Специалисты Google Brain, исследовательского проекта Google по изучению искусственного интеллекта, разрабатывают алгоритмы, которые будут сами создавать процессоры. Статью с описанием своего проекта команда опубликовала на Arxiv.
Специалисты в области робототехники создают множество чипов для быстрого и эффективного выполнения алгоритмов ИИ. Например, среди таких проектов — процессор Cerebras Wafer Scale Engine (WSE) со сторонами 21,5 см и 1,2 трлн транзисторов в каждом кристалле, а также чип Hailo-8, созданный израильским стартапом Hailo и предназначенный для обучения роботов, обрабатывающих большие объёмы информации с датчиков, таких как HD-камеры. Проблема в том, что на разработку таких чипов уходят годы, а машинное обучение развивается намного быстрее. Робототехника нуждается в чипах, которые были бы оптимизированы для современного ИИ, а не ИИ, созданного два-пять лет назад. Google предлагает создать ИИ, который сам займётся разработкой новых чипов, подходящих под современные требования.
«Есть алгоритмы и архитектуры нейронных сетей, которые не так хорошо работают на существующих поколениях процессоров, потому что процессоры были спроектированы несколько лет назад, когда этих нейронных сетей ещё не существовало, — приводит IEEE Spectrum комментарий Азалии Мирхосейни, старшего научного сотрудника Google Brain. — Если мы сократим цикл проектирования, мы сможем преодолеть разрыв. Мы считаем, что сократить цикл разработки микросхем может сам искусственный интеллект».
Мирхосейни и её коллега в Google Brain, старший инженер-программист Анна Голди, придумали нейронную сеть, которая учится выполнять особенно трудоемкую часть проектирования чипов — размещение. Достаточно долго изучая конструкции чипов, ИИ может создать проект для Google TensorFlow менее чем за 24 часа, тогда как специалисты-люди могут потратить на это несколько недель.
Размещение компонентов чипа, пишет IEEE Sectrum, — процесс крайне сложный и отнимающий много времени. Необходимо разместить все компоненты чипа таким образом, чтобы его мощность и производительность были максимальными, а площадь — минимальной. Голди и Мирхосейни для создания своего ИИ используют обучение с подкреплением. В процессе обучения с подкреплением искусственный интеллект, в отличие от других методов глубокого обучения, не взаимодействует с большим набором данных. Вместо этого система учится, настраивая параметры в соответствии с обратной связью, которую она получает. В этом случае в процессе обучения ИИ пытается добиться сочетания улучшенной производительности, меньшей площади и сниженного энергопотребления чипа. При этом чем больше проектов выполняет робот, тем лучше он становится в своей сфере.
Команда Google Brain надеется, что системы ИИ, подобные тем, что разрабатывают Голди и Мирхосейни, приведут к появлению «большего количества микросхем за меньший период времени, а также микросхем, которые работают быстрее при меньших затратах энергии, дешевле и занимают меньше места.
Автор: AnnieBronson
