New-Tech Magazine | May 2022 | Special Edition

רכיבי עיבוד המחוברים Untether AI , אלא שהם כוללים SRAM ישירות לתאי יחידות עיבוד נוספות, 512 ו- RISC מעבד SRAM כשלכל אחד מהם מחובר למערך מתוכנן בהתאמה RISC משלו. כל מעבד כדי להאיץ רשתות עצביות. על ידי הצבת הרשת העצבית כולה על- מספקת השהיה נמוכה Untether AI שבב, ותפוקה גבוהה בו זמנית. היכולת של להניע את התפוקה נובעת Untether AI מהקצאה פיזית - מיקום 'השכן-קרוב' מקטין את צריכת ההספק ומפחית את זמן ההשהיה, בעוד הניתוב והמחשוב מאוזנים כדי לייעל את התפוקה הכוללת. פונקציות העלות מוכוונות לפרמטרים של חומרה. von Neumann לעומת זאת, ארכיטקטורת שחייבים GPU או ב- CPU משתמשת ב- להחליף שכבות ומקדמים מהזיכרון תוך כדי קיבוץ הנתונים בקבוצות גדולות יותר כדי לסייע בתפוקה, וכתוצאה מכך, זמן ההשהיה מושפע לרעה. ארכיטקטורת המחשוב בזיכרון של מייצגת את גישת "הטוב משני Untether AI העולמות" בכך שהיא משלבת פקודות ) והוראה MIMD מרובות, נתונים מרובים ( MIMD .) SIMD בודדת, ריבוי נתונים ( 511 מאפשר אופטימיזציה מרחבית עם מאגרי זיכרון הפועלים באופן אסינכרוני, בעוד שאופטימיזציה רציפה מושגת יחידות העיבוד 512 , עם SIMD באמצעות לכל בנק זיכרון מתבצעות בהוראה אחת. ארכיטקטורת המחשוב בזיכרון של מותאמת לעומסי עבודה Untether AI בקנה מידה גדול ומספקת השהיה נמוכה near - memory מאוד שארכיטקטורות לא מסוגלות לספק. von Neumann או על ידי שימוש ביחידות אריתמטיות של מספרים שלמים בלבד, ניתן להגדיל את התפוקה תוך הפחתת העלות. הגמישות נשמרת על מנת לספק תמיכה רחבה למגוון

דיוק וטכניקות אנלוגיות עלולות להיסחף. גם אם הדיוק נשמר, הביצועים עלולים להתדרדר אם הארכיטקטורה לא יכולה להשיג יעדי תפוקה והשהייה. מקסום מספר התמונות והשאילתות לשנייה וכן מזעור נפחי מאגרי הזיכרון, תוך השגת יעדים אלו הם מדד הצלחה מרכזי לעומסי עבודה של בינה מלאכותית. מאידך, אין להשיג יעדי ביצוע תוך פגיעה ביעילות. הארכיטקטורה הנבחרת חייבת לקבל את הביצועים האופטימליים מהסיליקון תוך איזון צריכת ההספק. דרוש ביצוע אופטימיזציה של תמונות ושאילתות פר שנייה פר וואט תוך התחשבות בכל עלויות להקמת המערכת, כמו גם עלות הבעלות הכוללת שלה. עשויה in - memory בעוד שארכיטקטורת להיות הבחירה הטבעית מנקודת מבט נותן היום at - memory טכנולוגית, מחשוב מענה לאתגר הספציפי העומד בפני פריסות בינה מלאכותית. הוא At-Memory מחשוב הפתרון להאצת ביצועי בינה מלאכותית שלא כמו הארכיטקטורות הנפוצות כיום , von Neumann ו- near - memory של התלויות באפיקים ארוכים וצרים ובמטמונים עמוקים ו/או משותפים, ארכיטקטורת מחשוב בזיכרון משתמשת בחיבורים מקבילים ישירים , תוך שימוש בזיכרון ייעודי וליעילות ורוחב פס רחב. מסורתית von Neumann ארכיטקטורת חיצוני, DRAM תהיה ככל הנראה בעלת מטמון וערוץ גישה לרכיבי עיבוד, בעוד שלגישת מחשוב בזיכרון יש את רכיבי העיבוד מחוברים ישירות לתאי הזיכרון. SRAM בחרה להשתמש ב- Untether AI בארכיטקטורת המחשוב בזיכרון, אבל זה חלק קטן מהסיפור. לא רק שיש ל-

רחב של רשתות עצביות עבור היסקי בינה , רשתות NLP מלאכותית המבוססת על עצביות מוכוונות ראייה ומערכות במגזרי תעשייה מגוונים, כולל ראייה תעשייתית, פיננסים, קמעונאות חכמה ורכבים אוטונומיים ועוד יישומים רבים אחרים, מנוע מחשוב הבינה מלאכותית של מציעה שני מנועי מחשוב Untether AI מבוססי חומרה לבינה מלאכותית. . משפחת מעבדי הבינה המלאכותית 1 להאצת היסקים תוך שימוש runAI 200 בנתוני מספרים שלמים וארכיטקטורת Untether AI הייחודית של at - memory פעולות בשנייה, ויעילות tera 502 המספקת . TOPS / W 8 של . מעבדים אלה משובצים בכרטיס ההאצה 2 פעולות peta 2 , המספקים tsunAImi מחשוב בשנייה בכרטיס בודד. עבור עיבוד 12,000 שפה טבעית, הכרטיס יכול לעבד .) BURT - base שאילתות לשנייה (לפי אבל החומרה לבדה אינה מספיקה כדי לפרוס בהצלחה עומסי עבודה של בינה מלאכותית. מציעה את ערכת הפיתוח Untether AI התואמת למסגרות העבודה imAIgine המוכרות של למידת מכונה הכוללת עם אינטגרציית PyTorch ו- TensorFlow . Jupyter Notebook at - memory השילוב של מחשוב מבוסס עם ערכת פיתח התוכנה מציע ביצועים גבוהים וצריכת הספק נמוכה בהיסקי בינה מלכותית, על פני מגוון רחב של רשתות, וגמישות עבור ארכיטקטורת רשת עצבית עכשיוית, וצופה את חוסר החיזוי של העומסים העתידים של בינה מלאכותית.

050-5408863 , לפרטים נוספים: אבנר אוזן avner . uzan @ easx . co . il |

Military & Aviation Exhibition 2022

Save The Date 2.11.2022

Pavilion 10, EXPO, Tel Aviv | 2.11.2022 | 8:30-16:00

53 l New-Tech Magazine