Abrindo a caixa preta

Cada segundo do dia nos apresenta escolhas, desde decidir o que vestir pela manhã até escolher um cardápio no jantar. Quer uma decisão seja trivial ou que altere a vida, a tomada de decisão é um elemento fundamental da experiência humana.

É sempre fácil questionar se uma pessoa fez a escolha certa. Às vezes é impossível dizer até que as consequências sejam reveladas mais tarde. O professor Aviral Shrivastava (à esquerda) e o doutorando Shail Dave (à direita) estão trabalhando em pesquisas para melhorar o projeto de exploração espacial, um componente crucial no projeto de aceleradores de aprendizagem profunda que otimizam a eficiência com que os computadores executam algoritmos de inteligência artificial. Foto de Erika Gronek / ASU Baixar imagem completa

Nos domínios da arquitetura de hardware e software, os engenheiros usam uma tecnologia chamada exploração de espaço de design para auxiliar na avaliação de escolhas durante o processo de design de arquitetura de computador para identificar o design de melhor desempenho entre as opções disponíveis.

A tecnologia de exploração espacial de design pode escolher uma opção preferida com base nos resultados desejados, como velocidade, consumo de energia e precisão. A tecnologia pode ser aplicada a uma variedade de aplicações, desde software de reconhecimento de objetos ou humanos até microeletrônica de alto nível.

O aprendizado profundo, um método de inteligência artificial inspirado no cérebro humano, ensina os computadores a processar dados. Os projetos de aceleradores de aprendizagem profunda, que são computadores especializados na execução eficiente de algoritmos de aprendizagem profunda para inteligência artificial, dependem da exploração do espaço de design para escolher entre suas extensas listas de opções. Como alguns desses projetos de aceleradores têm bilhões e bilhões de opções para avaliar, os processos existentes de otimização podem levar dias ou até semanas para serem concluídos, mesmo quando se avalia apenas uma pequena fração das opções.

O processo é ainda mais complicado pelas explorações de caixa preta, nas quais os aceleradores de aprendizagem profunda dependem para tomar decisões. As explorações de caixa preta são projetadas para processar informações sem revelar quaisquer detalhes sobre seu raciocínio.

Shail Dave, doutorando em engenharia da computação na Escola de Computação e Inteligência Aumentada, parte das Escolas de Engenharia Ira A. Fulton da Universidade Estadual do Arizona, está trabalhando para resolver esse problema com exploração espacial de design explicável, uma estrutura de algoritmos e sistemas isso permitirá que pesquisadores e projetistas de processadores entendam o raciocínio por trás dos projetos de aceleradores de aprendizado profundo, analisando e mitigando os gargalos que retardam o processo.

“Normalmente, os projetos de hardware e software são explorados e otimizados por meio de mecanismos de caixa preta, como algoritmos evolutivos, ou abordagens baseadas em IA, como aprendizado por reforço e otimização bayesiana”, diz Dave. “Esses mecanismos de caixa preta exigem quantidades excessivas de testes devido à falta de explicabilidade e raciocínio envolvido em como a seleção de uma configuração de projeto afeta a qualidade geral do projeto.”

Ao simplificar o processo de tomada de decisão do acelerador, a pesquisa de Dave permite que os métodos de design tomem decisões muito mais rapidamente, levando apenas alguns minutos em comparação com os dias ou semanas que os modelos existentes podem levar para processar essas informações. Como resultado, os modelos de otimização de projeto são menores, mais sistemáticos e utilizam menos energia.

A pesquisa de Dave oferece uma alternativa que não apenas melhora a eficiência da pesquisa, mas também ajuda os engenheiros a alcançar resultados ideais e obter insights sobre decisões de projeto. Ao compreender o raciocínio por trás das escolhas de design e dos gargalos relacionados, o método pode analisar os pontos de design disponíveis em cada etapa do processo e determinar as opções boas e ruins antes de oferecer sua decisão, que é tomada deliberadamente pela tecnologia após avaliar as opções mais promissoras disponíveis. .