جيميناي: اختراق في مسرعات شيبليت الشبكات العصبية العميقة واسعة النطاق

في عالم الشبكات العصبية العميقة (DNNs) المتطور باستمرار، نما الطلب على زيادة قوة الحوسبة وقدرات التخزين بشكل أسي. تبرز تقنية الشيبليت (Chiplet) كحل مقنع لتلبية هذه المتطلبات، حيث توفر إمكانية تعزيز الأداء وتقليل استهلاك الطاقة وتحسين مرونة التصميم. ومع ذلك، تأتي مع تحدياتها الخاصة، بما في ذلك تكاليف التغليف المرتفعة وواجهات الرقاقة إلى الرقاقة (D2D) المكلفة. ومواجهة هذه التحديات مباشرة، قدم فريق بحثي تعاوني من جامعة تسينغهوا، وجامعة شيآن جياوتونغ، ومعهد IIISCT، ومختبر شنغهاي للذكاء الاصطناعي جيميناي. يهدف هذا الإطار الرائد إلى إحداث ثورة في مسرعات شيبليت الشبكات العصبية العميقة واسعة النطاق.

جيميناي يتألق بنتائج مبهرة

في ورقتهم البحثية الأخيرة بعنوان "جيميناي: استكشاف مشترك للتخطيط والبنية التحتية لمسرعات شيبليت الشبكات العصبية العميقة واسعة النطاق"، يقدم فريق البحث جيميناي كحل شامل. يركز هذا الإطار المبتكر على الاستكشاف المشترك لكل من البنية التحتية والتخطيط لدفع حدود مسرعات شيبليت الشبكات العصبية العميقة واسعة النطاق. النتائج لا تقل عن كونها مذهلة، حيث حقق جيميناي تحسناً متوسطاً في الأداء بنسبة 1.98 ضعفًا وزيادة كبيرة في كفاءة الطاقة بنسبة 1.41 ضعفًا عند مقارنته ببنية Simba الأكثر تطوراً.

التحديات الرئيسية في تقنية الشيبليت

يأتي تطوير جيميناي استجابةً لتحديين رئيسيين في تقنية الشيبليت. من الناحية المعمارية، تكمن التحدي الرئيسي في تحديد الحبيبية المثلى للشيبليت. يتطلب ذلك تحقيق توازن دقيق بين استخدام عدد كبير من الشيبليتات الأصغر لتحسين العائد واختيار عدد أقل من الشيبليتات الأكبر للتحكم في التكاليف. في تخطيط الشبكات العصبية العميقة (DNN)، تنشأ تحديات من النطاق الواسع الذي تتيحها تقنية الشيبليت والروابط D2D المكلفة المرتبطة بها.

الحلول المبتكرة لجيميناي

لمعالجة هذه التحديات بفعالية، يقدم فريق البحث طريقة ترميز مركزية للطبقة لتمثيل مخططات LP SPM (ذاكرة التخزين المؤقت لمعالجة الطبقة) في مسرعات استنتاج الشبكات العصبية العميقة متعددة النوى والشيبليت. يحدد هذا الترميز مساحة التحسين لتخطيط LP، مما يكشف عن فرص كبيرة للتحسين. يستفيد جيميناي من هذا الترميز وقالب عتاد عالي التكوين لصياغة إطار عمل للاستكشاف المشترك للتخطيط والبنية التحتية لمسرعات شيبليت الشبكات العصبية العميقة واسعة النطاق. يتكون هذا الإطار من محرك التخطيط ومقيّم التكلفة النقدية.

يستخدم محرك التخطيط خوارزمية التلدين المحاكي (SA) مع خمسة مشغلين مصممين خصيصاً للتنقل في المساحة الشاسعة التي يحددها أسلوب الترميز. يفعل ذلك مع تقليل تكاليف الاتصالات D2D تلقائياً. في الوقت نفسه، يقيّم مقيّم التكلفة النقدية التكلفة النقدية للمسرعين ذوي المعلمات المعمارية المختلفة.

نتائج مذهلة

في دراسة تجريبية تقارن البنية التحتية والتخطيط المحسّنين بشكل مشترك لجيميناي مع بنية Simba باستخدام Tangram SPM، تتحدث النتائج عن نفسها. يحقق جيميناي تحسناً مثيراً للإعجاب في الأداء بنسبة 1.98 ضعفًا وتحسناً ملحوظاً في كفاءة الطاقة بنسبة 1.41 ضعفًا عبر مختلف الشبكات العصبية العميقة وأحجام الدفعات. كل هذا يأتي مع زيادة متواضعة فقط بنسبة 14.3% في التكلفة النقدية.

تقدم رائد

تكمن أهمية عمل جيميناي في نهجه الرائد في تحديد مساحة تحسين LP SPM بشكل منهجي لمسرعات استنتاج الشبكات العصبية العميقة. يبرز جيميناي كأول إطار عمل يستكشف بشكل مشترك مساحة تحسين التخطيط والبنية التحتية لمسرعات شيبليت الشبكات العصبية العميقة واسعة النطاق، مع مراعاة عوامل حاسمة مثل استهلاك الطاقة والأداء والتكلفة النقدية.

مستقبل واعد لمسرعات استنتاج الشبكات العصبية العميقة

يختتم فريق البحث بتأكيد إمكانية جيميناي في تسهيل تصميم استخدام شيبليت واحد لمسرعات متعددة في مسرعات استنتاج الشبكات العصبية العميقة. يفتح هذا الابتكار آفاقاً جديدة للكفاءة والابتكار في هذا المجال سريع التطور.

جيميناي، ثمرة جهد بحثي تعاوني، يبرز كمغير للألعاب في مسرعات شيبليت الشبكات العصبية العميقة واسعة النطاق. مع نتائج مبهرة وحلول مبتكرة وروح رائدة، جيميناي مستعد لإعادة تشكيل مشهد تسريع الشبكات العصبية العميقة. مع استمرار تطور تقنية الشيبليت، من المؤثر أن مساهمات جيميناي في تعزيز الأداء وتقليل استهلاك الطاقة وتحسين مرونة التصميم ستؤثر على المجال.