பெய்ஜிங்கில் உள்ள சிங்குவா பல்கலைக்கழக ஆராய்ச்சியாளர்கள், அறிவியல் இதழில் வெளியிடப்பட்ட ஒரு சமீபத்திய வெளியீட்டில் விவரிக்கப்பட்டுள்ள ஒரு ஃபோட்டானிக் AI சிப்லெட் கட்டமைப்பான தைச்சியை வழங்கியுள்ளனர். மின்னணு பொறியியல் துறையைச் சேர்ந்த இணைப் பேராசிரியர் லு ஃபாங் மற்றும் ஆட்டோமேஷன் துறையைச் சேர்ந்த பேராசிரியர் கியோங்காய் டாய் ஆகியோரால் உருவாக்கப்பட்ட இந்த சிப், பெரிய அளவிலான செயற்கை நுண்ணறிவின் அதிகரித்து வரும் ஆற்றல் தேவைகளை இலக்காகக் கொண்டுள்ளது.
நுகரப்படும் ஆற்றலுடன் ஒப்பிடும்போது AI செயலாக்க சக்திக்கான முக்கிய அளவீடான ஒரு வாட்டிற்கு வினாடிக்கு 160 டெரா-செயல்பாடுகள் (TOPS/W) என்ற ஆற்றல் செயல்திறனை குழு தெரிவித்துள்ளது. சீனா அகாடமியின் பகுப்பாய்வின்படி, இது முன்னர் உருவாக்கப்பட்ட ஒப்பிடக்கூடிய ஃபோட்டானிக் நியூரல் நெட்வொர்க் சில்லுகளை விட குறிப்பிடத்தக்க முன்னேற்றத்தைக் குறிக்கிறது.
ஒளியுடன் AI ஆற்றல் சிக்கலைச் சமாளித்தல்
நவீன AI மாதிரிகள் மகத்தான கணக்கீட்டு சக்தி தேவைப்படுகிறது, இது குறிப்பிடத்தக்க மின்சார நுகர்வு மற்றும் வன்பொருள் தேவைகளுக்கு வழிவகுக்கிறது, மேலும் முன்னேற்றங்களுக்கு ஒரு தடையை அளிக்கிறது. IEEE Spectrum அதன் உள்ளடக்கத்தில் சிறப்பித்தபடி, OpenAI இன் GPT-3 போன்ற மாடல்களுக்கான பயிற்சி செலவுகள் வழக்கமான மின்னணுவியலின் ஆற்றல் சவால்களை அடிக்கோடிட்டுக் காட்டின. கணக்கீடுகளுக்கு ஒளியைப் பயன்படுத்தும் ஃபோட்டானிக் கம்ப்யூட்டிங் அதன் செயல்திறன் திறனுக்காக ஆராயப்பட்டது, ஆனால் முந்தைய முயற்சிகள் இரைச்சல் பெருக்கம் காரணமாக அளவிடுதல் சிரமங்களை எதிர்கொண்டன.
சீனாவில் Nvidia இன் H100 மற்றும் H20 GPUகள் போன்ற AI முடுக்கிகளுக்கான அணுகலை கட்டுப்படுத்தும் அமெரிக்க வர்த்தகக் கட்டுப்பாடுகளுக்கு மத்தியில் Taichi இன் வளர்ச்சியும் நிகழ்கிறது, இது மாற்று வன்பொருளுக்கான தேடலுக்கு சூழலைச் சேர்க்கிறது. IEEE Spectrum மேற்கோள் காட்டிய ஒப்பீடுகள், Taichi H100 சிப்பின் ஆற்றல் திறனில் 1,000 மடங்குக்கும் அதிகமாக செயல்படுவதைக் குறிக்கிறது.
எதிர்கால உள்நாட்டு AI சில்லுகளில், Nvidia மற்றும் பிற போட்டியாளர்களுடனான இடைவெளியை மூடுவதற்கு AI சில்லுகளின் சீன உற்பத்தியாளர்கள் தொழில்நுட்பத்தைப் பயன்படுத்தலாம். Huawei சமீபத்தில் CloudMatrix 384 AI கிளஸ்டரை வெளியிட்டது, இது Nvidia இன் முன்னணி GB200 NVL72 கட்டமைப்பை செயல்திறனில் முறியடிக்கிறது, ஆனால் அதிக மின் நுகர்வு செலவில்.
ஒரு கலப்பின, பரவலாக்கப்பட்ட ஃபோட்டானிக் வடிவமைப்பு
தைச்சி அதன் சிப்லெட்டுகளுக்குள் ஒளி பரவல் மற்றும் குறுக்கீடு நுட்பங்களை இணைக்கும் ஒரு தனித்துவமான உத்தியைப் பயன்படுத்துகிறது, இது குறுக்கீட்டின் மறுகட்டமைப்புடன் அதிக அடர்த்தியான மாறுபாட்டை இணைப்பதை நோக்கமாகக் கொண்டுள்ளது.
விரைவான பட செயலாக்கத்தில் கவனம் செலுத்தும் OPCA என்ற ஆப்டிகல் சிப் உட்பட, இந்த வேலை குழுவின் முந்தைய ஆராய்ச்சியை உருவாக்குகிறது. பிழைகளைப் பெருக்கக்கூடிய ஆழமான ஆப்டிகல் அடுக்குகளைப் பயன்படுத்துவதற்குப் பதிலாக, தைச்சி ஒரு பரவலாக்கப்பட்ட கட்டமைப்பைப் பயன்படுத்துகிறது. லு ஃபாங் இதை IEEE ஸ்பெக்ட்ரமுக்கு “‘ஆழத்தில் ஆழமற்ற ஆனால் அகலத்தில் பரந்த’ கட்டமைப்பாக விவரித்தார் [அது] நெட்வொர்க் அளவை உத்தரவாதம் செய்கிறது.”
சிக்கலான AI பணிகள் இணையான சிப்லெட்டுகளில் பிரிக்கப்பட்டுள்ளன, இது அமைப்பை பெரிய நெட்வொர்க்குகளை நிர்வகிக்க உதவுகிறது. அறிவியல் சுருக்கம் குறிப்பிடுகிறது “மில்லியன் கணக்கான நியூரான்களின் திறனை” அதன் 13.96 மில்லியன் அளவுருக்களிலிருந்து உருவாகிறது, அதே நேரத்தில் பல்கலைக்கழகத்தின் அறிவிப்பு பயனுள்ள அளவை “பில்லியன் கணக்கான” நியூரான்களை ஆதரிப்பதாக வடிவமைத்தது.
இந்த கட்டிடக்கலை கிட்டத்தட்ட 880 டிரில்லியன் MACS/mm² கணக்கீட்டு அடர்த்தியைக் கொண்டுள்ளது, இது 64×64 போன்ற பெரிய உள்ளீடு/வெளியீட்டு பரிமாணங்களைக் கொண்ட சிப்லெட்டுகளால் ஆதரிக்கப்படுகிறது. இந்த திட்டத்திற்கான நிதியில் சீனாவின் அறிவியல் மற்றும் தொழில்நுட்ப அமைச்சகம் மற்றும் சீனாவின் தேசிய இயற்கை அறிவியல் அறக்கட்டளையின் ஆதரவும் அடங்கும் என்று ஆய்வுடன் தொடர்புடைய தரவுகள் தெரிவிக்கின்றன.
நிரூபிக்கப்படும் திறன்கள் மற்றும் நடைமுறை தடைகள்
சிங்குவா குழு சிக்கலான AI அளவுகோல்களில் தைச்சியை சரிபார்த்தது. இது ஆம்னிகிளாட் கையால் எழுதப்பட்ட எழுத்துத் தொகுப்பில் 1,623 வகைகளை வகைப்படுத்தி 91.89% துல்லியத்தையும் 100-வகை மினி-இமேஜ்நெட் பணியில் 87.74% துல்லியத்தையும் அடைந்தது.
உள்ளடக்க உருவாக்கத்திற்கான AI மாதிரிகளையும் சிப் இயக்கியது, பாக் மற்றும் மன்ச் பாணியில் இசையை உருவாக்கியது. “ஆப்டிகல் நியூரல் நெட்வொர்க்குகள் இனி பொம்மை மாதிரிகள் அல்ல,”
Lu Fang IEEE ஸ்பெக்ட்ரம் நேர்காணலில் வலியுறுத்தினார். “இப்போது அவற்றை நிஜ உலகப் பணிகளில் பயன்படுத்தலாம்.” இருப்பினும், சிப்லெட் தானே சிறியதாக இருந்தாலும், முழுமையான அமைப்புக்கு தற்போது கணிசமான வெளிப்புற உபகரணங்கள் தேவைப்படுகின்றன. லேசர் மூலம் மற்றும் தரவு இடைத்தொடர்புகள் போன்ற கூறுகள் பருமனாக இருப்பதாகவும், குறிப்பிடத்தக்க ஆய்வக இடத்தை (“கிட்டத்தட்ட ஒரு முழு அட்டவணை”) ஆக்கிரமிப்பதாகவும் லு ஃபாங் IEEE ஸ்பெக்ட்ரமிடம் குறிப்பிட்டார். எதிர்கால வேலை இந்த செயல்பாடுகளை இன்னும் நெருக்கமாக ஒருங்கிணைப்பதை நோக்கமாகக் கொண்டுள்ளது, பெரிய AI மாதிரிகள், உள்ளடக்க உருவாக்கம் மற்றும் ரோபாட்டிக்ஸ் ஆகியவற்றில் பயன்பாடுகளை இலக்காகக் கொண்டுள்ளது.
மூலம்: Winbuzzer / Digpu NewsTex