کمیته رکن چهارم – محققان گوگل طرحی ارائه داده اند که قابلیت یادگیری و بهبود عملکرد را برای رایانه ها فراهم می کند.
به صورت طبیعی، رایانه، لپ تاپ ، تلفن هوشمند و ابزارهای مشابه با گذشت زمان و چندین سال از شروع فعالیت، کند شده و دیگر توانایی اجرا و مدیریت مناسب نرم افزارهای جدید یا حتی نمونه های قدیمی را ندارند. برای نمونه می توان به کاهش عمدی توان آیفون به علت میزان باتری آن اشاره کرد. پژوهشگران گوگل به تازگی جزئیات تحقیقاتی را منتشر کرده اند که به لپ تاپ و تلفن های هوشمند اجازه می دهد با گذشت زمان یاد بگیرند، وظایف را به شکلی بهتر و سریع تر انجام بدهد.
پژوهشگران برای دستیابی به هدف بالا روی یکی از مسائل محاسباتی با نام «پری‌فچینگ۱» (prefetching) تمرکز کردند. در پری‌فچینگ سعی می شود به منظور جلوگیری از ایجاد گلوگاه، داده های مورد نیاز برای واکشی را پیش بینی کنند؛ اما با قدرتمندتر شدن رایانه ها این عملیات سخت تر می شود.
محققان برای بهبود پری‌فچینگ از یادگیری عمیق استفاده کردند؛ اما آماری از میزان افزایش کارایی رایانه ها ارائه ندادند.
هینر لیتز (Heiner Litz)، از پژوهشگران دانشگاه کالیفرنیا معتقد است، باید بتوان در همه ی بخش های یک رایانه- از پایین ترین سطح سیستم عامل تا نرم افزارهای رایج کاربردی- از یادگیری ماشینی استفاده کرد.
دستاورد بالا می تواند فرصت های بسیاری را برای بهبود کیفیت سامانه ها فراهم کند؛ زیرا معماری تراشه ها در چند سال گذشته تغییر زیادی نکرده و به نظر می رسد قانون مور۲ (Moore Law) با چالش های مختلفی مواجه شده است.
تیم کاراسکا (Tim Kraska)، دانشیار MIT، توضیح داد از رویکرد یاد شده می تواند در الگوریتم های سطح بالا و پیشرفته نیز استفاده کرد. برای نمونه یک پایگاه داده احتمالاً می تواند به صورت خودکار، تفاوت مدیریت داده های مالی و شبکه های اجتماعی را فرا گیرد. همچنین یک نرم افزار می تواند خودش را به گونه ای آموزش بدهد که در برابر عادات خاص هر کابر عملکردی مؤثرتر داشته باشد.
کاراسکا گفت:
ما می خواهیم یک رایانه یا سخت افزار جامع ایجاد کنیم. یادگیری ماشینی، قابلیت سفارشی سازی رایانه، هسته، داده های خاص و الگوهای دسترسی به کاربران را به شکل خودمختار فراهم می آورد.
البته وی اشاره کرد به کارگیری یادگیری ماشینی باعث نمی شود هزینه ی محاسبات کاهش پیدا کنند و این موضوع به سرعت تغییر نخواهد کرد؛ اما رویکرد مذکور می تواند قدمی رو به جلو برای ایجاد این تحول در آینده باشد.
لیتز تشریح کرد هدف نهایی دستیابی به سامانه هایی است که به صورت پیوسته روی خود نظارت داشته و یاد می گیرند.
- به عملیات انتقال داده از حافظه ی اصلی به موقت برای استفاده های بعدی پری‌فچینگ گفته می شود.
- بر اساس قانون مور هر دو سال، تعداد ترانزیستورهای موجود در یک تراشه با مساحت مشابه دو برابر خواهد شد؛ اما دانشمندان معتقدند دیگر به سختی می توان بر پایه ی این قانون قطعات را کوچک کرده و عملکردی پایدار از آنها دریافت کرد. به همین دلیل در حال ایجاد معماری های جدیدی مانند ساختار طبقاتی تراشه ها هستند.
منبع : سایبربان
