Bir çox adi kompüter arxitekturaları maşın öyrənməsinə əsaslanan modellərin hesablama tələblərini ödəmək üçün zəif təchiz edilmişdir. Son illərdə bəzi mühəndislər bu modelləri idarə etmək üçün daha uyğun ola biləcək alternativ arxitekturalar hazırlamağa çalışırlar.

Süni neyron şəbəkələrini (ANN) idarə etmək üçün ən perspektivli həllərdən bəziləri yaddaşda hesablama (CIM) sistemləridir. Bu sistemlər enerji istehlakını azalda və ANN əsaslı modellərin performansını artıra bilən vahid aparat sistemində məlumatları emal etmək və saxlamaq üçün nəzərdə tutulmuşdur.

CIM sistemləri iki geniş kateqoriyaya bölünür: rəqəmsal CIM (DCIM) və analoq CIM (ACIM) sistemləri. Nature Electronics- də dərc olunan məqalədə Tsinghua Universitetinin tədqiqatçıları ANN-ləri daha səmərəli işlədə bilən, eyni zamanda ümumi nəticə çıxarma tapşırıqlarında onların performansını artıran yeni ikili domenli ACIM sistemini təqdim edirlər.

“Neyron şəbəkələrin hesablamaları üçün ACIM-də aparılan tədqiqatlar əhəmiyyətli diqqət qazandı, lakin irəliləyiş əsasən təsnifat tapşırıqlarında (məsələn, təsvirin təsnifatı) olub” deyə məqalənin ilk müəllifi Ze Wang Tech Xplore-a bildirib.

“Bu günə qədər ACIM iki əsas məhdudiyyətə görə mürəkkəb reqressiya tapşırıqlarının (məsələn, obyektin aşkarlanması üçün YOLO) həllində hələ də əhəmiyyətli çətinliklərlə üzləşir. Birincisi yüksək hesablama səs-küyü, ikincisi isə üzən nöqtə (FP) məlumat uyğunluğu problemlərindən ibarətdir ki, bu da onu adətən yüksək dəqiqlikli FP hesablaması tələb edən reqressiya tapşırıqları üçün yararsız edir.”

Tipik olaraq ACIM sistemləri ilə əlaqəli problemləri aradan qaldırmaq üçün Wang və onun həmkarları yüksək dəqiqlikli FP uyğun rəqəmsal hesablamanı yaxşı enerji səmərəliliyi ilə birləşdirən yeni hibrid arxitektura hazırladılar. Onların təklif olunan arxitekturasının neyron şəbəkələri idarə etmək üçün perspektivli olduğu aşkar edildi və bu şəbəkələrə ümumi nəticə çıxarmaq tapşırıqlarını yerinə yetirməyə imkan verdi.

https://googleads.g.doubleclick.net/pagead/ads?client=ca-pub-0536483524803400&output=html&h=188&slotname=2793866484&adk=1121470953&adf=746485419&pi=t.ma~as.2793866484&w=750&abgtt=6&fwrn=4&lmt=1739427348&rafmt=11&format=750×188&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2025-02-dual-domain-architecture-higher-energy.html&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTMyLjAuNjgzNC4xOTciLG51bGwsMCxudWxsLCI2NCIsW1siTm90IEEoQnJhbmQiLCI4LjAuMC4wIl0sWyJDaHJvbWl1bSIsIjEzMi4wLjY4MzQuMTk3Il0sWyJHb29nbGUgQ2hyb21lIiwiMTMyLjAuNjgzNC4xOTciXV0sMF0.&dt=1739427347718&bpp=1&bdt=778&idt=377&shv=r20250210&mjsv=m202502060101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dfdc40d724f2dca57%3AT%3D1735367325%3ART%3D1739427347%3AS%3DALNI_MYStQ6fUQQQLyo5Z7z1h-XhXcWBtA&gpic=UID%3D00000f80eacffadc%3AT%3D1735367325%3ART%3D1739427347%3AS%3DALNI_MYaOugky0UawScoidzfbXof3-N-iw&eo_id_str=ID%3De43bb863646b60b8%3AT%3D1735367325%3ART%3D1739427347%3AS%3DAA-AfjbQoPwZqH28q9IwcCLRSzzg&prev_fmts=0x0&nras=1&correlator=3719679746183&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=447&ady=1576&biw=1903&bih=945&scr_x=0&scr_y=0&eid=31090151%2C31090260%2C31090266%2C31090267%2C95331833%2C95352053%2C95352068%2C95347433%2C95350016&oid=2&pvsid=1908611873246766&tmod=1515705227&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=383

“ACIM yüksək paralel və enerjiyə qənaət edən matris çarpmalarını yerinə yetirməkdə üstündür, neyron şəbəkələrdə geniş istifadə olunan fundamental əməliyyat, rəqəmsal hesablama ilə müqayisədə əhəmiyyətli üstünlüklər təklif edir” deyə Vanq izah etdi.

“ACIM, birbaşa analoq domendə gərginliyə əsaslanan vurma və cərəyana əsaslanan toplama yerinə yetirmək üçün Kirchhoffun cari qanunu və Ohm qanunu əsasında fəaliyyət göstərir. Bununla belə, istehsal dəyişiklikləri neyron şəbəkə hesablamalarında dəqiqliyə təsir edən hesablama səs-küyünə səbəb olur.”

ANN-lərin dəqiqliyinə xələl gətirən səs-küyün tətbiqinə meylli olmaqla yanaşı, ACIM sistemləri indiyə qədər ilk növbədə xətti vurma və əlavəni tələb edən tapşırıqlara tətbiq edilmişdir. Bunun əksinə olaraq, onların indiyə qədər FP hesablamaları ilə, yəni FP nömrələri (yəni, ədədlərin hesablama təsvirləri) üzərində yerinə yetirilən daha mürəkkəb riyazi əməliyyatlarla uyğunsuz olduğu aşkar edilmişdir.

“Biz ilk dəfə olaraq, real ACIM sistemində tam avadanlıqla həyata keçirilən çox hədəfli və çox sinifli obyekt aşkarlama tapşırığını, YOLO (Yalnız bir dəfə baxırsan) nümayiş etdiririk” deyə Vanq yazıb. “Bu, ACIM-in imkanlarını yalnız təsnifat tapşırıqlarını dəstəkləməkdən əlavə, FP məlumat axını ilə ümumi neyron şəbəkəsi nəticəsinə tam dəstək vermək üçün genişləndirən əhəmiyyətli bir mərhələni təmsil edir.”

Wang və onun həmkarları bir sıra sınaqlarda onların arxitekturasını qiymətləndirdilər və onun ANN əsaslı modelləri idarə edən ümumi FP-32 çarpanlarının əldə etdiyindən 39,2 dəfə yüksək olan əla enerji səmərəliliyi nümayiş etdirdiyini aşkar etdilər. Tədqiqatçılar həmçinin öz dizaynlarına əsaslanaraq yüksək dəqiqliyə (saf ACIM sistemlərindən orta hesabla 2,7 dəfə yüksək) nail olan memristor əsaslı hesablama sisteminin prototipini yaratdılar.

Bu son tədqiqat mürəkkəb hesablama tapşırıqlarında maşın öyrənməsinə əsaslanan modelləri idarə etmək üçün daha uyğun ola biləcək digər hibrid ACIM arxitekturalarının inkişafına ilham verə bilər. Bu arada, Wang və onun həmkarları memarlıqlarını inkişaf etdirməyə davam etməyi, onun dəqiqliyini və enerji səmərəliliyini daha da yaxşılaşdırmağı planlaşdırırlar.

“Mövcud işimizi daha da araşdırmaq və təkmilləşdirmək üçün hələ də kifayət qədər yer var” deyə Vanq əlavə edib.

“Gələcək tədqiqatlarımız hibrid analoq-rəqəmsal hesablama sistemlərinin enerji səmərəliliyini və dəqiqliyini artırmaq üçün memarlığın , alqoritmlərin və aparatın birgə dizaynı və optimallaşdırılmasına yönəldiləcək. Nəhayət, biz neyron şəbəkə hesablamalarının daha geniş spektrini dəstəkləmək və yeni tətbiq ssenarilərini açmaq məqsədi daşıyırıq.”

Daha çox məlumat: Ze Wang və digərləri, Ümumi neyron şəbəkəsi qənaəti üçün ikili domenli hesablama sistemi, Nature Electronics (2025). DOI: 10.1038/s41928-024-01315-9 .

Jurnal məlumatı: Nature Electronics 

© 2025 Science X Network