用人工智能解决无法解决的组合问题
组合问题在我们身边随处可见。当我们面临多种选择并需要找到最优解时，我们常常遇到的是组合问题。这方面的一些例子航空公司需要规划其网络中的最佳航线，公司需要管理其供应链，以便以优化的成本为客户提供适当的服务。最后，围棋棋手需要战略性地规划自己的走法，以覆盖棋盘上的更多区域。中潜在解决方案的数量是惊人的~117。下载使用解决组合问题演示文稿了解人工智能如何改进芯片设计和特定于硬件的编译器。在这里下载高通图像组合优化问题在我们身边随处可见。在计算机科学中，有一个流行的组合问题让学生和教授都着迷旅行商问题。给定一组个城市，每对之间的旅行距离，找到访问每个城市一次的最短路径。随着的增长，完整的枚举很快变得不可行。使用暴力搜索方法，如果计算机可以在一微秒内检查出一个解决方案，那么解决三个城市需要2微秒，解决11个城市需要36秒，解决2个城市需要3857年。值得庆幸的是，我们拥有比暴力破解更可扩展的方法启发式方法和精确求解器方法。即便如此，这些传统方法都无法完全解决大问题。它们也没有吸收以前解决问题的知识。这就是人工智能()可以提供帮助的地方。高通图像开发一种人工智能算法，可以从一组有限的问题实例中学习设计参数和优化指标之间的相关性。人工智能利用学习的问题结构，扩展到更大的实例，提供通用框架，并提供速度成本资源优势。下面，我将重点介绍高通的两个重要用例芯片设计和特定于硬件的编译器。芯片设计中人工智能的组合优化优化芯片设计很重要，因为它需要考虑。
所有业务指标，无论是生产成本降低、功耗性能优化、设计效率还是资本支出。随着摩尔定律的优势逐渐减弱，芯片设计的未来面临挑战。设计是一个漫长且迭代的过程。我们发现迭代优化需要几天或几周的时间才能满足功耗性能面积()要求，并且如果没 乌克兰WhatsApp 号码 有手动干预，工具并不总是能够收敛。芯片贴装面临的挑战很复杂最佳地放置标准单元和宏存储器满足设计约束有效评估这是一个巨大的组合搜索问题事实证明，人工智能可以帮助进行宏布局。这就是为什么我们将研究工作转向此。如果宏放置在一条线上，它将构成一个更简单的排列问题，但实际问题是二维的。指定宏放置需要选择两个排列，因此排列对就是搜索空间。例如，5个宏有(5!)2种可能的放置位置，我们需要对这个大的宏放置空间进行有效的搜索。贝叶斯优化被证明是实现这一目标的好方法。贝叶斯优化的目标是找到确定成本高昂的函数的最小值。在芯片设计中，贝叶斯优化学习质量度量的代理函数，它将每个宏布局映射到该度量的估计，并使用它来有效地搜索巨大的宏布局空间。因此，我们的模型优于标准求解器。总体而言，数据驱动的人工智能优化可以有效指导算法优化找到解决方案。高通图像贝叶斯优化可以更快地收敛。针对特定硬件编译器的组合优化编译器将输入神经网络转换为在目标硬件上运行的高效程序，同时优化延。
https://www.vietnamdata.co.uk/wp-content/uploads/2024/04/Whatsapp-number-list1.png
迟、性能和功耗。编译器由计算图的平铺、放置、排序和调度步骤组成。虽然在每个步骤中都做出了重要的决策，但在这项工作中，我们重点关注图的节点排序问题，它决定了节点处理的完整顺序。为什么寻找最佳序列具有挑战性？首先，目标设备上的运行时评估成本很高——可能需要几分钟的时间来设置具有所需决策的编译器并运行一个计算图。其次，决策空间相当大，因为计算图可以有数千个节点，而且有个！此类图中可能的序列。我们研究的目标是找到能够实现最佳目标性能的最佳节点序列。在我们的论文计算图的神经拓扑排序ur222中，我们专注于对计算图进行排序以最大限度地减少内存使用，这也是运行时延迟的一个很好的代表。输入是神经网络的计算图多达数万个节点。我们的目标是找到一系列节点，最大限度地减少峰值内存使用。该应用程序通过最大限度地减少对外部存储器的访问来减少芯片上人工智能模型的推理时间。事实证明，这可以通过用于排序的端到端机器学习以及用于训练图神经网络编码器解码器架构的强化学习来实现。高通图像然后，该策略将能够为新的未见过的输入图生成良好的序列。我们结合使用真实图和合成图进行训练，从而缓解了数据稀缺的挑战。我们还在同一篇论文中发布了创建合成图的算法。神经拓扑顺序模型比经典方法表现更好并且速度更快，如下所示。结果是在真实图测试集上获得的。高通图像我们的模型概括性很好，并且全面超越了基线。我对高通人工智能研究在芯片设计和人工智能编译器的组合优化方面取得的最先进的成果感到兴奋。由于组合问题无处不在，甚至稍微更优化的解决方案也能带来巨大的好处，我们期待将人工智能的组合优化进一步扩展到其他技术领域和跨行业。
頁:
[1]