Apertura della scatola nera

Ogni secondo della giornata ci presenta delle scelte, dal decidere cosa indossare la mattina alla scelta dal menu per la cena. Che una decisione sia banale o che cambi la vita, il processo decisionale è un elemento fondamentale dell’esperienza umana.

È sempre facile chiedersi se una persona ha fatto la scelta giusta. A volte è impossibile dirlo finché le conseguenze non vengono rivelate in seguito. Il professor Aviral Shrivastava (a sinistra) e il dottorando Shail Dave (a destra) stanno lavorando alla ricerca per migliorare l'esplorazione dello spazio di progettazione, una componente cruciale nella progettazione di acceleratori di deep learning che ottimizzano l'efficienza con cui i computer eseguono algoritmi di intelligenza artificiale. Foto di Erika Gronek/ASU Scarica l'immagine completa

Nei domini dell'architettura hardware e software, gli ingegneri utilizzano una tecnologia chiamata esplorazione dello spazio di progettazione per assistere nella valutazione delle scelte durante il processo di progettazione dell'architettura del computer per identificare il progetto con le migliori prestazioni tra le opzioni disponibili.

La tecnologia di progettazione per l'esplorazione dello spazio può scegliere un'opzione preferita in base ai risultati desiderati come velocità, consumo energetico e precisione. La tecnologia può essere applicata a una varietà di applicazioni, dal software di riconoscimento di oggetti o umani alla microelettronica di alto livello.

Il deep learning, un metodo di intelligenza artificiale ispirato al cervello umano, insegna ai computer a elaborare i dati. I progetti di acceleratori di deep learning, che sono computer specializzati nell'esecuzione efficiente di algoritmi di deep learning per l'intelligenza artificiale, si basano sull'esplorazione dello spazio di progettazione per scegliere tra i loro ampi elenchi di opzioni. Poiché alcuni di questi progetti di acceleratori prevedono miliardi e miliardi di scelte da valutare, i processi di ottimizzazione esistenti possono richiedere giorni o addirittura settimane per essere completati, anche quando si valuta solo una piccola parte delle scelte.

Il processo è ulteriormente complicato dalle esplorazioni della scatola nera, su cui si basano gli acceleratori di deep learning per prendere decisioni. Le esplorazioni della scatola nera sono progettate per elaborare le informazioni senza rivelare alcun dettaglio sul loro ragionamento.

Shail Dave, dottorando in ingegneria informatica presso la School of Computing and Augmented Intelligence, parte delle Ira A. Fulton Schools of Engineering presso l'Arizona State University, sta lavorando per risolvere questo problema con l'esplorazione spiegabile dello spazio di progettazione, una struttura di algoritmi e sistemi ciò consentirà ai ricercatori e ai progettisti di processori di comprendere il ragionamento alla base della progettazione di acceleratori di deep learning analizzando e mitigando i colli di bottiglia che rallentano il processo.

"In genere, i progetti hardware e software vengono esplorati e ottimizzati attraverso meccanismi di scatola nera come algoritmi evolutivi o approcci basati sull'intelligenza artificiale come l'apprendimento per rinforzo e l'ottimizzazione bayesiana", afferma Dave. "Questi meccanismi a scatola nera richiedono un numero eccessivo di prove a causa della loro mancanza di spiegabilità e di ragionamento coinvolto nel modo in cui la selezione di una configurazione di progetto influisce sulla qualità complessiva del progetto."

Razionalizzando il processo decisionale dell'acceleratore, la ricerca di Dave consente ai metodi di progettazione di fare scelte molto più velocemente, impiegando solo pochi minuti rispetto ai giorni o alle settimane che potrebbero essere necessari ai modelli esistenti per elaborare queste informazioni. Di conseguenza, i modelli di ottimizzazione della progettazione sono più piccoli, più sistematici e utilizzano meno energia.

La ricerca di Dave offre un'alternativa che non solo migliora l'efficienza della ricerca, ma aiuta anche gli ingegneri a raggiungere risultati ottimali e ottenere informazioni dettagliate sulle decisioni di progettazione. Comprendendo il ragionamento alla base delle scelte progettuali e dei relativi colli di bottiglia, il metodo può analizzare i punti di progettazione disponibili in ogni fase del processo e determinare le opzioni buone e cattive prima di prendere una decisione, che viene presa deliberatamente dalla tecnologia dopo aver valutato le opzioni più promettenti disponibili. .