מגזין הטכניון | סתיו 2019

הנדסת מחשבים 24 ח וקרים בפקולטה להנדסת חשמל ע"ש ויטרבי בטכניון פיתחו חומרה חדשנית המאיצה את תהליך הלמידה של מערכות בינה מלאכותית. אתהמחקר הובילו ד"ר שחר קוטינסקי והדוקטורנטית צפנת גרינברג-טולדו, והשתתפו בו הסטודנטים רועי מזור ואמיר חאג' עלי. מאמרם פורסם בכתב העת IEEE Transactions on Circuits and Systems שמוציאה האגודה הבין-לאומית למהנדסי חשמל .) IEEE ואלקטרוניקה ( בשנים האחרונות חלה התקדמות משמעותית בעולם הבינה המלאכותית, בעיקר הודות למודלים ). רשתות אלה, DNNs של רשתות נוירונים עמוקות ( שתוכננו בהשראת המוח האנושי ודרכי הלמידה של האדם, מבצעות בהצלחה חסרת תקדים משימות מורכבות כגון נהיגה אוטונומית, עיבוד שפה טבעית, זיהוי רגשות בטקסט, תרגום, זיהוי תמונה ופיתוח טיפולים רפואיים חדשניים. זאת באמצעות למידה עצמית מתוך מאגר עצום של דוגמאות, תמונות למחשבה חומרה למשל. טכנולוגיה זו מתפתחת במהירות בקבוצות מחקר אקדמיות כמו גם בחברות ענק כגון פייסבוק וגוגל, הרותמות אותה לצורכיהן. מכיוון שהלמידה מדוגמאות דורשת כוח מחשוב רב היא מבוצעת לרוב במחשבים המכילים מעבדים ) המצטיינים בכך. עם זאת, מהירותם GPU גרפיים ( של מעבדים אלה עדיין נמוכה יחסית לקצב הלימוד הרצוי של רשתות הנוירונים ולכן המעבד הוא עדיין צוואר בקבוק בתהליך זה. יתר על כן, השימוש במעבדים צורך אנרגיה רבה. לדברי ד"ר קוטינסקי, "למעשה יש לנו כאן חומרה שנועדה במקור לשימושים אחרים, גרפיקה בעיקר, והיא אינה עומדת בקצב המהיר של הפעילות המתרחשת ברשתות הנוירונים. כדי לפתור את הבעיה הזאת אנחנו חייבים חומרה ייעודית שמותאמת לעבודה עם רשתות נוירונים עמוקות." ואכן, קבוצת המחקר של ד"ר קוטינסקי פיתחה, ברמה התאורטית, מערכות חומרה המותאמות צפנת גרינברג-טולדו וד"ר שחר קוטינסקי