https://www.marktechpost.com/2022/03/23/google-ai-and-uc-berkely-researchers-introduce-a-deep-learning-approach-called-prime-that-generates-ai-chip-architectures-by-drawing-from-existing-blueprints-and-performance-figures/
응용 프로그램별 하드웨어 가속기의 생성은 비전과 언어의 다양한 문제를 해결하기 위한 ML 기반 접근 방식의 출현에서 비롯되었습니다. 주어진 애플리케이션에 맞춤화된 가속기를 생성하기 위한 표준 접근 방식은 충분히 정확한 하드웨어 시뮬레이터를 생성하기 위한 수동 노력과 의도한 목적을 최적화하기 위한 많은 시간 집약적 시뮬레이션을 필요로 합니다. 다양한 설계 제한 사항에 따라 전체 컴퓨팅 및 메모리 리소스와 통신 대역폭 간의 적절한 균형을 찾아야 합니다. 반면에 이러한 설계 제한 사항을 충족하는 가속기를 설계하면 설계가 실행 불가능한 경우가 많습니다.
Google AI 및 UC Berkeley 팀은 이러한 문제를 해결하기 위해 PRIME을 도입합니다. 이 데이터 기반 최적화 접근 방식은 추가 하드웨어 시뮬레이션 없이 로깅된 데이터를 사용하여 AI 칩 아키텍처를 생성합니다. 이를 통해 시간 소모적인 시뮬레이션이 필요하지 않으며 대상 애플리케이션 세트가 변경되더라도 이전 실험의 데이터를 제로샷 방식으로 재사용할 수 있습니다. PRIME은 이전 시뮬레이션의 데이터와 실제로 구성된 가속기 데이터베이스, 실행 불가능하거나 실패한 가속기 설계 데이터베이스를 사용하여 훈련할 수 있습니다.
응용 프로그램별 하드웨어 가속기의 생성은 비전과 언어의 다양한 문제를 해결하기 위한 ML 기반 접근 방식의 출현에서 비롯되었습니다. 주어진 애플리케이션에 맞춤화된 가속기를 생성하기 위한 표준 접근 방식은 충분히 정확한 하드웨어 시뮬레이터를 생성하기 위한 수동 노력과 의도한 목적을 최적화하기 위한 많은 시간 집약적 시뮬레이션을 필요로 합니다. 다양한 설계 제한 사항에 따라 전체 컴퓨팅 및 메모리 리소스와 통신 대역폭 간의 적절한 균형을 찾아야 합니다. 반면에 이러한 설계 제한 사항을 충족하는 가속기를 설계하면 설계가 실행 불가능한 경우가 많습니다.
Google AI 및 UC Berkeley 팀은 이러한 문제를 해결하기 위해 PRIME을 도입합니다. 이 데이터 기반 최적화 접근 방식은 추가 하드웨어 시뮬레이션 없이 로깅된 데이터를 사용하여 AI 칩 아키텍처를 생성합니다. 이를 통해 시간 소모적인 시뮬레이션이 필요하지 않으며 대상 애플리케이션 세트가 변경되더라도 이전 실험의 데이터를 제로샷 방식으로 재사용할 수 있습니다. PRIME은 이전 시뮬레이션의 데이터와 실제로 구성된 가속기 데이터베이스, 실행 불가능하거나 실패한 가속기 설계 데이터베이스를 사용하여 훈련할 수 있습니다.
댓글 0