Des chercheurs de Google et des universitaires de l’UC Berkeley affirment avoir trouvé un moyen d’utiliser l’intelligence artificielle pour concevoir des puces plus rapides et plus petites qui accélèrent l’intelligence artificielle.
Dans une note publiée jeudi, les chercheurs ont déclaré avoir mis au point une approche d’apprentissage profond appelée PRIME, qui génère des architectures de puces d’IA en s’inspirant de plans et de chiffres de performance existants. Ils affirment que leur approche peut produire des conceptions qui ont une latence plus faible et nécessitent moins d’espace que l’accélérateur EdgeTPU de Google en production et d’autres conceptions réalisées à l’aide d’outils traditionnels.
Google s’intéresse de près à ce domaine. L’année dernière, elle a déclaré avoir utilisé l’apprentissage automatique pour optimiser la disposition de l’une de ses conceptions TPU. Parallèlement, les fabricants d’outils traditionnels de conception de puces, tels que Synopsys et Cadence, affirment avoir ajouté l’apprentissage automatique à leurs suites logicielles.
[Lire: L’intelligence artificielle et l’apprentissage automatique]
Ces dernières découvertes de Google pourraient changer la donne pour les efforts du géant du web en matière de conception de puces personnalisées. Elles ont été détaillées dans un article intitulé « Data-Driven Offline Optimization for Architecting Hardware Accelerators », qui a été accepté pour la conférence internationale de cette année sur les représentations d’apprentissage.
Outre le fait de permettre des conceptions plus rapides et plus efficaces, l’approche PRIME est importante car, selon les chercheurs, la conception traditionnelle de puces basée sur la simulation peut prendre beaucoup de temps et coûter cher en calculs. Selon eux, la conception de puces à l’aide de logiciels de simulation peut également conduire à des plans « infaisables » lorsqu’on essaie d’optimiser certains éléments comme une faible consommation d’énergie ou une faible latence.
L’équipe a indiqué que les conceptions de puces réalisées à l’aide de PRIME présentaient une latence jusqu’à 50 % inférieure à celles créées à l’aide de méthodes de simulation, et que l’approche de l’apprentissage profond réduisait également jusqu’à 99 % le temps nécessaire à la génération desdits plans.
Les chercheurs ont comparé les conceptions de puces générées par PRIME aux EdgeTPU produites par simulation dans neuf applications d’IA, dont les modèles de classification d’images MobileNetV2 et MobileNetEdge. Il est important de noter que les conceptions PRIME ont été optimisées pour chaque application.
Les chercheurs ont constaté que les conceptions PRIME ont globalement amélioré la latence de 2,7 fois et réduit l’utilisation de la surface de la puce de 1,5 fois. Cette dernière partie a choqué les ingénieurs car ils n’ont pas entraîné PRIME à réduire la taille de la puce, ce qui peut rendre les puces moins chères et réduire la consommation d’énergie. Pour certains modèles, les améliorations en termes de latence et de surface de la puce étaient encore plus importantes.
Les chercheurs ont également utilisé PRIME pour concevoir des puces optimisées pour fonctionner dans plusieurs applications. Ils ont constaté que les modèles PRIME présentaient toujours une latence inférieure à celle des modèles basés sur la simulation. Ce qui est peut-être plus surprenant, c’est que c’était même le cas lorsque les conceptions PRIME fonctionnaient avec des applications pour lesquelles il n’y avait pas de données d’entraînement. Qui plus est, les performances s’amélioraient avec le nombre d’applications.
Enfin, les chercheurs ont utilisé PRIME pour concevoir une puce capable de fournir les meilleures performances pour les neuf applications susmentionnées. Dans trois applications seulement, le modèle PRIME présentait une latence supérieure à celle d’un modèle basé sur la simulation. Les chercheurs ont découvert que cela était dû au fait que PRIME favorise les modèles dotés d’une plus grande mémoire sur la puce et, par conséquent, d’une moindre puissance de traitement.
En examinant de plus près le fonctionnement de PRIME, les chercheurs ont créé ce que l’on appelle un modèle de prédiction robuste qui apprend à générer des conceptions de puces optimisées en recevant des données hors ligne de plans de puces d’IA, y compris celles qui ne fonctionnent pas. Pour éviter les pièges typiques associés à l’utilisation de l’apprentissage automatique supervisé, les chercheurs ont conçu PRIME pour éviter d’être induit en erreur par des exemples dits contradictoires.
[Lire: Le monde de l’intelligence artificielle]
Selon les chercheurs, cette approche permet au modèle d’être optimisé pour des applications ciblées. PRIME peut également optimiser les applications pour lesquelles il n’existe pas de données d’entraînement, ce qui est réalisé en entraînant un seul grand modèle sur des données de conception pour toutes les applications pour lesquelles des données sont disponibles.
Même si cela ne changera pas du jour au lendemain les méthodes d’ingénierie des puces de Google, les chercheurs ont déclaré que cela était prometteur pour de nombreuses voies. Il s’agit notamment de créer des puces pour des applications qui nécessitent la résolution de problèmes d’optimisation complexes, ainsi que d’utiliser des plans de puce peu performants comme données d’entraînement pour aider à lancer la conception de matériel.
Ils espèrent également utiliser PRIME pour la co-conception matériel-logiciel grâce à sa nature polyvalente.
SEO Inside est une agence seo.
--
SEO Inside est une agence web et SEO - en savoir plus sur nous:
Agence web / Audit SEO / Conseil SEO / Création de site internet / Refonte de site internet optimisé pour le SEO / Référencement naturel / Référencement local /Netlinking / Formation SEO / E-Réputation et avis
Voici nos implantations :
Lille / Dunkerque / Amiens – ce sont nos 3 bureaux historiques.
Puis voici nos zones géographiques d’intervention :
Paris / Abbeville / Rouen / Compiègne / Reims / Metz / Caen / Evreux / Nancy / Colmar / Rennes / Le Mans / Orléans / Dijon / Besançon / Angers / Nantes / La Rochelle / Poitiers / Limoges /Clermont-Ferrand / Lyon / Annecy / Grenoble / Valence / Bordeaux / Montauban / Toulouse / Biarritz / Montpellier / Marseille / Cannes / Nice / Avignon / Monaco
SEO INSIDE est une agence web spécialiste en référencement naturel qui se veut proche de vous. Contactez-nous pour discuter de vos projets.
