ضعفًا عبر مختلف الشبكات العصبية العميقة وأحجام الدفعات. كل هذا يأتي مع زيادة طفيفة في التكلفة المالية بنسبة 14.3% فقط.

التطورات الرائدة

تكمن أهمية عمل جيميني في نهجهmaticفي defiمساحة تحسين LP SPM بشكل منهجي لمسرعات استدلال الشبكات العصبية العميقة. يبرز جيميني كأول إطار عمل يستكشف بشكل مشترك مساحة تحسين التخطيط والهندسة المعمارية لمسرعات شرائح الشبكات العصبية العميقة واسعة النطاق، مع مراعاة عوامل حاسمة مثل استهلاك الطاقة والأداء والتكلفة المالية.

مستقبل واعد لمسرعات استدلال الشبكات العصبية العميقة

يختتم فريق البحث بالتأكيد على إمكانات جيميني في تسهيل تصميم استخدام شريحة واحدة لمسرعات متعددة في مسرعات استدلال الشبكات العصبية العميقة. يفتح هذا الابتكار آفاقًا جديدة للكفاءة والابتكار في هذا المجال سريع التطور.

جيميني، ثمرة جهد بحثي تعاوني، تُحدث نقلة نوعية في مجال مُسرّعات شرائح الشبكات العصبية العميقة واسعة النطاق. بفضل نتائجها الباهرة وحلولها المبتكرة وروحها الريادية، يُتوقع أن تُحدث جيميني نقلة نوعية في مجال تسريع الشبكات العصبية العميقة. ومع استمرار تطور تقنية الشرائح، من المُتوقع أن تُحدث مساهمات جيميني في تحسين الأداء، وتقليل استهلاك الطاقة، وتحسين مرونة التصميم تأثيرًا كبيرًا على هذا المجال.