Нейро́нный проце́ссор ( англ. Neural Processing Unit, NPU или ИИ-ускоритель англ. AI accelerator) — это специализированный класс микропроцессоров и сопроцессоров (часто являющихся специализированной интегральной схемой ), используемый для аппаратного ускорения работы алгоритмов искусственных нейронных сетей , компьютерного зрения , распознавания по голосу , машинного обучения и других методов искусственного интеллекта .

Описание

Нейронные процессоры относятся к вычислительной технике и используются для аппаратного ускорения эмуляции работы нейронных сетей и цифровой обработки сигналов в режиме реального времени . Как правило, нейропроцессор содержит регистры , блоки памяти магазинного типа, коммутатор и вычислительное устройство, содержащее матрицу умножения , дешифраторы , триггеры и мультиплексоры .

На современном этапе (по состоянию на 2017 год) к классу нейронных процессоров могут относиться разные по устройству и специализации типы чипов , например:

• Нейроморфные процессоры — построенные по кластерной асинхронной архитектуре, разработанной в Корнеллском университете (принципиально отличающейся от фон Неймановской и Гарвардской компьютерных архитектур, используемых последние 70 лет в IT -отрасли). В отличие от традиционных вычислительных архитектур, логика нейроморфных процессоров изначально узкоспециализирована для создания и разработки разных видов искусственных нейронных сетей . В устройстве используются обычные транзисторы , из которых строятся вычислительные ядра (каждое ядро, как правило, содержит планировщик заданий, собственную память типа SRAM и маршрутизатор для связи с другими ядрами), каждое из ядер эмулирует работу нескольких сотен нейронов и, таким образом, одна интегральная схема, содержащая несколько тысяч таких ядер, алгоритмически может воссоздать массив из нескольких сотен тысяч нейронов и на порядок больше синапсов . Как правило, такие процессоры применяются для алгоритмов глубокого машинного обучения .
• Тензорные процессоры — устройства, как правило, являющиеся сопроцессорами , управляемыми центральным процессором . Тензорные процессоры оперируют тензорами - объектами при помощи которых удобно выполнять преобразование элементов одного векторного пространства в другое, и которые могут быть представлены как многомерные массивы чисел , обработка которых осуществляется с помощью таких программных библиотек , как, например TensorFlow и Caffe 2 . В угоду производительности они, обычно, выполняют операции над числами малой разрядности (8 или 16 бит ) и специализированы для быстрого выполнения таких операций, как матричное умножение и свёртка , используемых для эмуляции свёрточных нейронных сетей , которые используются для задач машинного обучения .
• Процессоры машинного зрения — во многом похожи на тензорные процессоры, но они узкоспециализированы для ускорения работы алгоритмов машинного зрения , в которых используются методы свёрточных нейронных сетей (CNN) и масштабно-инвариантная трансформация признаков (SIFT). В них делается большой акцент на распараллеливание потока данных между множеством исполнительных ядер , включая использование модели (англ.) (— как в многоядерных цифровых сигнальных процессорах , и они так же, как тензорные процессоры, используются для вычислений c низкой точностью, принятой при обработке изображений .

История

Области применения

• Беспилотный автомобиль — например, в этом направлении развивает свои платы (англ.) (компания Nvidia .
• Беспилотный летательный аппарат — например, навигационная система основанная на чипах (англ.) (успешно управляет автономными беспилотными летательными аппаратами .
• Диагностика в здравоохранении .
• Машинный перевод .
• Обработка естественного языка .
• Поисковая система — NPU повышают энергоэффективность центров обработки данных , и дают возможность использовать все более сложные запросы.
• Промышленный робот — NPU позволяют расширить спектр задач, которые возможно автоматизировать, путём добавления приспособляемости к меняющимся ситуациям.
• Распознавание по голосу — например, в мобильных телефонах использование технологии (англ.) (
• Сельскохозяйственный робот — например, борьба с сорняками без применения химических средств .

Примеры

Существующие продукты

• Процессоры машинного зрения :
  • Intel (англ.) (, который является многоядерным ИИ-ускорителем, основанным на VLIW -архитектуре, с дополненными узлами, предназначенными для обработки видео .
  • (англ.) (— это специализированный процессор, ускоряющий обработку алгоритмов машинного зрения для использования в беспилотном автомобиле .
• Тензорные процессоры :
  • Google TPU ( англ. Tensor Processing Unit) — представлен как ускоритель для системы Google TensorFlow , которая широко применяется для свёрточных нейронных сетей. Сфокусирован на большом объёме арифметики 8-битной точности .
  • Huawei Ascend 310 / Ascend 910 — первые два чипа оптимизированные под решения задач искусственного интеллекта из линейки Ascend компании Huawei .
  • Intel (англ.) (( англ. Neural Network Processor) — это первый коммерчески доступный тензорный процессор, предназначенный для постройки сетей глубокого обучения , компания Facebook была партнёром в процессе его проектирования .
  • Qualcomm Cloud AI 100 — ускоритель искусственного интеллекта, предназначенный для использования в составе облачных платформ, поддерживающий программные библиотеки PyTorch , Glow , TensorFlow , Keras и ONNX .
• Нейроморфные процессоры :
  • IBM TrueNorth — нейроморфный процессор, построенный по принципу взаимодействия нейронов , а не традиционной арифметики. Частота импульсов представляет интенсивность сигнала. По состоянию на 2016 год среди исследователей ИИ нет консенсуса, является ли это правильным путём для продвижения , но некоторые результаты являются многообещающими, с продемонстрированной большой экономией энергии для задач машинного зрения .
• (англ.) (— предназначен как сопроцессор, включает модель (англ.) ( (англ.) (, подходит к модели программирования потоком информации, которая должна подходить для многих задач машинного обучения.
• - плата расширения PCI Express с максимальной плотностью VPU Intel Movidius (MyriadX) для инференса сверхточных нейронных сетей в ЦОД
• (англ.) (MLU100 — карта расширения PCI Express с ИИ-процессором мощностью 64 TFLOPS с половинной точностью или 128 TOPS для вычислений INT8 .
• Cerebras Wafer Scale Engine (WSE, CS-1) — экспериментальный суперпроцессор компании Cerebras , содержит 1,2 трлн транзисторов , организованных в 400 000 ИИ-оптимизированных вычислительных ядер и 18 Гбайт локальной распределённой памяти SRAM , и всё это связано ячеистой сетью с общей производительностью 100 петабит в секунду. Чип Cerebras ― это фактически суперкомпьютер на чипе, где вычислительные ядра SLAC (Sparse Linear Algebra Cores) ― полностью программируемые и могут быть оптимизированы для работы с любыми нейронными сетями .
• (англ.) (— процессор компании (англ.) (, предназначен для работы в системах распознавания речи и прочих отраслях машинного обучения, он использует соединительную технологию LambdaFabric и позволяет объединять в единую систему до 512 тысяч процессоров .

GPU -продукты

• Nvidia Tesla — серия специализированных GPGPU -продуктов компании Nvidia :
  • Nvidia (англ.) (— графические процессоры (GPU) архитектуры Volta (2017 год) компании Nvidia (такие как Volta GV100), содержат до 640 специальных ядер для тензорных вычислений .
  • Nvidia (англ.) (— графические процессоры архитектуры Turing (2018 год) компании Nvidia (такие как Nvidia TU104), содержат до 576 специальных ядер для тензорных вычислений .
  • Nvidia DGX-1 — специализированный сервер , состоящий из 2 центральных процессоров и 8 GPU Nvidia (англ.) ((5120 тензорных ядер), связанных через быструю шину NVLink . Специализированная (англ.) (у этой системы является особенно подходящей для построения сетей глубокого обучения .
• AMD (англ.) (— специализированная GPGPU -плата компании AMD , предлагаемая как ускоритель для задач глубокого обучения .

ИИ-ускорители в виде внутренних сопроцессоров (аппаратных ИИ-блоков)

• Cambricon-1A — NPU-блок в ARM -чипах Huawei Kirin 970, разработанный компанией (англ.) ( .
• (англ.) (NeuPro — семейство лицензируемых ИИ-процессоров для глубокого обучения компании (англ.) ( .
• Neural Engine — ИИ-ускоритель внутри ARM-чипов Apple A11 Bionic и A12 Bionic SoC .
• PowerVR 2NX NNA (Neural Network Accelerator) — семейство лицензируемых IP-модулей для машинного обучения компании Imagination Technologies .

Научные исследования и разрабатываемые продукты

• Индийский технологический институт в Мадрасе разрабатывает ускоритель на импульсных нейронах для новых систем архитектуры RISC-V , направленных на обработку больших данных на серверных системах .
• (англ.) (— разработка, направлена на свёрточные нейронные сети с применением блокнотной памяти и сетевой архитектуры в пределах кристалла.
• (англ.) (— многоблочный и многоядерный сопроцессор компании Fujitsu использующий вычисления с низкой точностью и предназначенный для глубокого машинного обучения .
• (англ.) (— нейроморфный процессор компании Intel , который сочетает процессы обучения, тренировки и принятия решений в одном чипе, позволяя системе быть автономной и «сообразительной» без подключения к облаку . Например, при обучении с помощью базы данных MNIST (Mixed National Institute of Standards and Technology) процессор Loihi оказывается в 1 млн раз лучше, чем другие типичные спайковые нейронные сети .
• (англ.) (— показала (англ.) ( и сообщила о повышении эффективности свёрточных нейронных сетей в сравнении с GPU .
• SpiNNaker — массово-параллельная компьютерная архитектура, которая сочетает ядра традиционной ARM-архитектуры с усовершенствованной сетевой структурой, специализированной для моделирования крупной нейронной сети.
• (англ.) (— разработка компании Qualcomm , направленная непосредственно на привнесение возможностей распознавания речи и изображений в мобильные устройства .
• IVA TPU — тензорный процессор, над созданием которого работает российская компания IVA Technologies. В октябре 2020 года были опубликованы результаты тестирования архитектуры ускорителя расчета нейронных сетей IVA TPU, проведенного международным консорциумом MLPerf (учрежден в 2018 году Baidu , Google , Harvard University , Stanford University , University of California, Berkeley ).

Примечания

Ссылки

• (рус.) . Servernews. (31 августа 2017). Дата обращения: 17 ноября 2017.