ما هو وضع قانون جديد لتشغيل على رقاقة خاصة بهم؟ إنتل حد ذاتها ليست أدوات بوضوح الجديدة منزل شخص ما.
هذا هو البحث الذي اقترحه MIT استغرق عاما، ودعا Ithemal الوظيفة الأساسية هي في غاية البساطة:
الملايين تحليل يمكن وصفها تلقائيا الكتل الأساسية (الأساسي تعليمات جزء الحساب)، أن تعرف بالضبط كيفية تنفيذ وسائل حساب رقائق مختلفة.
تأثير مدهش جدا.
كشفت MIT نيوز أن النموذج التقليدي للتصميم الصناعي، رمز تشغيل التنبؤ السرعة على أساس رقاقة، ونسبة الخطأ بين سرعة التشغيل الفعلية تصل إلى 50.
حتى الباعة رقاقة، مثل الرمز التنبؤ بها إنتل على سرعة رقاقة، وصلت نسبة الخطأ 20. وIthemal، ونسبة الخطأ 10 فقط.
خمسة أضعاف الأداء من الطريقة التقليدية، وإنتل 2 مرات.
آليا العملية برمتها، ولا تتطلب تدخل بشري، وسوف تكون قادرة على تحليل بسرعة مئات الآلاف أو الملايين من القطع الأساسية.
وجنرال موتورز، ويمكن أن تتعلم بسرعة رمز على أية حال أداء بنية رقاقة جديدة، سواء كانت آلة الكيمياء التعلم، أو سلسلة تقنية التشفير، أو أمثل المترجم، وما إلى ذلك، يمكن أن تعقد العيش.
الباحثون الاستخدام المشترك للسيناريو من هذا القبيل:
إذا كنت ترغب في تدريب نموذجا على العمارة رقاقة جديدة، مثل TPU جوجل، تحتاج فقط إلى جمع هذه البيانات من المخطط تشغيل بعد محلل، لتدريب Ithemal، يمكنك الحصول على النموذج الذي يمكن التنبؤ الأداء. "
لأداء شريحة كاملة، مما يسمح التعليمة البرمجية لتشغيل أكثر كفاءة، وهي تقدم آفاقا جديدة.
واستنادا إلى الشبكة العصبية، وتجنب "الفيل"
عادة، من أجل رمز لتشغيل بكفاءة على الرقاقة، فإن مطوري مترجم الجمع بين أداء تصميم نموذج لمحاكاة تشغيل التعليمات البرمجية على بنية رقاقة.
ومطوري مزيد من تحسين رمز هذه المعلومات لزيادة تحسين كفاءة رمز، كسر عنق الزجاجة من رقاقة.
ورغم أن هذا الخط من التفكير لا توجد مشكلة، الأكاذيب المتاعب في كيفية تصميم نموذج الأداء، والطريقة التقليدية هي جزء من الخبراء لتصميم اصطناعية.
وجه العمارة رقاقة المعقدة، التي هي إلى حد ما "الفيل" الشعور، هو إنتل، ووصف وثيقة رقاقة هندسته المعمارية، ما لا يقل عن 3000 صفحة.
ومضمون ليست كاملة بالضرورة، مع مراعاة اعتبارات المنافسة التجارية والأمن التكنولوجي، ستقوم إنتل أن نتجاهل عمدا بعض المحتويات، والتي زادت بلا شك صعوبة - أعمى تطرق الفيل، يمكن المهترئ.
ناهيك عن العمارة الحديثة رقاقة، وليس مبهمة فقط، ولكن لها معقدة وصعبة الفهم. ترغب في الحصول على نموذج الأداء، فإنه من الصعب، كنت ترغب في الحصول على المزيد من النماذج أداء دقيقة، هو أكثر صعوبة.
نهج MIT، بدءا تجاوز "الفيل" معضلة، ولكن الشبكة العصبية، والتعلم من "البيانات".
هذه البيانات هو ينفذ رقاقة "لبنات أساسية" من أي ميزة لإضافة متوسط العدد المرغوب فيه من دورات، أي دليل.
"لا ترى" من خلال مدخلات حتى قبل كتلة ورقاقة الهندسة المعمارية الأساسية، ونموذج يمكن تدريب إعطاء رقم لتوقع سرعة رقاقة أكثر دقة أداء رمز.
على رأي القول روما لم تبن في يوم واحد ليست .
ولادة MIT هو أيضا أداة قوية خطوة خطوة .
الخطوة الأولى: "كتلة الأساسي" علم التدريب البيانات
أولا، فإن الباحثين يقترحون أداة الشبكة العصبية - ل" كتلة الأساسي "مارك في شكل بيانات التدريب.
والغرض من هذا هو التنبؤ تلقائيا شريحة معينة، ووقت التنفيذ اللازمة لكتلة الأساسي.
وأظهرت النتائج أن، بالمقارنة مع نموذج الضبط اليدوي التقليدي، ودقة أعلى من ذلك بكثير.
وتسمى هذه الأداة Ithemal، الدراسة التي نشرت أيضا في ICML 2019.
ويطلق الاسم الكامل Ithemal " أنا nstruction TH roughput E stimator باستخدام MA عمود فقري L كسب ".
مستوحاة من عمق الشبكة العصبية، والذي يستخدم نهج قائم على بيانات رواية للتنبؤ كتلة معينة من التعليمات.
Ithemal وعلى غرار مشكلة تقدير الإنتاجية كمهمة الانحدار، واستخدام الكثير من استخدام DNN تسلسل العلامة بيانات تم تعيينها إلى القيم الإنتاجية الفعلية، من أجل معرفة كيفية التنبؤ بها.
يتحدث بشكل أكثر تحديدا، Ithemal RNN باستخدام متعددة النطاق هرمي، بحيث يكون لكل تعليمات لتوليد إدراج منفصل، تليها اتصال مع تعليمات جزءا لا يتجزأ من الإنتاجية المتوقعة.
في كل المعايير، يتم تقليل مايب (مايب) أكثر من 50 في حين لا يزال توفير سرعة تقدير السريعة.
عند إنشاء التنبؤ ذات جودة عالية، Ithemal فقط مواصفات ISA وبيانات التدريب، بما في ذلك التعليمات والمواصفات الصريحة والضمنية المعاملات.
ومع نموذج مختلف، Ithemal دون أي مواصفات أو النمذجة واضحة، تحتاج فقط لمعرفة إلى أي مساعدة كبيرة لتحسين التفاصيل الهيكلية للنظام الجزئي الإنتاجية يمكن أن يكون.
وقام الباحثون أيضا ذات الصلة Ithemal الموارد في المصادر المفتوحة على جيثب: https://github.com/psg-mit/Ithemal
الخطوة الثانية: إطلاق الأداء نموذج التحقق من صحة كيت
ثم، في العام الماضي، في مؤتمر عبء العمل توصيف وقدم باحثون في نوفمبر ندوة IEEE الدولية جناح اختبار لقياس الأداء .
تتكون هذه المجموعة من القطع الأساسية من مختلف المجالات، بما في ذلك التعلم الآلي، ومترجم، والترميز والرسومات، يمكن أن يكون تستخدم للتحقق من نموذج الأداء .
تجدر الإشارة إلى أن يتم الانتهاء من الدراسة وجوجل معا.
وأنها ستكون أكثر من 30 مليون كتل البيانات إلى مجموعة BHive هذا هو الأساسية كتلة إكس86-64 نظام التحقق نموذج الأداء المرجعية.
قيم الباحثون استخدام BHive أداء أربعة نماذج الحالية: IACA، llvm-مولودية الجزائر، Ithemal وOSACA.
في تقييمهم، Ithemal التنبؤ سرعة رقاقة إنتل تشغيل التعليمات البرمجية، ل أسرع من نموذج الأداء الخاصة إنتل أنشأت .
وبالإضافة إلى ذلك، فإن الباحثين مجموعة البيانات بشكل جيد يلتقط الخصائص الأساسية لاثنين من التطبيقات جوجل: المفك وDREMEL.
في هذه الخطوة، يمكن للمطور ومترجم استخدام هذه الأداة لإنشاء التعليمات البرمجية التي يمكن أن تكون أسرع في متنوع تصميم "الصندوق الاسود" رقاقة، وتشغيل أكثر كفاءة.
وقال الهندسة الكهربائية وعلوم الحاسب الآلي (EECS) أستاذ مساعد مايكل كاربين:
الحديث مبهمة معالج الكمبيوتر، مجمع رهيب، من الصعب أن نفهم. إعداد هذه المعالجات لأداء بأسرع رمز حاسوبي الممكن تواجه أيضا تحديات هائلة.
وعلى غرار هذه الأداة نحو الأداء الكامل من هذه الرقائق، خطوة هامة من أجل تحسين الكفاءة.
الخطوة الثالثة: توليد أمثل مترجم تلقائيا
وأخيرا، في NeurIPS المجتمعين في ديسمبر من العام الماضي، والباحثين اقتراح الجيل التلقائي من أمثل مترجم التكنولوجيا الجديدة.
على وجه التحديد، فإنها تولد تلقائيا خوارزمية، ودعا Vemal يتم تحويل كود معين لناقل، فإنه يمكن استخدامها لالحوسبة المتوازية.
وتستخدم اليد كمية موجهة خوارزمية مع المترجم احترام LLVM (مترجم صناعة شعبية) لأفضل أداء Vemal.
الرئيسية هو استكشاف المناسب سياسة الشبكة العصبية الشكل لمحاكاة لها (صحيح البرمجة الخطية) الأمثل القرارات التي حل ILP غير مجدية.
وأظهرت النتائج أن طريقة يولد مخطط ناقلات في ثابت ووقت التشغيل المقاييس هي أفضل من أداء الاستدلال مترجم معايير الصناعة.
من معهد ماساتشوستس للتكنولوجيا علوم الحاسوب ومختبر الذكاء الاصطناعي
ثلاث ورقات هي من قوة أبحاث الذكاء الاصطناعي MIT - علوم الحاسوب ومختبر الذكاء الاصطناعي، ويشار CSAIL.
الشخصية المحورية هي Charith منديس، ثلاث ورقات، هناك اثنين بالنسبة له.
ولد في سري لانكا، وعندما جاء السيد لمعهد ماساتشوستس للتكنولوجيا، هو ACM زميل التلاميذ وثيقة CSAIL القيادات الأكاديمية سامان Amarasinghe - آخر طالب الدكتوراه واحد.
2015 معهد بحوث مايكروسوفت ريدموند في اسم الممارسة، والاتجاه البحثي الرئيسي هو المترجم، تحليل البرنامج وتعلم الآلة.
وأعرب عن أمله في المستقبل فإن الغالبية من التحسين مترجم تولد تلقائيا والتعلم، بدلا من الكتابة يدويا. أنها لن تنتج سوى كود أسرع، وسوف يكون من الأسهل لتطوير وصيانة.
والآن سلسلة من العمل، ويتحرك في هذا الاتجاه.
الخطوة التالية مباشرة، وسوف يجبر نموذج لشرح طرق البحث لمعرفة لماذا نموذج معين يمكن أن تجعل التنبؤات.
بوابة
مقالات عنوان:
Ithemal عنوان الورقة:
BHive عنوان الورقة:
الجيل التلقائي من مترجم أمثل عنوان الورقة:
- انتهى -
و qubit QbitAI عناوين على عقد
تابعنا، أبلغ أول مرة طليعة التطورات العلمية والتكنولوجية
