Périphériques technologiques
IA
L'avenir de l'intelligence artificielle : l'impact révolutionnaire de la multiplication matricielle optique
L'avenir de l'intelligence artificielle : l'impact révolutionnaire de la multiplication matricielle optique
Le monde actuel de l’IA est gourmand en énergie et limité en termes de calcul. La trajectoire de développement des modèles est rapide, mais ces progrès nécessitent une augmentation substantielle de la puissance de calcul. L’informatique à transistors existante approche de ses limites physiques et a déjà du mal à répondre à ces demandes informatiques croissantes.
Les grandes entreprises ont tenté de résoudre ce problème en développant leurs propres solutions de puces personnalisées. Cependant, les goulots d'étranglement matériels peuvent être trop graves pour être surmontés avec des processeurs électroniques traditionnels. Alors, comment la technologie peut-elle répondre de manière adéquate à la croissance exponentielle de la demande de puissance de calcul ?
Multiplication matricielle
Dans les grands modèles de langage, plus de 90 % des tâches informatiques utilisent la multiplication matricielle. La multiplication matricielle peut prendre en charge divers modules fonctionnels de l'intelligence artificielle en effectuant les opérations de base de multiplication et d'addition de manière structurée. Cela s'applique non seulement aux modèles de langage, mais constitue également la base de presque tous les réseaux de neurones : il peut réaliser des connexions entre neurones à grande échelle, effectuer des opérations de convolution pour la classification d'images et la détection d'objets, traiter des données séquentielles, etc. Bien qu'il s'agisse d'un concept simple, il est essentiel pour manipuler et transformer efficacement les données qui prennent en charge l'IA et d'innombrables autres applications. L'importance de la multiplication matricielle ne peut donc pas être surestimée
À mesure que les modèles d'IA deviennent plus sophistiqués, plus ils sont grands, plus nous avons d'opérations matricielles. pour être performant, ce qui signifie que nous avons besoin d’une puissance de calcul plus puissante. Aujourd’hui encore, pour répondre à cette demande, les produits électroniques ont atteint leurs limites. Existe-t-il d'autres solutions ?
Multiplication de matrice optique
L'optique a été utilisée de nombreuses façons pour changer nos vies, notamment dans les communications optiques dans les réseaux de fibres optiques. L’informatique optique est une prochaine étape naturelle. L'électronique numérique nécessite un grand nombre de transistors pour effectuer les opérations arithmétiques les plus simples, tandis que l'informatique optique exploite les lois de la physique pour effectuer des calculs. Les informations d'entrée sont codées sous forme de faisceaux lumineux et des multiplications matricielles sont effectuées en utilisant les propriétés naturelles de l'optique telles que l'interférence et la diffraction. Les informations peuvent être codées dans plusieurs longueurs d'onde, polarisations et modes spatiaux, permettant ainsi à un nombre illimité de traitements et de calculs parallèles de se produire virtuellement à la vitesse de la lumière.
Ajouter de nouvelles dimensions avec l'optique 3D
Avec la fin de Dennard Scaling et de la loi de Moore, il est temps de revisiter les bases de l'informatique. L'électronique numérique est intrinsèquement limitée aux configurations « 2D » : les grilles et les circuits des transistors sont fabriqués sur des tranches, et le calcul est effectué par le flux d'informations entre différentes unités sur le plan 2D. Cette architecture informatique 2D nécessite une densité de transistors toujours croissante, entraîne de sérieux problèmes d’interconnexion et souffre du fameux goulot d’étranglement de la mémoire. Avec le développement de la mémoire empilée 3D, la transformation de la conception 2D a désormais commencé, mais l'industrie dans son ensemble a encore un long chemin à parcourir pour s'adapter.
L'optique peut désormais révolutionner le jeu en effectuant des calculs naturellement dans l'espace 3D. L’ajout de nouvelles dimensions peut atténuer bon nombre des limitations de l’informatique traditionnelle. L'interconnexion des composants est plus facile et plus économe en énergie, et permet un débit toujours croissant (combien de calculs peuvent être effectués dans un temps donné) sans compromettre la latence (la rapidité avec laquelle chaque calcul est effectué). C'est tout à fait unique en optique 3D : que vous multipliiez 10 nombres ou 10 000 nombres, tout se passe simultanément à la vitesse de la lumière. Cela a un impact énorme sur l’évolutivité des processeurs optiques, leur permettant d’atteindre 1 000 fois la vitesse des processeurs numériques actuels.
En plus de l'évolutivité inhérente à l'optique 3D, les vitesses d'horloge de l'optique peuvent offrir des vitesses jusqu'à 100 fois plus rapides que celles de l'électronique traditionnelle, et la capacité de multiplexer les longueurs d'onde ouvre la porte à de nouvelles améliorations jusqu'à 100 fois. La combinaison de tout cela permet d'augmenter de manière exponentielle les vitesses de calcul avec un débit plus élevé, une latence plus faible et une fiabilité plus élevée que seule la multiplication matricielle optique 3D peut fournir. d'application. Le débit élevé et la faible latence apportés par l’optique 3D sont particulièrement précieux pour les tâches d’inférence d’intelligence artificielle dans les centres de données, une application axée sur la réactivité et l’efficacité en temps réel.
L'informatique optique 3D a considérablement amélioré la bande passante, la latence, la vitesse et l'évolutivité par rapport à l'électronique traditionnelle ou à la photonique intégrée. De plus, il est compatible avec les algorithmes d'apprentissage automatique existants et a donc le potentiel de révolutionner toutes les applications d'intelligence artificielle
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées
Jul 15, 2024 pm 12:21 PM
Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
