摩爾定律的迫在眉睫和深度學(xué)習(xí)的不斷使用推動了針對特定神經(jīng)體系結(jié)構(gòu)進行優(yōu)化的定制芯片的設(shè)計。這些定制芯片也被稱為加速器，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其定制芯片的研發(fā)時，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的研究項目，該項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，它們?nèi)绾蜗嗷プ饔靡约败浖?a href="http://www.brongaenegriffin.com/v/tag/1730/" target="_blank">程序員應(yīng)如何訪問這些組件。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)級增長，而目標函數(shù)又是一個黑匣子，優(yōu)化架構(gòu)的參數(shù)是一個艱巨的任務(wù)，通常需要專業(yè)知識。施加在參數(shù)上的約束進一步使有效配置的識別變得復(fù)雜。

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

這樣，目標就變成了，對于芯片架構(gòu)來說正確的參數(shù)是什么，對于給定的神經(jīng)網(wǎng)絡(luò)任務(wù)，芯片應(yīng)滿足哪些標準？

該團隊將目標函數(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)運算單元組合，并對超過4.52億個參數(shù)進行排序檢索，包括將使用多少個數(shù)學(xué)運算單元（處理器）以及對于給定模型而言最佳的參數(shù)存儲量和激活存儲量。

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單數(shù)學(xué)運算的并行，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。（來源：Google Blog）

他們選擇了一個名為MobileNet的較為簡單的AI任務(wù)進行測試，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)。實驗演示了如何利用針對復(fù)雜的高維度的定制優(yōu)化策略進行架構(gòu)探索，并以合理的少量評估（約占搜索空間的0.0004％）產(chǎn)生大的改進（高達24.6％）。此外，他們還測試了執(zhí)行諸如對象檢測和語義分段之類任務(wù)的工作負載。

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

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

對這些優(yōu)化進行比較的主要目的是為了有條不紊地指出最有效的方法。實驗結(jié)果表明，進化方法和P3BO優(yōu)于隨機選擇和貝葉斯優(yōu)化。

圖示：Apollo的優(yōu)點是可以將各種現(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)計的體系結(jié)構(gòu)中相互疊加。（來源：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)并使用像是計算與內(nèi)存這類的電路中權(quán)衡取舍的解決方案，而這些通常需要特定領(lǐng)域的知識。并且，基于總體的方法可以找到半窮盡搜索無法找到的解決方案。

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，那就是它可以運用「遷移學(xué)習(xí)」展示如何依次改進這些優(yōu)化。

Yazdanbakhsh及其同事將Apollo稱為「第一個可遷移的架構(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)到的知識遷移到每個新任務(wù)上。研究表明，遷移學(xué)習(xí)可以有效地改善目標體系結(jié)構(gòu)的探索，尤其是當優(yōu)化約束具有更嚴格的界限時。

使用AI設(shè)計運行AI的芯片具有很好的對稱性。

Apollo代表著一個有趣的發(fā)展，超越了之前所說的機器學(xué)習(xí)僅用于一些「布局與布線」之類的低層次的設(shè)計決策。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)建類似于建筑中的平面設(shè)計圖的產(chǎn)物。

當被問及Dean的描述時，主要作者阿米爾雅茲丹巴赫什（Amir Yazdanbakhsh）解釋：「我會看到我們的工作和布局布線工作是正交且互補的。相比于計算堆棧中的布局布線，架構(gòu)探索的層次要更高?！顾J為「架構(gòu)探索」是存在更高性能的改進余地的方式。

但是，為MobileNet或任何其他網(wǎng)絡(luò)設(shè)計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)必須了解目標硬件架構(gòu)，以優(yōu)化整體系統(tǒng)性能和能效?！顾硎?，Apollo對于給定的工作負載可能就足夠了，但在芯片和神經(jīng)網(wǎng)絡(luò)之間進行「共同優(yōu)化」，將在未來產(chǎn)生其他好處。

「我們用ML為給定的工作負載找到最佳的硬件體系結(jié)構(gòu)。當然，在某些情況下，可以靈活地同時優(yōu)化硬件設(shè)計和神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)。實際上，我們正在進行一些此類聯(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)計受到AI的工作量的影響，但是新的芯片設(shè)計進程也會對神經(jīng)網(wǎng)絡(luò)的設(shè)計產(chǎn)生相當?shù)挠绊?，這類的辯證法在未來幾年中可能會以有趣的方式發(fā)展。
責任編輯：YYX