Lompat ke isi

Akselerator kecerdasan buatan: Perbedaan antara revisi

Ensiklopedia Pengetahuan Universitas Islam Sultan Agung

Maintenance script (bicara | kontrib)

37.956 suntingan
Maintenance script (bicara | kontrib)
37.956 suntingan
Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 26244051; atribusi sumber disertakan.
 
Maintenance script (bicara | kontrib)
37.956 suntingan
Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi
 
Baris 1: Baris 1:
'''Akselerator kecerdasan buatan''' adalah sebuah kelas [[mikroprosesor]] atau sistem komputer dirancang sebagai [[Akselerasi perangkat keras|perangkat keras akselerasi]] untuk aplikasi [[kecerdasan buatan]], terutama [[jaringan saraf tiruan]], [[Penglihatan mesin|pengelihatan mesin]], dan [[pemelajaran mesin]]. Aplikasi yang umum termasuk algoritma untuk [[robotika]], [[Internet untuk Segala|internet untuk segala hal]] dan tugas [[data|data-]]<nowiki/>intensif atau berbasis sensor lainnya. Akselerator kecerdasan buatan seringkali merupakan desain [[Manycore|inti banyak]] dan umumnya berfokus pada aritmatika [[Presisi (ilmu komputer)|presisi rendah]], [[Arsitektur dataflow|arsitektur aliran data]] baru atau kemampuan [[komputasi dalam memori]]. Sejumlah persyaratan khusus vendor ada untuk perangkat dalam kategori ini, dan ini merupakan [[teknologi yang muncul]] tanpa [[desain yang dominan]] . Akselerator kecerdasan buatan dapat ditemukan di banyak perangkat seperti [[Ponsel cerdas|smartphone]], tablet, dan [[komputer]] di seluruh dunia.
'''Akselerator kecerdasan buatan''' adalah sebuah kelas [[mikroprosesor]]<ref>[https://www.v3.co.uk/v3-uk/news/3014293/intel-unveils-movidius-compute-stick-usb-ai-accelerator Intel unveils Movidius Compute Stick USB AI Accelerator]. 2017-07-21.</ref> atau sistem komputer<ref>[https://insidehpc.com/2017/06/inspurs-unveils-gx4-ai-accelerator/ Inspurs unveils GX4 AI Accelerator]. 2017-06-21.</ref> dirancang sebagai [[Akselerasi perangkat keras|perangkat keras akselerasi]] untuk aplikasi [[kecerdasan buatan]], terutama [[jaringan saraf tiruan]], [[Penglihatan mesin|pengelihatan mesin]], dan [[pemelajaran mesin]]. Aplikasi yang umum termasuk algoritma untuk [[robotika]], [[Internet untuk Segala|internet untuk segala hal]] dan tugas [[data|data-]]<nowiki/>intensif atau berbasis sensor lainnya.<ref>[http://www.eetimes.com/document.asp?doc_id=1329715 Google Developing AI Processors].Google using its own AI accelerators.</ref> Akselerator kecerdasan buatan seringkali merupakan desain [[Manycore|inti banyak]] dan umumnya berfokus pada aritmatika [[Presisi (ilmu komputer)|presisi rendah]], [[Arsitektur dataflow|arsitektur aliran data]] baru atau kemampuan [[komputasi dalam memori]].<ref>"[https://www.academia.edu/36504841/A_Survey_of_ReRAM-based_Architectures_for_Processing-in-memory_and_Neural_Networks A Survey of ReRAM-based Architectures for Processing-in-memory and Neural Networks]", S. Mittal, Machine Learning and Knowledge Extraction, 2018</ref> Sejumlah persyaratan khusus vendor ada untuk perangkat dalam kategori ini, dan ini merupakan [[teknologi yang muncul]] tanpa [[desain yang dominan]] . Akselerator kecerdasan buatan dapat ditemukan di banyak perangkat seperti [[Ponsel cerdas|smartphone]], tablet, dan [[komputer]] di seluruh dunia.


== Sejarah ==
== Sejarah ==
=== Percobaan awal ===
=== Percobaan awal ===
Pada awal 1993, [[Digital signal processor|prosesor sinyal digital]] digunakan sebagai akselerator jaringan saraf misalnya untuk mempercepat perangkat lunak [[Pengenalan karakter optis|pengenalan karakter optik]]. Pada 1990-an, ada juga upaya untuk membuat sistem throughput paralel tinggi untuk workstation yang ditujukan untuk berbagai aplikasi, termasuk simulasi jaringan saraf. Akselerator berbasis [[FPGA]] juga pertama kali dieksplorasi pada 1990-an untuk inferensi dan pelatihan. ANNA adalah akselerator [[CMOS]] jaring saraf yang dikembangkan oleh [[Yann LeCun]].
Pada awal 1993, [[Digital signal processor|prosesor sinyal digital]] digunakan sebagai akselerator jaringan saraf misalnya untuk mempercepat perangkat lunak [[Pengenalan karakter optis|pengenalan karakter optik]].<ref>[https://www.youtube.com/watch?v=FwFduRA_L6Q convolutional neural network demo from 1993 featuring DSP32 accelerator].</ref> Pada 1990-an, ada juga upaya untuk membuat sistem throughput paralel tinggi untuk workstation yang ditujukan untuk berbagai aplikasi, termasuk simulasi jaringan saraf.<ref>[http://people.eecs.berkeley.edu/~krste/papers/cns-injs1993.ps design of a connectionist network supercomputer].</ref><ref>[https://www.youtube.com/watch?v=VtJthbiiTBQ The end of general purpose computers (not)].This presentation covers a past attempt at neural net accelerators, notes the similarity to the modern SLI GPGPU processor setup, and argues that general purpose vector accelerators are the way forward (in relation to RISC-V hwacha project. Argues that NN's are just dense and sparse matrices, one of several recurring algorithms)</ref><ref>U. Ramacher. ''Proceedings of 9th International Parallel Processing Symposium''. 1995. hlm. 774–781. doi:10.1109/IPPS.1995.395862. ISBN 978-0-8186-7074-9.</ref> Akselerator berbasis [[FPGA]] juga pertama kali dieksplorasi pada 1990-an untuk inferensi <ref>[https://www.researchgate.net/publication/2318589 Space Efficient Neural Net Implementation].</ref> dan pelatihan.<ref>[https://pdfs.semanticscholar.org/63fd/66ff9edb7b5342e4835286d4a2b22e1f2c04.pdf A Generic Building Block for Hopfield Neural Networks with On-Chip Learning]. 1996.</ref> ANNA adalah akselerator [[CMOS]] jaring saraf yang dikembangkan oleh [[Yann LeCun]].<ref>[http://yann.lecun.com/exdb/publis/pdf/saeckinger-92.pdf Application of the ANNA Neural Network Chip to High-Speed Character Recognition]</ref>


=== Komputasi heterogen ===
=== Komputasi heterogen ===
[[Komputasi heterogen]] mengacu pada menggabungkan sejumlah prosesor khusus dalam satu sistem, atau bahkan satu chip, masing-masing dioptimalkan untuk jenis tugas tertentu. Arsitektur seperti [[Sel (mikroprosesor)|mikroprosesor sel]] memiliki fitur yang secara signifikan tumpang tindih dengan akselerator kecerdasan buatan termasuk: dukungan untuk aritmatika presisi rendah, arsitektur [[aliran data]], dan memprioritaskan 'throughput' daripada latensi. Mikroprosesor sel kemudian diterapkan pada sejumlah tugas termasuk kecerdasan buatan.
[[Komputasi heterogen]] mengacu pada menggabungkan sejumlah prosesor khusus dalam satu sistem, atau bahkan satu chip, masing-masing dioptimalkan untuk jenis tugas tertentu. Arsitektur seperti [[Sel (mikroprosesor)|mikroprosesor sel]] <ref>[https://www.semanticscholar.org/paper/Synergistic-Processing-in-Cell-s-Multicore-Archite-Gschwind-Hofstee/9f2a6fc20fb292a5d33eb6bd930e1de9d527ee6b Synergistic Processing in Cell's Multicore Architecture]. 2006.</ref> memiliki fitur yang secara signifikan tumpang tindih dengan akselerator kecerdasan buatan termasuk: dukungan untuk aritmatika presisi rendah, arsitektur [[aliran data]], dan memprioritaskan 'throughput' daripada latensi. Mikroprosesor sel kemudian diterapkan pada sejumlah tugas <ref>G. De Fabritiis. ''Performance of Cell processor for biomolecular simulations''. ''Computer Physics Communications''. 2007. Vol. 176 (11–12). hlm. 660–664. doi:10.1016/j.cpc.2007.02.107.</ref><ref>''Video Processing and Retrieval on Cell architecture''.</ref><ref>Carsten Benthin. ''2006 IEEE Symposium on Interactive Ray Tracing''. 2006. hlm. 15–23. doi:10.1109/RT.2006.280210. ISBN 978-1-4244-0693-7.</ref> termasuk kecerdasan buatan.<ref>[https://www.teco.edu/~scholz/papers/ScholzDiploma.pdf Development of an artificial neural network on a heterogeneous multicore architecture to predict a successful weight loss in obese individuals].</ref><ref>Bomjun Kwon. ''2008 5th IEEE Consumer Communications and Networking Conference''. 2008. hlm. 1030–1034. doi:10.1109/ccnc08.2007.235. ISBN 978-1-4244-1457-4.</ref>


Pada [[2000-an|2000]]-an, [[Unit Pemroses Sentral|CPU]] juga mendapatkan unit [[SIMD]] yang semakin lebar, didorong oleh beban kerja video dan game; serta dukungan untuk [[tipe data]] presisi rendah yang [[Penuh sesak|dikemas]].
Pada [[2000-an|2000]]-an, [[Unit Pemroses Sentral|CPU]] juga mendapatkan unit [[SIMD]] yang semakin lebar, didorong oleh beban kerja video dan game; serta dukungan untuk [[tipe data]] presisi rendah yang [[Penuh sesak|dikemas]].<ref>[https://software.intel.com/en-us/articles/improving-the-compute-performance-of-video-processing-software-using-avx-advanced-vector-extensions-instructions Improving the performance of video with AVX]. 2012-02-08.</ref>


=== Penggunaan GPU ===
=== Penggunaan GPU ===
[[Unit pemroses grafis|Unit pemrosesan grafis]] atau GPU adalah perangkat keras khusus untuk manipulasi gambar dan perhitungan properti gambar lokal. Dasar matematis dari jaringan saraf dan [[Pipa grafis|manipulasi gambar]] adalah serupa, tugas [[Paralel yang memalukan|paralel memalukan yang]] melibatkan matriks, menyebabkan GPU menjadi semakin digunakan untuk tugas pembelajaran mesin. , GPU populer untuk pekerjaan AI, dan mereka terus berkembang ke arah untuk memfasilitasi pembelajaran yang mendalam, baik untuk pelatihan dan kesimpulan dalam perangkat seperti [[mobil otonom]]. Pengembang GPU seperti Nvidia [[NVLink]] sedang mengembangkan kemampuan penghubung tambahan untuk jenis beban kerja aliran data yang berasal dari AI. Karena GPU semakin banyak diterapkan pada akselerasi AI, produsen GPU telah memasukkan perangkat keras [[Application-specific integrated circuit|khusus]] [[Jaringan syaraf|jaringan saraf]] untuk lebih mempercepat tugas-tugas ini. [[Inti prosesor|Inti]] tensor dimaksudkan untuk mempercepat pelatihan jaringan saraf.
[[Unit pemroses grafis|Unit pemrosesan grafis]] atau GPU adalah perangkat keras khusus untuk manipulasi gambar dan perhitungan properti gambar lokal. Dasar matematis dari jaringan saraf dan [[Pipa grafis|manipulasi gambar]] adalah serupa, tugas [[Paralel yang memalukan|paralel memalukan yang]] melibatkan matriks, menyebabkan GPU menjadi semakin digunakan untuk tugas pembelajaran mesin.<ref>[https://hal.inria.fr/inria-00112631/document microsoft research/pixel shaders/MNIST].</ref><ref>[http://igoro.com/archive/how-gpu-came-to-be-used-for-general-computation/ how the gpu came to be used for general computation].</ref><ref>[https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf imagenet classification with deep convolutional neural networks].</ref> , GPU populer untuk pekerjaan AI, dan mereka terus berkembang ke arah untuk memfasilitasi pembelajaran yang mendalam, baik untuk pelatihan <ref>[http://insidehpc.com/2016/05/nvidia-driving-the-development-of-deep-learning/ nvidia driving the development of deep learning]. 2016-05-17.</ref> dan kesimpulan dalam perangkat seperti [[mobil otonom]].<ref>[http://gas2.org/2016/01/06/nvidia-introduces-supercomputer-for-self-driving-cars/ nvidia introduces supercomputer for self driving cars]. 2016-01-06.</ref> Pengembang GPU seperti Nvidia [[NVLink]] sedang mengembangkan kemampuan penghubung tambahan untuk jenis beban kerja aliran data yang berasal dari AI.<ref>[https://devblogs.nvidia.com/parallelforall/how-nvlink-will-enable-faster-easier-multi-gpu-computing/ how nvlink will enable faster easier multi GPU computing]. 2014-11-14.</ref> Karena GPU semakin banyak diterapkan pada akselerasi AI, produsen GPU telah memasukkan perangkat keras [[Application-specific integrated circuit|khusus]] [[Jaringan syaraf|jaringan saraf]] untuk lebih mempercepat tugas-tugas ini.<ref>"[https://www.researchgate.net/publication/329802520_A_Survey_on_Optimized_Implementation_of_Deep_Learning_Models_on_the_NVIDIA_Jetson_Platform A Survey on Optimized Implementation of Deep Learning Models on the NVIDIA Jetson Platform]", 2019</ref><ref>Mark Harris. [https://devblogs.nvidia.com/parallelforall/cuda-9-features-revealed/ CUDA 9 Features Revealed: Volta, Cooperative Groups and More]. May 11, 2017.</ref> [[Inti prosesor|Inti]] tensor dimaksudkan untuk mempercepat pelatihan jaringan saraf.<ref>Mark Harris. [https://devblogs.nvidia.com/parallelforall/cuda-9-features-revealed/ CUDA 9 Features Revealed: Volta, Cooperative Groups and More]. May 11, 2017.</ref>


=== Penggunaan FPGA ===
=== Penggunaan FPGA ===
Kerangka kerja pembelajaran yang dalam masih terus berkembang, sehingga sulit untuk merancang perangkat keras khusus. Perangkat yang dapat [[Komputasi yang dapat dikonfigurasi ulang|dikonfigurasi ulang]] seperti ''[[FPGA|field-programmable gate arrays]] (FPGA)'' membuatnya lebih mudah untuk mengembangkan perangkat keras, kerangka kerja, dan perangkat lunak [[Desain bersama|bersama]].
Kerangka kerja pembelajaran yang dalam masih terus berkembang, sehingga sulit untuk merancang perangkat keras khusus. Perangkat yang dapat [[Komputasi yang dapat dikonfigurasi ulang|dikonfigurasi ulang]] seperti ''[[FPGA|field-programmable gate arrays]] (FPGA)'' membuatnya lebih mudah untuk mengembangkan perangkat keras, kerangka kerja, dan perangkat lunak [[Desain bersama|bersama]].<ref>[https://www.researchgate.net/publication/2318589 Space Efficient Neural Net Implementation].</ref><ref>[https://pdfs.semanticscholar.org/63fd/66ff9edb7b5342e4835286d4a2b22e1f2c04.pdf A Generic Building Block for Hopfield Neural Networks with On-Chip Learning]. 1996.</ref><ref>[http://www.nextplatform.com/2016/08/23/fpga-based-deep-learning-accelerators-take-asics/ FPGA Based Deep Learning Accelerators Take on ASICs]. ''The Next Platform''. 2016-08-23.</ref>


Microsoft telah menggunakan chip FPGA untuk mempercepat [[Kesimpulan|inferensi]]. Penerapan FPGA untuk akselerasi AI memotivasi [[Intel Corporation|Intel]] untuk mengakuisisi [[Altera]] dengan tujuan mengintegrasikan FPGA dalam CPU server, yang akan mampu mempercepat AI serta tugas-tugas [[Komputer|tujuan umum]].
Microsoft telah menggunakan chip FPGA untuk mempercepat [[Kesimpulan|inferensi]].<ref>[http://www.nextplatform.com/2015/08/27/microsoft-extends-fpga-reach-from-bing-to-deep-learning/ microsoft extends fpga reach from bing to deep learning]. 2015-08-27.</ref><ref>Eric Chung. [http://research.microsoft.com/pubs/240715/CNN%20Whitepaper.pdf Accelerating Deep Convolutional Neural Networks Using Specialized Hardware]. ''Microsoft Research''. 2015-02-23.</ref> Penerapan FPGA untuk akselerasi AI memotivasi [[Intel Corporation|Intel]] untuk mengakuisisi [[Altera]] dengan tujuan mengintegrasikan FPGA dalam CPU server, yang akan mampu mempercepat AI serta tugas-tugas [[Komputer|tujuan umum]].<ref>"[https://www.academia.edu/37491583/A_Survey_of_FPGA-based_Accelerators_for_Convolutional_Neural_Networks A Survey of FPGA-based Accelerators for Convolutional Neural Networks]", Mittal et al., NCAA, 2018</ref>


== Aplikasi potensial ==
== Aplikasi potensial ==
 
* [[Otomatisasi kendaraan|Kendaraan otonom]] : Nvidia menargetkan papan [[Drive PX-series|Drive PX-series mereka]] di ruang ini.<ref>[http://www.nvidia.com/object/drive-px.html drive px].</ref>
* [[Otomatisasi kendaraan|Kendaraan otonom]] : Nvidia menargetkan papan [[Drive PX-series|Drive PX-series mereka]] di ruang ini.
* [[Robot militer]]
* [[Robot militer]]
* [[Robot pertanian]], misalnya pengendalian gulma bebas pestisida.
* [[Robot pertanian]], misalnya pengendalian gulma bebas pestisida.<ref>[http://abe.ufl.edu/wlee/publications/icame96.pdf design of a machine vision system for weed control].</ref>
* [[Kontrol suara]], misalnya di ponsel, target untuk [[Qualcomm Zeroth]].
* [[Kontrol suara]], misalnya di ponsel, target untuk [[Qualcomm Zeroth]].<ref>[https://www.qualcomm.com/news/onq/2015/10/01/qualcomm-research-brings-server-class-machine-learning-everyday-devices-making qualcomm research brings server class machine learning to every data devices]. October 2015.</ref>
* [[Terjemahan mesin|Mesin penerjemah]]
* [[Terjemahan mesin|Mesin penerjemah]]
* [[Pesawat tanpa awak|Kendaraan udara tak berawak]], misalnya sistem navigasi, misalnya [[Movidius Myriad 2]] telah terbukti berhasil memandu drone otonom.
* [[Pesawat tanpa awak|Kendaraan udara tak berawak]], misalnya sistem navigasi, misalnya [[Movidius Myriad 2]] telah terbukti berhasil memandu drone otonom.<ref>[https://www.siliconrepublic.com/machines/movidius-dji-drone movidius powers worlds most intelligent drone]. 2016-03-16.</ref>
* [[Robot industrial|Robot industri]], meningkatkan rentang tugas yang dapat diotomatisasi, dengan menambahkan kemampuan beradaptasi ke berbagai situasi.
* [[Robot industrial|Robot industri]], meningkatkan rentang tugas yang dapat diotomatisasi, dengan menambahkan kemampuan beradaptasi ke berbagai situasi.
* [[Perawatan kesehatan]], untuk membantu diagnosa
* [[Perawatan kesehatan]], untuk membantu diagnosa
Baris 33: Baris 31:


== Lihat pula ==
== Lihat pula ==
* [[Komputer kognitif]]
* [[Komputer kognitif]]
* [[Komputasi neuromorfik]]
* [[Komputasi neuromorfik]]
Baris 40: Baris 37:


== Referensi ==
== Referensi ==
 
<references />
 


== Sumber dan atribusi ==
== Sumber dan atribusi ==


Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Akselerator+kecerdasan+buatan&oldid=26244051 Wikipedia bahasa Indonesia], revisi 26244051 (2024-09-01T03:57:15Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.
Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Akselerator+kecerdasan+buatan&oldid=26244051 Wikipedia bahasa Indonesia], revisi 26244051 (2024-09-01T03:57:15Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.
<!-- WIKI_UNISSULA_PRESENTATION_V4 -->

Revisi terkini sejak 24 Agustus 2026 13.59

Akselerator kecerdasan buatan adalah sebuah kelas mikroprosesor[1] atau sistem komputer[2] dirancang sebagai perangkat keras akselerasi untuk aplikasi kecerdasan buatan, terutama jaringan saraf tiruan, pengelihatan mesin, dan pemelajaran mesin. Aplikasi yang umum termasuk algoritma untuk robotika, internet untuk segala hal dan tugas data-intensif atau berbasis sensor lainnya.[3] Akselerator kecerdasan buatan seringkali merupakan desain inti banyak dan umumnya berfokus pada aritmatika presisi rendah, arsitektur aliran data baru atau kemampuan komputasi dalam memori.[4] Sejumlah persyaratan khusus vendor ada untuk perangkat dalam kategori ini, dan ini merupakan teknologi yang muncul tanpa desain yang dominan . Akselerator kecerdasan buatan dapat ditemukan di banyak perangkat seperti smartphone, tablet, dan komputer di seluruh dunia.

Sejarah

Percobaan awal

Pada awal 1993, prosesor sinyal digital digunakan sebagai akselerator jaringan saraf misalnya untuk mempercepat perangkat lunak pengenalan karakter optik.[5] Pada 1990-an, ada juga upaya untuk membuat sistem throughput paralel tinggi untuk workstation yang ditujukan untuk berbagai aplikasi, termasuk simulasi jaringan saraf.[6][7][8] Akselerator berbasis FPGA juga pertama kali dieksplorasi pada 1990-an untuk inferensi [9] dan pelatihan.[10] ANNA adalah akselerator CMOS jaring saraf yang dikembangkan oleh Yann LeCun.[11]

Komputasi heterogen

Komputasi heterogen mengacu pada menggabungkan sejumlah prosesor khusus dalam satu sistem, atau bahkan satu chip, masing-masing dioptimalkan untuk jenis tugas tertentu. Arsitektur seperti mikroprosesor sel [12] memiliki fitur yang secara signifikan tumpang tindih dengan akselerator kecerdasan buatan termasuk: dukungan untuk aritmatika presisi rendah, arsitektur aliran data, dan memprioritaskan 'throughput' daripada latensi. Mikroprosesor sel kemudian diterapkan pada sejumlah tugas [13][14][15] termasuk kecerdasan buatan.[16][17]

Pada 2000-an, CPU juga mendapatkan unit SIMD yang semakin lebar, didorong oleh beban kerja video dan game; serta dukungan untuk tipe data presisi rendah yang dikemas.[18]

Penggunaan GPU

Unit pemrosesan grafis atau GPU adalah perangkat keras khusus untuk manipulasi gambar dan perhitungan properti gambar lokal. Dasar matematis dari jaringan saraf dan manipulasi gambar adalah serupa, tugas paralel memalukan yang melibatkan matriks, menyebabkan GPU menjadi semakin digunakan untuk tugas pembelajaran mesin.[19][20][21] , GPU populer untuk pekerjaan AI, dan mereka terus berkembang ke arah untuk memfasilitasi pembelajaran yang mendalam, baik untuk pelatihan [22] dan kesimpulan dalam perangkat seperti mobil otonom.[23] Pengembang GPU seperti Nvidia NVLink sedang mengembangkan kemampuan penghubung tambahan untuk jenis beban kerja aliran data yang berasal dari AI.[24] Karena GPU semakin banyak diterapkan pada akselerasi AI, produsen GPU telah memasukkan perangkat keras khusus jaringan saraf untuk lebih mempercepat tugas-tugas ini.[25][26] Inti tensor dimaksudkan untuk mempercepat pelatihan jaringan saraf.[27]

Penggunaan FPGA

Kerangka kerja pembelajaran yang dalam masih terus berkembang, sehingga sulit untuk merancang perangkat keras khusus. Perangkat yang dapat dikonfigurasi ulang seperti field-programmable gate arrays (FPGA) membuatnya lebih mudah untuk mengembangkan perangkat keras, kerangka kerja, dan perangkat lunak bersama.[28][29][30]

Microsoft telah menggunakan chip FPGA untuk mempercepat inferensi.[31][32] Penerapan FPGA untuk akselerasi AI memotivasi Intel untuk mengakuisisi Altera dengan tujuan mengintegrasikan FPGA dalam CPU server, yang akan mampu mempercepat AI serta tugas-tugas tujuan umum.[33]

Aplikasi potensial

Lihat pula

Referensi

  1. ↑ Intel unveils Movidius Compute Stick USB AI Accelerator. 2017-07-21.
  2. ↑ Inspurs unveils GX4 AI Accelerator. 2017-06-21.
  3. ↑ Google Developing AI Processors.Google using its own AI accelerators.
  4. ↑ "A Survey of ReRAM-based Architectures for Processing-in-memory and Neural Networks", S. Mittal, Machine Learning and Knowledge Extraction, 2018
  5. ↑ convolutional neural network demo from 1993 featuring DSP32 accelerator.
  6. ↑ design of a connectionist network supercomputer.
  7. ↑ The end of general purpose computers (not).This presentation covers a past attempt at neural net accelerators, notes the similarity to the modern SLI GPGPU processor setup, and argues that general purpose vector accelerators are the way forward (in relation to RISC-V hwacha project. Argues that NN's are just dense and sparse matrices, one of several recurring algorithms)
  8. ↑ U. Ramacher. Proceedings of 9th International Parallel Processing Symposium. 1995. hlm. 774–781. doi:10.1109/IPPS.1995.395862. ISBN 978-0-8186-7074-9.
  9. ↑ Space Efficient Neural Net Implementation.
  10. ↑ A Generic Building Block for Hopfield Neural Networks with On-Chip Learning. 1996.
  11. ↑ Application of the ANNA Neural Network Chip to High-Speed Character Recognition
  12. ↑ Synergistic Processing in Cell's Multicore Architecture. 2006.
  13. ↑ G. De Fabritiis. Performance of Cell processor for biomolecular simulations. Computer Physics Communications. 2007. Vol. 176 (11–12). hlm. 660–664. doi:10.1016/j.cpc.2007.02.107.
  14. ↑ Video Processing and Retrieval on Cell architecture.
  15. ↑ Carsten Benthin. 2006 IEEE Symposium on Interactive Ray Tracing. 2006. hlm. 15–23. doi:10.1109/RT.2006.280210. ISBN 978-1-4244-0693-7.
  16. ↑ Development of an artificial neural network on a heterogeneous multicore architecture to predict a successful weight loss in obese individuals.
  17. ↑ Bomjun Kwon. 2008 5th IEEE Consumer Communications and Networking Conference. 2008. hlm. 1030–1034. doi:10.1109/ccnc08.2007.235. ISBN 978-1-4244-1457-4.
  18. ↑ Improving the performance of video with AVX. 2012-02-08.
  19. ↑ microsoft research/pixel shaders/MNIST.
  20. ↑ how the gpu came to be used for general computation.
  21. ↑ imagenet classification with deep convolutional neural networks.
  22. ↑ nvidia driving the development of deep learning. 2016-05-17.
  23. ↑ nvidia introduces supercomputer for self driving cars. 2016-01-06.
  24. ↑ how nvlink will enable faster easier multi GPU computing. 2014-11-14.
  25. ↑ "A Survey on Optimized Implementation of Deep Learning Models on the NVIDIA Jetson Platform", 2019
  26. ↑ Mark Harris. CUDA 9 Features Revealed: Volta, Cooperative Groups and More. May 11, 2017.
  27. ↑ Mark Harris. CUDA 9 Features Revealed: Volta, Cooperative Groups and More. May 11, 2017.
  28. ↑ Space Efficient Neural Net Implementation.
  29. ↑ A Generic Building Block for Hopfield Neural Networks with On-Chip Learning. 1996.
  30. ↑ FPGA Based Deep Learning Accelerators Take on ASICs. The Next Platform. 2016-08-23.
  31. ↑ microsoft extends fpga reach from bing to deep learning. 2015-08-27.
  32. ↑ Eric Chung. Accelerating Deep Convolutional Neural Networks Using Specialized Hardware. Microsoft Research. 2015-02-23.
  33. ↑ "A Survey of FPGA-based Accelerators for Convolutional Neural Networks", Mittal et al., NCAA, 2018
  34. ↑ drive px.
  35. ↑ design of a machine vision system for weed control.
  36. ↑ qualcomm research brings server class machine learning to every data devices. October 2015.
  37. ↑ movidius powers worlds most intelligent drone. 2016-03-16.

Sumber dan atribusi

Konten artikel ini diadaptasi dari Wikipedia bahasa Indonesia, revisi 26244051 (2024-09-01T03:57:15Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.


Diperoleh dari "https://wiki.unissula.ac.id/index.php?title=Akselerator_kecerdasan_buatan&oldid=6574"