تکنيک جديدي که توسط محققان دانشگاه ميشيگان ساخته شده است مي تواند تصويب گسترده تر قطعات محاسباتي قانون پس از مور را از طريق ترجمه خودکار کد امکان پذير کند. اين سيستم با نام AutomataSynth به مهندسان نرم افزار اجازه مي دهد تا بدون دانش برنامه نويسي تخصصي يا نياز به بازنويسي کد قديمي و CPU محور ، قدرت شتابدهنده هاي سخت افزاري مانند FPGA را تحت تأثير قرار دهند.
با نزديک شدن به قانون مور ، شرکت ها و طراحان به تعدادي از تکنيک هاي سخت افزاري تکيه مي کنند تا بازده کاهش يافته ارائه شده توسط CPU هاي جديد را دور بزنند. در ميان نامزدهاي بسيار مؤثر در کوتاه مدت ، شتابدهنده هاي سخت افزاري مانند آرايه هاي دروازه قابل برنامه ريزي درست (FPGAs) وجود دارد که مي تواند به اجراي سريع عملکردهاي مشترک خاص و از بين بردن تنگناها در برنامه هاي بزرگتر اختصاص يابد.
در حالي که پذيرش آنها توسط شرکتهايي مانند مايکروسافت و خدمات وب آمازون در حال حاضر به خوبي انجام شده است ، FPGA با استفاده از برنامه نويسي مورد نياز محدود براي بسياري از توسعه دهندگان نرم افزار محدود است . اين اامات همچنين استفاده از آنها را بر روي نرم افزار ميراث از قبل موجود محدود مي کند ، که به طور معمول براي کار با پردازنده هاي خاص نوشته شده است.
امروزه بيشتر برنامه هايي که در حال استفاده هستند بايد کاملاً در سطح بسيار پايين بازنويسي شوند تا از مزاياي شتاب سخت افزاري استفاده کنند. به همين دليل ، قطعات سريعتر از آنچه در واقع مورد استفاده قرار مي گيرند نصب مي شوند.
کوين آنگستاد ، دکتري دانشگاه مي گويد: "شرکت ها در تلاشند تا [FPGAs] را براي مردم نزديکتر کنند." کانديداي پيشرو پروژه ، "اما وقتي نوبت به نوشتن برنامه هاي جديد مي رسد ، اين روند هنوز بسيار ابتدايي است."
اين تيم که شامل پروفسورها نيز مي شود. Westley Weimer و Jean-Baptiste Jeannin سعي داشتند با بازنويسي خودکار برخي از توابع سطح پايين که توسط بسياري از برنامه هاي بزرگتر استفاده مي شود ، موانع تصويب را از بين ببرد. با اجراي مقياس ، اين بدان معني است که توسعه دهندگان مي توانند با افزودن چند خط به کد موجود خود ، از FPGA ها کاملاً استفاده کنند - بدون نياز به بازنويسي.
Angstadt فرايند را با سازگاري واحدهاي پردازش گرافيکي (GPU) با محاسبات هدف کلي مقايسه مي کند ، که در ابتدا توسط پلت فرم CUDA NVIDIA فعال شده است. CUDA رابط کاربري را در اختيار توسعه دهندگان قرار مي دهد که از طريق آن مي توانند قدرت پردازشي يک پردازنده گرافيکي گرافيکي را بر روي کارهاي غير گرافيکي قرار دهند.
اعتبار: دانشگاه ميشيگان
آنگستاد مي گويد: "هدف اين کار انجام دادن کاري مشابه با FPGA ها بود." "شما فقط نمي توانيد هنگام استفاده از آنها به همان زبان بنويسيد ، اما ما مي توانيم توهم نوشتن را به همان زبان به شما بدهيم."
محققان براي دستيابي به اين هدف از تکنيکي بنام يادگيري خودکار محدود استفاده کردند. اين تکنيک از ترکيبي از تجزيه و تحليل برنامه هاي مختلف براي توليد يک دستگاه حالت استفاده مي کند که هم از نظر عملکرد با کد اصلي معادل است و هم با FPGA ها قابل شتاب است. در اصل ، سيستم آنها كدي را كه داده شده ، مي خواند ، كاركرد كد را مي آموزد و توضيحي سخت افزاري از اين رفتار براي ارسال به شتاب دهنده مي نويسد.
در مقاله ارائه شده در مورد کار ، آنها تکنيک خود را در يک کلاس از توابع ، هسته هاي رشته اي ، که عمليات جستجو و مقايسه انجام شده بر روي متن هستند ، نشان دادند.
انگستاد مي گويد: "هر زمان که از طريق يک متن متني را جستجو کنيد ، از يکي از ابتدايي ترين اشکال اين هسته هاي رشته اي استفاده مي کنيد." اما آنها مي توانند بسيار پيچيده تر باشند - اين کارکردها براي کاربردهاي متنوعي مانند تشخيص اسپم ، آناليز ژنتيکي ، توصيه هاي محصول و فيزيک ذرات اساسي هستند.
در حال اجرا AutomataSynth در يک مجموعه معيار از توابع رشته هاي دنياي واقعي است که براي کار با CPU ها نوشته شده است ، اين تيم دريافتند که در 72? موارد قادر به يادگيري طراحي سخت افزاري کاملاً معادل و در 11? ديگر تقريب است.
استفاده از اين تکنيک در ساير کلاسهاي توابع يک مشکل باز براي کارهاي بعدي است ، اما Angstadt اطمينان دارد که مي توان آن را به طور گسترده استفاده کرد.
درباره این سایت