Нейронная сеть Тесла адаптируется к аппаратным средствам, выделенным в новой патентной заявке

Нейронная сеть Тесла адаптируется к аппаратным средствам, выделенным в новой патентной заявке

Разработки Tesla в области искусственного интеллекта являются одним из наиболее важных аспектов его нынешних и будущих технологий, и это включает адаптацию нейронных сетей к различным аппаратным платформам. Недавняя патентная публикация под названием «Система и метод адаптации модели нейронной сети на аппаратной платформе» дает представление о том, как производитель электромобилей принимает вызов.

В целом, нейронная сеть — это набор алгоритмов, предназначенных для сбора данных и распознавания из них шаблонов. Конкретные данные, которые собираются, зависят от используемой платформы и того, какую информацию она может отправлять в сеть, например, камеры / данные изображения и т. Д. Различия между платформами означают различия в алгоритмах нейронной сети, и их адаптация требует времени Разработчики. Так же, как приложения должны быть запрограммированы для работы на основе операционной системы или аппаратного обеспечения, например, на телефоне или планшете, также как и нейронные сети. Ответ Теслы на вопрос об адаптации — это автоматизация (конечно).

Во время процесса адаптации нейронной сети к конкретному оборудованию разработчик программного обеспечения должен принимать решения на основе доступных опций, встроенных в используемое оборудование. Каждый из этих вариантов, в свою очередь, обычно требует исследования, анализа документации по оборудованию и анализа воздействия, при этом каждый выбранный набор параметров, в конечном итоге, добавляет конфигурацию для использования нейронной сети. Приложение Tesla называет эти варианты «точками решения», и они являются важной частью функционирования их изобретения.

Кредит: Тесла / USPTO

Согласно приложению, после подключения модели нейронной сети и информации о конкретной аппаратной платформе для адаптации программный код пересекает сеть, чтобы узнать, где находятся точки принятия решения, а затем запускает параметры аппаратного обеспечения в отношении этих точек для предоставления доступных конфигураций. Более конкретно, программный метод рассматривает аппаратные ограничения (такие как ресурсы обработки и показатели производительности) и генерирует настройки для нейронной сети, которые будут удовлетворять требованиям для ее правильной работы. Из приложения:

«Чтобы создать конкретную реализацию абстрактной нейронной сети, может быть принято несколько решений о реализации одного или нескольких типов размещения системы, точности чисел, выбора алгоритма, заполнения данных, использования ускорителя, шага и многого другого. Эти решения могут быть приняты на уровне каждого уровня или на уровне тензора, поэтому потенциально могут быть сотни или даже больше решений для конкретной сети. Варианты осуществления изобретения учитывают многие факторы перед реализацией нейронной сети, поскольку многие конфигурации не поддерживаются базовыми программными или аппаратными платформами, и такие конфигурации приведут к неработоспособной реализации ».

Кредит: Тесла / USPTO

Изобретение Теслы также предоставляет возможность отображать информацию о конфигурации нейронной сети на графическом интерфейсе, чтобы сделать оценку и выбор более удобными для пользователя. Например, разные конфигурации могут иметь разное время оценки, энергопотребление или потребление памяти. Возможно, аналогией для этого процесса будет выбор конфигураций, основанных на различиях между режимом трека и режимом диапазона, но вместо того, чтобы вы хотели, чтобы ваш ИИ работал с вашим оборудованием.

Эта патентная заявка, по-видимому, является одним из продуктов приобретенного компанией Tesla DeepScale, стартапа ИИ, ориентированного на полное самостоятельное управление и проектирование нейронных сетей для небольших устройств. Указанный изобретатель, доктор Майкл Дрисколл, был старшим инженером по персоналу в DeepScale до перехода на должность старшего инженера-программиста в Tesla. Предыдущий генеральный директор DeepScale доктор Форрест Иандола также перешел в Tesla в качестве старшего научного сотрудника по машинному обучению, прежде чем перейти к независимым исследованиям в этом году.

Ваш адрес email не будет опубликован. Обязательные поля помечены *