مقاله “ReuseSense: با بازکاربری عظیم، بهره‌وری بیشتری حاصل می‌شود؛ استفاده مؤثر از بازکاربری محاسبات در پردازنده‌های عمومی” به بررسی روشی نوین برای بهینه‌سازی عملکرد و مصرف انرژی در پردازنده‌های مرکزی (CPU) هنگام اجرای شبکه‌های عصبی عمیق (DNN) می‌پردازد. این مقاله، اهمیت بازکاربری محاسبات تکراری در لایه‌های مختلف شبکه‌های عصبی را مورد تأکید قرار می‌دهد و راهکاری سخت‌افزاری به نام ReuseSense را معرفی می‌کند که با استفاده از آن می‌توان از محاسبات و بارگذاری‌های اضافی جلوگیری کرد و به طور چشمگیری عملکرد و بهره‌وری انرژی را بهبود بخشید.

این تحقیق توسط نیتش نارایانا GS، مارک اوردونز، لوکاناندا هاری، فرانیل سیلفا و آنتونیو گونزالس انجام شده است. این نویسندگان، متخصصین حوزه معماری کامپیوتر و یادگیری ماشین هستند و تحقیقات آن‌ها بر بهینه‌سازی عملکرد سخت‌افزاری برای الگوریتم‌های هوش مصنوعی، به ویژه شبکه‌های عصبی عمیق، تمرکز دارد. زمینه تخصصی این محققان، طراحی و ارزیابی معماری‌های جدید پردازنده است که بتوانند نیازهای محاسباتی فزاینده برنامه‌های هوش مصنوعی را به طور موثر برآورده سازند.

شبکه‌های عصبی عمیق (DNN) به عنوان الگوریتم استاندارد برای حل مسائل شناختی در کاربردهای دنیای واقعی مانند تشخیص گفتار و پردازش زبان طبیعی شناخته می‌شوند. استنتاج DNN شامل تعداد زیادی عملیات ضرب داخلی بین ورودی‌ها و وزن‌ها است که نیازمند تعداد زیادی ضرب و دسترسی به حافظه هستند. این امر، عملکرد و مصرف انرژی آن‌ها را هنگام ارزیابی در پردازنده‌های مدرن محدود می‌کند. در این مقاله، از شباهت بالای بین ورودی‌های متوالی در لایه‌های مختلف DNN برای بهبود عملکرد و بهره‌وری انرژی استنتاج DNN در پردازنده‌ها استفاده می‌شود. برای این منظور، ReuseSense، یک طرح سخت‌افزاری جدید، پیشنهاد می‌شود که شامل ReuseSensor، موتوری برای تولید کارآمد دستورالعمل‌های محاسباتی و بارگذاری مورد نیاز برای ارزیابی یک لایه DNN در هنگام حس کردن ورودی‌های مشابه است. با بازکاربری هوشمندانه مقادیر ضرب محاسبه‌شده قبلی، ReuseSense امکان دور زدن محاسبات را در هنگام مواجهه با مقادیر ورودی یکسان با مقادیر قبلی فراهم می‌کند. علاوه بر این، با صرف نظر از بارگذاری وزن‌های مرتبط با محاسبات ضرب داخلی دور زده شده، به طور مؤثری از بارگذاری‌های اضافی جلوگیری می‌کند. آزمایش‌ها نشان می‌دهند که ReuseSense به طور متوسط در مقایسه با خط مبنا، در چندین DNN، به افزایش سرعت 8 برابری در عملکرد و کاهش 74 درصدی در مصرف انرژی کل دست می‌یابد.

به عبارت دیگر، ایده اصلی ReuseSense بر این است که بسیاری از ورودی‌هایی که به لایه‌های مختلف یک شبکه عصبی عمیق وارد می‌شوند، بسیار به هم شبیه هستند. به جای محاسبه مجدد حاصل ضرب داخلی برای ورودی‌های مشابه، ReuseSense این حاصل ضرب‌ها را از حافظه بازیابی می‌کند. همچنین، از آنجایی که حاصل ضرب‌ها بازیافت می‌شوند، نیازی به بارگذاری مجدد وزن‌های مربوطه نیست که این امر باعث کاهش قابل توجه مصرف انرژی می‌شود.

نویسندگان مقاله، رویکردی مبتنی بر شبیه‌سازی را برای ارزیابی اثربخشی ReuseSense اتخاذ کرده‌اند. آن‌ها یک مدل سخت‌افزاری دقیق از ReuseSense را ایجاد کرده و آن را در یک شبیه‌ساز پردازنده پیاده‌سازی کرده‌اند. سپس، عملکرد و مصرف انرژی ReuseSense را در چندین شبکه عصبی عمیق مختلف، با اندازه‌ها و ساختارهای گوناگون، ارزیابی کرده‌اند. برای مقایسه، نتایج ReuseSense با یک سیستم پایه (baseline) که از بهینه‌سازی‌های معمولی CPU استفاده می‌کند، مقایسه شده است. شبکه‌های عصبی مورد استفاده در این ارزیابی شامل شبکه‌هایی برای تشخیص تصویر، پردازش زبان طبیعی و تشخیص گفتار بوده است. این تنوع در شبکه‌ها، تضمین می‌کند که نتایج به دست آمده قابل تعمیم به طیف وسیعی از کاربردها هستند.

برای مثال، یکی از آزمایش‌ها شامل اجرای شبکه ResNet-50، یک شبکه معروف برای تشخیص تصویر، با استفاده از ReuseSense و سیستم پایه بوده است. نتایج نشان داده است که ReuseSense قادر است تا به طور قابل توجهی زمان اجرای این شبکه را کاهش دهد و در عین حال، مصرف انرژی را نیز به میزان چشمگیری کاهش دهد.

نتایج این تحقیق نشان می‌دهد که ReuseSense می‌تواند به طور قابل توجهی عملکرد و بهره‌وری انرژی پردازنده‌های مرکزی را هنگام اجرای شبکه‌های عصبی عمیق بهبود بخشد. یافته‌های کلیدی به شرح زیر است:

• افزایش سرعت: ReuseSense به طور متوسط یک افزایش سرعت 8 برابری در عملکرد شبکه‌های عصبی عمیق در مقایسه با سیستم پایه نشان می‌دهد.
• کاهش مصرف انرژی: ReuseSense به طور متوسط یک کاهش 74 درصدی در مصرف انرژی کل شبکه‌های عصبی عمیق در مقایسه با سیستم پایه نشان می‌دهد.
• اثربخشی در شبکه‌های مختلف: ReuseSense در طیف گسترده‌ای از شبکه‌های عصبی عمیق با اندازه‌ها و ساختارهای گوناگون، عملکرد خوبی از خود نشان می‌دهد.
• سربار کم: سربار سخت‌افزاری و نرم‌افزاری ناشی از پیاده‌سازی ReuseSense نسبتاً کم است.

این نتایج نشان می‌دهند که ReuseSense یک راهکار مؤثر و عملی برای بهینه‌سازی عملکرد شبکه‌های عصبی عمیق در پردازنده‌های مرکزی است.

راهکار ReuseSense می‌تواند در طیف گسترده‌ای از کاربردها مورد استفاده قرار گیرد، از جمله:

• دستگاه‌های تلفن همراه و اینترنت اشیا (IoT): کاهش مصرف انرژی ReuseSense می‌تواند عمر باتری دستگاه‌های تلفن همراه و IoT را افزایش دهد.
• مراکز داده: افزایش سرعت و کاهش مصرف انرژی ReuseSense می‌تواند هزینه‌های عملیاتی مراکز داده را کاهش دهد.
• خودروهای خودران: بهبود عملکرد شبکه‌های عصبی عمیق در خودروهای خودران می‌تواند ایمنی و قابلیت اطمینان آن‌ها را افزایش دهد.

یکی از مهم‌ترین دستاوردهای این تحقیق، ارائه یک معماری سخت‌افزاری جدید است که می‌تواند به طور قابل توجهی عملکرد و بهره‌وری انرژی پردازنده‌های مرکزی را هنگام اجرای شبکه‌های عصبی عمیق بهبود بخشد. این معماری می‌تواند به عنوان مبنایی برای طراحی پردازنده‌های آینده مورد استفاده قرار گیرد. همچنین، این تحقیق نشان می‌دهد که بازکاربری محاسبات تکراری می‌تواند یک رویکرد مؤثر برای بهینه‌سازی عملکرد الگوریتم‌های هوش مصنوعی باشد.

مقاله “ReuseSense: بهره‌وری بیشتر با بازکاربری مؤثر محاسبات در پردازنده‌های عمومی” یک راهکار نوین و مؤثر برای بهینه‌سازی عملکرد و مصرف انرژی پردازنده‌های مرکزی در هنگام اجرای شبکه‌های عصبی عمیق ارائه می‌دهد. این مقاله نشان می‌دهد که با استفاده از بازکاربری هوشمندانه محاسبات تکراری، می‌توان به طور قابل توجهی عملکرد را بهبود بخشید و مصرف انرژی را کاهش داد. راهکار ReuseSense می‌تواند در طیف گسترده‌ای از کاربردها مورد استفاده قرار گیرد و به عنوان مبنایی برای طراحی پردازنده‌های آینده مورد استفاده قرار گیرد. این تحقیق، گامی مهم در جهت توسعه پردازنده‌هایی با کارایی بالا و مصرف انرژی پایین برای کاربردهای هوش مصنوعی است. به طور خلاصه، این مقاله اهمیت بهینه‌سازی سخت‌افزاری برای الگوریتم‌های هوش مصنوعی را برجسته می‌کند و یک نمونه عملی از چگونگی دستیابی به این بهینه‌سازی ارائه می‌دهد.