摩爾定律的迫在眉睫和深度學(xué)習(xí)的不斷使用推動(dòng)了針對(duì)特定神經(jīng)體系結(jié)構(gòu)進(jìn)行優(yōu)化的定制芯片的設(shè)計(jì)。這些定制芯片也被稱(chēng)為加速器，可以顯著地增加可用的算力，從而提高神經(jīng)網(wǎng)絡(luò)的性能以及廣泛應(yīng)用的可能性。

在談到有關(guān)該公司是如何利用人工智能促進(jìn)其定制芯片的研發(fā)時(shí)，Google Brain的總監(jiān)杰夫迪恩（Jeff Dean）指出，在某些情況下，深度學(xué)習(xí)可以比人類(lèi)做出更好的決策，像是規(guī)劃芯片中的電路布局。

2月初，Google發(fā)表了論文《阿波羅：可遷移架構(gòu)探索》（Apollo：Architecture Exploration），講述了名為Apollo的研究項(xiàng)目，該項(xiàng)目提供了一種通用的芯片架構(gòu)探索框架。

芯片架構(gòu)指的是芯片功能組件的設(shè)計(jì)，它們?nèi)绾蜗嗷プ饔靡约败浖?a href="http://www.www27dydycom.cn/v/tag/1730/" target="_blank">程序員應(yīng)如何訪問(wèn)這些組件。例如，經(jīng)典的Intel x86處理器具有一定數(shù)量的片上內(nèi)存、專(zhuān)用的數(shù)學(xué)邏輯單元和寄存器以一定的組合方式組成，這種組合方式賦予「英特爾架構(gòu)」以意義。

定制芯片需要高效的架構(gòu)探索方法。然而，由于搜索空間呈指數(shù)級(jí)增長(zhǎng)，而目標(biāo)函數(shù)又是一個(gè)黑匣子，優(yōu)化架構(gòu)的參數(shù)是一個(gè)艱巨的任務(wù)，通常需要專(zhuān)業(yè)知識(shí)。施加在參數(shù)上的約束進(jìn)一步使有效配置的識(shí)別變得復(fù)雜。

為了解決上述問(wèn)題，Apollo程序執(zhí)行的是適合運(yùn)行某種神經(jīng)網(wǎng)絡(luò)的架構(gòu)的探索。

這樣，目標(biāo)就變成了，對(duì)于芯片架構(gòu)來(lái)說(shuō)正確的參數(shù)是什么，對(duì)于給定的神經(jīng)網(wǎng)絡(luò)任務(wù)，芯片應(yīng)滿足哪些標(biāo)準(zhǔn)？

該團(tuán)隊(duì)將目標(biāo)函數(shù)定義為找到適合于給定的AI任務(wù)的某種正確的數(shù)學(xué)運(yùn)算單元組合，并對(duì)超過(guò)4.52億個(gè)參數(shù)進(jìn)行排序檢索，包括將使用多少個(gè)數(shù)學(xué)運(yùn)算單元（處理器）以及對(duì)于給定模型而言最佳的參數(shù)存儲(chǔ)量和激活存儲(chǔ)量。

圖示：人工智能加速器芯片的搜索空間，即芯片架構(gòu)必須優(yōu)化的功能塊。許多AI芯片的特征是用于大量簡(jiǎn)單數(shù)學(xué)運(yùn)算的并行，相同的處理器用于執(zhí)行許多矢量矩陣乘法，這是神經(jīng)網(wǎng)絡(luò)處理的主力軍。（來(lái)源：Google Blog）

他們選擇了一個(gè)名為MobileNet的較為簡(jiǎn)單的AI任務(wù)進(jìn)行測(cè)試，這是一種由資源節(jié)約型網(wǎng)絡(luò)組成的卷積神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)演示了如何利用針對(duì)復(fù)雜的高維度的定制優(yōu)化策略進(jìn)行架構(gòu)探索，并以合理的少量評(píng)估（約占搜索空間的0.0004％）產(chǎn)生大的改進(jìn)（高達(dá)24.6％）。此外，他們還測(cè)試了執(zhí)行諸如對(duì)象檢測(cè)和語(yǔ)義分段之類(lèi)任務(wù)的工作負(fù)載。

Apollo可以采用多種方法進(jìn)行所謂的「黑盒優(yōu)化」，并且可以比較每種方法在解決不同目標(biāo)的效果，使這些方法適應(yīng)于特定的任務(wù)。

該團(tuán)隊(duì)在架構(gòu)探索的背景下探索了四種優(yōu)化策略，這些優(yōu)化策略實(shí)際上是為開(kāi)發(fā)神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)而設(shè)計(jì)的，包括隨機(jī)采樣、貝葉斯優(yōu)化、為「設(shè)計(jì)」 DNA序列而研發(fā)的進(jìn)化搜索以及基于總體的黑盒優(yōu)化（P3BO）。

對(duì)這些優(yōu)化進(jìn)行比較的主要目的是為了有條不紊地指出最有效的方法。實(shí)驗(yàn)結(jié)果表明，進(jìn)化方法和P3BO優(yōu)于隨機(jī)選擇和貝葉斯優(yōu)化。

圖示：Apollo的優(yōu)點(diǎn)是可以將各種現(xiàn)有的優(yōu)化方法相結(jié)合，以了解它們?nèi)绾卧趦?yōu)化新型芯片設(shè)計(jì)的體系結(jié)構(gòu)中相互疊加。（來(lái)源：Google Blog）

Apollo的搜索是高效的，可遷移的。

研究人員將P3BO與架構(gòu)解決方案的半窮盡搜索集進(jìn)行了比較，發(fā)現(xiàn)基于總體的黑盒優(yōu)化方法能夠發(fā)現(xiàn)并使用像是計(jì)算與內(nèi)存這類(lèi)的電路中權(quán)衡取舍的解決方案，而這些通常需要特定領(lǐng)域的知識(shí)。并且，基于總體的方法可以找到半窮盡搜索無(wú)法找到的解決方案。

因此，Apollo能夠弄清楚不同的優(yōu)化方法在芯片設(shè)計(jì)中的效果如何。但是，它還可以做更多的事情，那就是它可以運(yùn)用「遷移學(xué)習(xí)」展示如何依次改進(jìn)這些優(yōu)化。

Yazdanbakhsh及其同事將Apollo稱(chēng)為「第一個(gè)可遷移的架構(gòu)探索的基礎(chǔ)框架」，它在不同的芯片上工作的越多，越能更好地探索可能的芯片體系結(jié)構(gòu)，從而將學(xué)到的知識(shí)遷移到每個(gè)新任務(wù)上。研究表明，遷移學(xué)習(xí)可以有效地改善目標(biāo)體系結(jié)構(gòu)的探索，尤其是當(dāng)優(yōu)化約束具有更嚴(yán)格的界限時(shí)。

使用AI設(shè)計(jì)運(yùn)行AI的芯片具有很好的對(duì)稱(chēng)性。

Apollo代表著一個(gè)有趣的發(fā)展，超越了之前所說(shuō)的機(jī)器學(xué)習(xí)僅用于一些「布局與布線」之類(lèi)的低層次的設(shè)計(jì)決策。相比之下，Apollo程序執(zhí)行的是更高層次的「架構(gòu)探索」，而不僅僅是創(chuàng)建類(lèi)似于建筑中的平面設(shè)計(jì)圖的產(chǎn)物。

當(dāng)被問(wèn)及Dean的描述時(shí)，主要作者阿米爾雅茲丹巴赫什（Amir Yazdanbakhsh）解釋?zhuān)骸肝視?huì)看到我們的工作和布局布線工作是正交且互補(bǔ)的。相比于計(jì)算堆棧中的布局布線，架構(gòu)探索的層次要更高?！顾J(rèn)為「架構(gòu)探索」是存在更高性能的改進(jìn)余地的方式。

但是，為MobileNet或任何其他網(wǎng)絡(luò)設(shè)計(jì)的芯片受到一定程度上的適用性的限制。

文章的作者之一Berkin Akin指出優(yōu)化結(jié)果是芯片和神經(jīng)網(wǎng)絡(luò)共同優(yōu)化的產(chǎn)物?！干窠?jīng)網(wǎng)絡(luò)架構(gòu)必須了解目標(biāo)硬件架構(gòu)，以?xún)?yōu)化整體系統(tǒng)性能和能效?！顾硎荆珹pollo對(duì)于給定的工作負(fù)載可能就足夠了，但在芯片和神經(jīng)網(wǎng)絡(luò)之間進(jìn)行「共同優(yōu)化」，將在未來(lái)產(chǎn)生其他好處。

「我們用ML為給定的工作負(fù)載找到最佳的硬件體系結(jié)構(gòu)。當(dāng)然，在某些情況下，可以靈活地同時(shí)優(yōu)化硬件設(shè)計(jì)和神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)。實(shí)際上，我們正在進(jìn)行一些此類(lèi)聯(lián)合優(yōu)化的工作，我們希望可以取得更好的折衷。.. 」

因此，雖然芯片設(shè)計(jì)受到AI的工作量的影響，但是新的芯片設(shè)計(jì)進(jìn)程也會(huì)對(duì)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)產(chǎn)生相當(dāng)?shù)挠绊懀@類(lèi)的辯證法在未來(lái)幾年中可能會(huì)以有趣的方式發(fā)展。
責(zé)任編輯：YYX