شتاب دهنده با معماری خوشه ای مبتنی بر عناصر پردازشی به منظور پیاده سازی شبکه های عصبی

شبکه های عصبی کانولوشن عمیق در سطح وسیعی در سیستم های مبتنی بر هوش مصنوعی استفاده می شوند و چالش اصلی در گذر دهی، تاخیر، کارآمدی انرژی و ... است. با استفاده از شتاب دهنده های سخت افزاری در افزایش سرعت محاسبات کانولوشن، می توان تاخیر در شبکه های عصبی کانولوشن را کاهش داد. معماری پیشنهادی، یک شتاب دهنده مبتنی بر معماری خوشه ای است که در یک آرایه قرار گرفته اند. هر خوشه دارای تعدادی عنصر پردازشی موازی است. با توزیع محاسبات در خوشه های شتاب دهنده و عناصر پردازشی موجود در هر خوشه، محاسبات به صورت موازی و در زمان کمتری نسبتبه محاسبات متوالی صورت می گیرند که منجر به کاهش تاخیر ناشی از محاسبات زیاد در شبکه میشود. در معماری پیشنهادی، از معماری خوشهای استفاده شده و استفاده از حافظه های محلی در عناصر پردازشی و یک حافظه مشترک بین خوشه های شتاب دهنده، باعث نزدیک شدن محل ذخیره داده ها به محل انجام محاسبات و کاهش جابجایی داده ها در شبکه می شود. نتایج به دست آمده نشان داد که تاخیر در معماری پیشنهادی نسبت به استفاده از محاسبات متوالی در عناصر پردازشی، به طور میانگین 85,8 درصد کاهش یافت.

کلیدواژه ها:

شبکه عصبی کانولوشن ، محاسبات کانولوشن ، شتاب دهنده ، معماری فضایی ، عنصر پردازشی