“yapay zeka çipleri” için sonuçlar
6 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka Çipleri İçin Süper Verimli Karekök Hesaplama Sistemi Geliştirildi
Araştırmacılar, yapay zeka ve gömülü sistemlerde kullanılan karekök hesaplamalarını çok daha az enerji tüketerek gerçekleştiren yeni bir mimari geliştirdi. E2AFS adlı bu sistem, geleneksel yöntemlere kıyasla önemli ölçüde daha az güç tüketiyor ve daha hızlı çalışıyor. Özellikle kenar yapay zeka uygulamaları, sinyal işleme ve gömülü sistemlerde kritik olan bu gelişme, mobil cihazlardan otonom araçlara kadar birçok alanda enerji verimliliği sağlayabilir. Sistem, çarpıcı tamamen ortadan kaldırarak ve devre karmaşıklığını azaltarak bu başarıyı elde ediyor.
AccelCIM: Yapay Zeka Çiplerinde Bellek-İçi Hesaplama Devrimini Getiren Yeni Mimari
Araştırmacılar, derin öğrenme modellerinin çalıştırılması için SRAM tabanlı bellek-içi hesaplama (CIM) hızlandırıcılarının verimliliğini artıran AccelCIM adlı yeni bir framework geliştirdi. Bu sistem, geleneksel çip mimarilerinin aksine, veriyi işlemciye taşımak yerine doğrudan bellekte hesaplama yaparak enerji tüketimini ve gecikmeyi büyük ölçüde azaltıyor. AccelCIM, özellikle büyük dil modelleri gibi kapsamlı yapay zeka uygulamalarında kritik olan veri akışı optimizasyonu sorununu çözüyor. Framework, çip tasarımcılarına sistematik bir keşif alanı sunarak, farklı CIM makro konfigürasyonlarını ve makro-dizi organizasyonlarını değerlendirme imkanı sağlıyor. Cycle-accurate simülasyonlar ve post-layout analizi ile desteklenen bu yaklaşım, gelecekteki AI çiplerinin tasarımında önemli kılavuzluk edecek pratik çözümler sunuyor.
Yapay Zeka Çipleri Artık Sıfır Bilgi İspatları İçin Kullanılabilecek
Araştırmacılar, kripto para ve blockchain dünyasında kritik öneme sahip sıfır bilgi ispatlarının hesaplanmasını hızlandırmak için yapay zeka çiplerini kullanmanın yolunu buldu. MORPH adlı yeni framework, TPU gibi AI çiplerinin güçlü matrix işleme kapasitesini sıfır bilgi ispat hesaplamalarında kullanarak bu süreçleri dramatik şekilde hızlandırıyor. Sıfır bilgi ispatları, bir kişinin gizli bir bilgiye sahip olduğunu o bilgiyi açıklamadan kanıtlamasına olanak tanıyan kriptografik yöntemler. Ancak bu hesaplamalar çok maliyetli ve yavaş. Yeni yaklaşım, bu sorunu yapay zeka çiplerinin sahip olduğu paralel işlem gücüyle çözmeyi hedefliyor.
Yapay Zeka Çiplerinde Devrim: Hafızada Hesaplama Teknolojisi
Araştırmacılar, büyük dil modellerinin mobil cihazlarda daha verimli çalışması için yenilikçi bir çip mimarisi geliştirdi. CIMple adı verilen bu teknoloji, hesaplama işlemlerini doğrudan hafıza birimlerinin içinde gerçekleştirerek enerji tüketimini dramatik şekilde azaltıyor. Geleneksel çiplerde veri sürekli işlemci ve hafıza arasında taşınırken, bu yeni yaklaşım hesaplamaları hafızanın içinde yaparak bu gereksiz veri trafiğini ortadan kaldırıyor. Özellikle transformer tabanlı yapay zeka modellerinin attention mekanizmalarını hızlandırmak için özel olarak tasarlanan sistem, mobil cihazlarda büyük dil modellerinin kullanımını mümkün kılabilir. Bu gelişme, yapay zekanın günlük yaşamdaki cihazlarda daha yaygın kullanımına kapı açabilir.
MemExplorer: Yapay Zeka Çiplerinin Bellek Mimarisi Sorununu Çözmeye Odaklanıyor
Büyük dil modellerinin (LLM) hızla gelişmesiyle birlikte yapay zeka çiplerinin bellek ihtiyaçları dramatik şekilde artıyor. Bu modellerin farklı çalışma aşamaları - örneğin veri önyükleme ve kod çözme aşamaları - tamamen farklı bellek kapasitesi ve bant genişliği gereksinimleri ortaya koyuyor. Teknoloji devleri bu zorluğa NVIDIA'nın Vera Rubin platformu gibi heterojen hızlandırıcıları birleştiren sistemlerle yanıt veriyor. Ancak durum, SRAM, HBM, LPDDR gibi mevcut bellek teknolojilerinin yanı sıra yüksek bant genişlikli flash bellek gibi yeni seçeneklerin de devreye girmesiyle daha da karmaşıklaşıyor. Her teknoloji farklı kapasite, hız ve enerji tüketimi avantajları sunuyor. MemExplorer projesi, gelecek nesil yapay zeka çiplerinin optimal bellek mimarisini belirlemek için bu geniş tasarım alanında navigasyon sağlamaya odaklanıyor.
AI Çiplerinde 8-bit Hesaplamalarla Kuantum Kimyası Simülasyonları 364% Hızlandı
Araştırmacılar, yapay zeka çiplerinde kuantum kimyası hesaplamalarını büyük ölçüde hızlandıran yenilikçi bir yöntem geliştirdi. NVIDIA Tensor Core'lar gibi AI donanımlarında 8-bit tam sayı aritmetiği kullanan adaptif hassasiyet algoritması, yoğunluk uydurma methodunu önemli ölçüde hızlandırıyor. RTX 4090'da %204, RTX 6000 Ada'da ise %364'e varan hız artışları elde edilen çalışmada, hesaplama doğruluğundan taviz verilmiyor. Bu gelişme, AI donanımının bilimsel hesaplamalarda nasıl etkili kullanılabileceğini gösteriyor.