ملخص:

وحدة المعالجة المركزية (CPU) مقابل وحدة معالجة الرسومات (GPU): ما هو الفرق بالنسبة للذكاء الاصطناعي؟

المقدمة: فهم هندسة GPU

في المشهد المتطور بسرعة للحوسبة، برزت وحدة معالجة الرسومات (GPU) كمكون حاسم، خاصة في مجالات الذكاء الاصطناعي (AI) والتعلم الآلي (ML). ولكن ما هي GPU بالضبط، ولماذا أصبحت بالغة الأهمية في هذه المجالات؟

في صميمها، GPU هي نوع متخصص من المعالج مصمم للتعامل مع الحسابات الرياضية المعقدة المطلوبة لعرض الصور والفيديوهات والرسومات ثلاثية الأبعاد. ومع ذلك، فإن قدرات المعالجة المتوازية لـ GPU جعلتها ذات قيمة لا تقدر بثمن لمجموعة واسعة من التطبيقات بخلاف الرسومات فقط، بما في ذلك الحوسبة العلمية وتعدين العملات المشفرة وأكثر من ذلك بكثير، AI و ML.

لقد أدى ظهور التعلم العميق والشبكات العصبية إلى زيادة الطلب على GPU، حيث أن هندستها المتوازية مثالية لمتطلبات الحوسبة الضخمة لتدريب وتشغيل هذه النماذج. في هذه المقالة، سنستكشف هندسة GPU، ونقارنها بـ CPU، ونفحص دورها الحاسم في ثورة الذكاء الاصطناعي.

نظرة عامة على هندسة GPU: مصممة للمعالجة المتوازية

تميز الهندسة الفريدة لـ GPU عنها عن CPU وتمكن قدراتها على المعالجة المتوازية. بينما تم تصميم CPU للحوسبة العامة والتفوق في المعالجة المتسلسلة، تم بناء GPU للمعالجة المتوازية وتم تحسينها للإنتاجية.

وحدات المعالجة المتعددة: قلب التوازي في GPU

تكمن أساس قوة المعالجة المتوازية لـ GPU في وحدات المعالجة المتعددة (SM). يحتوي كل SM على مئات من النواة البسيطة، مما يسمح لـ GPU بتنفيذ آلاف الخيوط في نفس الوقت. وهذا يتباين مع CPU، والذي عادة ما يكون لديه عدد أقل من النواة الأكثر تعقيدًا والمحسنة للمعالجة المتسلسلة.

              مخطط هندسة GPU
              ========================

               +---------------------.هنا هو الترجمة العربية للملف:

--+
               |    البث المباشر          |
               |   وحدات المعالجة المتعددة     |
               |         (SMs)         |
               +-----------+-----------+
                           |
                           |
               +-----------v-----------+
               |                       |
               |   الذاكرة المشتركة       |
               |                       |
               +-----+------------+----+
                     |            |
                     |            |
       +-------------v+           +v-------------+
       |                                        |
       |    ذاكرة التخزين المؤقت L1            ذاكرة التخزين المؤقت L1        |
       |                                        |
       +-------------+           +-------------+
                     |           |
                     |           |
                     v           v
               +-----------+-----------+
               |                       |
               |      ذاكرة التخزين المؤقت L2         |
               |                       |
               +-----------+-----------+
                           |
                           |
                           v
               +-----------------------+
               |                       |
               |    ذاكرة عالية السعة     |
               |    (HBM)       |
               |                       |
               +-----------------------+

النواة البسيطة داخل وحدة المعالجة المتعددة (SM) مصممة لتنفيذ عملية واحدة على بيانات متعددة في وقت واحد، وهذا المفهوم يُعرف باسم تعليمة واحدة، بيانات متعددة (SIMD). هذا يسمح للبطاقات الرسومية بمعالجة كميات كبيرة من البيانات بشكل متوازٍ، مما يجعلها مثالية للمهام مثل عرض الرسومات، حيث تحتاج نفس العملية إلى التنفيذ على ملايين من البكسلات.

التسلسل الهرمي للذاكرة: مُحسّن لزيادة النطاق الترددي

لتزويد آلاف النواة بالبيانات، تحتاج البطاقة الرسومية إلى نطاق ترددي هائل للذاكرة. يتم تحقيق ذلك من خلال التسلسل الهرمي للذاكرة الذي يشمل:

نطاق ترددي عا.هنا ترجمة الملف إلى اللغة العربية:

ذاكرة HBM (ذاكرة عريضة النطاق): نوع من الذاكرة المكدسة التي توفر واجهة واسعة لنقل البيانات إلى وحدة المعالجة المركزية (GPU) وخارجها.

ذاكرة التخزين المؤقت L2: ذاكرة تخزين مؤقت أكبر ومشتركة يمكن الوصول إليها من قبل جميع وحدات المعالجة المتزامنة (SM).
ذاكرة التخزين المؤقت L1: لكل وحدة معالجة متزامنة (SM) ذاكرة تخزين مؤقت L1 الخاصة بها للوصول السريع إلى البيانات المستخدمة بشكل متكرر.
الذاكرة المشتركة: ذاكرة سريعة على الرقاقة تسمح للخيوط داخل وحدة المعالجة المتزامنة (SM) بالتواصل وتبادل البيانات.

تم تصميم هذه التسلسل الهرمي للذاكرة لتوفير وحدة المعالجة المركزية (GPU) بنطاق ترددي عالي لإبقاء وحداتها النواة مشغولة وتحسين الإنتاجية.

المقارنة مع هندسة المعالج المركزي (CPU)

بينما تم تصميم وحدات المعالجة المركزية (GPUs) للمعالجة المتوازية، فإن المعالجات المركزية (CPUs) مثالية للمعالجة المتسلسلة والحوسبة العامة. بعض الاختلافات الرئيسية تشمل:

عدد ودرجة تعقيد النواة: للمعالجات المركزية (CPUs) عدد أقل من النواة الأكثر تعقيدًا، بينما لوحدات المعالجة المركزية (GPUs) آلاف النواة البسيطة.
حجم ذاكرة التخزين المؤقت: للمعالجات المركزية (CPUs) ذاكرة تخزين مؤقت أكبر لتقليل زمن الوصول، بينما لوحدات المعالجة المركزية (GPUs) ذاكرة تخزين مؤقت أصغر وتعتمد أكثر على ذاكرة عريضة النطاق.
منطق التحكم: للمعالجات المركزية (CPUs) قدرات تنبؤ بالفروع والتنفيذ خارج الترتيب المعقدة، بينما لوحدات المعالجة المركزية (GPUs) منطق تحكم أبسط.

تعكس هذه الاختلافات في الهندسة أولويات مختلفة للمعالجات المركزية (CPUs) ووحدات المعالجة المركزية (GPUs). تعطي المعالجات المركزية (CPUs) الأولوية لانخفاض زمن الوصول والأداء المتسلسل، بينما تعطي وحدات المعالجة المركزية (GPUs) الأولوية للإنتاجية العالية والمعالجة المتوازية.

التوازي في وحدات المعالجة المركزية (GPUs): SIMT والحزم

تحقق وحدات المعالجة المركزية (GPUs) ضخامة التوازي من خلال نموذج تنفيذ فريد يسمى Single Instruction, Multiple Thread (SIMT). في هذا النموذج، يتم تجميع الخيوط في "حزم" أو "جبهات الموجة"، عادةً ما تحتوي على 32 أو 64 خيطًا. تنفذ جميع الخيوط في الحزمة نفس التعليمة في الوقت نفسه، ولكن على بيانات مختلفة.

يتناسب هذا النموذج التنفيذي بشكل جيد مع المشكلات المتوازية للبيانات، حيث يجب أداء نفس العملية على العديد من نقاط البيانات. بعض الأمثلة الشائعة تشمل:

عرض الرسومات: يمكن معالجة كل بكسل على الشاشة بشكل مستقل، مما يجعله مرشحًا مثاليًا للمعالجة المتوازية.
التعلم العميق: تدريب الشبكات العصبية ينطوي على أداء نفس.هنا ترجمة الملف إلى اللغة العربية. بالنسبة للرموز البرمجية، لم يتم ترجمة التعليقات فقط:

تُستخدم وحدات المعالجة الرسومية (GPUs) بشكل متزايد في عمليات البيانات الضخمة، والتي يمكن توازيها عبر أنوية وحدة المعالجة الرسومية.

من خلال الاستفادة من نموذج التنفيذ SIMT والمعالجة القائمة على الحزم، يمكن لوحدات المعالجة الرسومية تحقيق توازٍ هائل وإنتاجية عالية في أحمال العمل المتوازية للبيانات.

الحوسبة باستخدام وحدات المعالجة الرسومية والحوسبة العامة باستخدام وحدات المعالجة الرسومية

على الرغم من أن وحدات المعالجة الرسومية كانت مصممة في الأصل للمعالجة الرسومية، إلا أن قدراتها على المعالجة المتوازية جعلتها جذابة للحوسبة العامة أيضًا. وهذا أدى إلى ظهور الحوسبة العامة باستخدام وحدات المعالجة الرسومية (GPGPU).

تم تمكين GPGPU من خلال تطوير نماذج البرمجة والواجهات البرمجية التطبيقية التي تتيح للمطورين استغلال قوة وحدات المعالجة الرسومية لمهام غير رسومية. بعض منصات GPGPU الشائعة تشمل:

NVIDIA CUDA: منصة ملكية طورتها NVIDIA لبرمجة وحدات المعالجة الرسومية الخاصة بها.
OpenCL: معيار مفتوح المصدر للبرمجة المتوازية عبر منصات متجانسة، بما في ذلك وحدات المعالجة الرسومية والمعالجات المركزية والدوائر المنطقية القابلة للبرمجة.

توفر هذه المنصات تجريدات ومكتبات تتيح للمطورين كتابة رمز متوازٍ يمكن تنفيذه على وحدات المعالجة الرسومية، دون الحاجة إلى فهم التفاصيل المنخفضة المستوى لهندسة وحدة المعالجة الرسومية.

وجد GPGPU تطبيقات في مجموعة واسعة من المجالات، بما في ذلك:

الحوسبة العلمية: تُستخدم وحدات المعالجة الرسومية للمحاكاة وتحليل البيانات والمهام الحسابية المكثفة في مجالات مثل الفيزياء والكيمياء والأحياء.
تعدين العملات المشفرة: تجعل قدرات المعالجة المتوازية لوحدات المعالجة الرسومية منها مناسبة للحسابات التشفيرية المطلوبة لتعدين العملات المشفرة مثل بيتكوين وإيثريوم.
التعلم الآلي والذكاء الاصطناعي: أصبحت وحدات المعالجة الرسومية هي المنصة المفضلة لتدريب وتشغيل نماذج التعلم العميق، والتي تتطلب كميات هائلة من الحسابات المتوازية.

أدى ظهور GPGPU إلى تطوير هندسات وحدات المعالجة الرسومية الأكثر قوة ومرونة، وكذلك التكامل الأوثق بين وحدات المعالجة الرسومية والمعالجات المركزية في أنظمة الحوسبة الحديثة.

وحدات المعالجة الرسومية في التعلم الآلي والذكاء الاصطناعي

ربما كان أكبر تأثير لوحدات المعالجة الرسومية في السنوات الأخيرة في مجال .هنا ترجمة الملف إلى اللغة العربية. بالنسبة للرموز البرمجية، لم يتم ترجمة التعليقات فقط.

تعلم الآلة والذكاء الاصطناعي. لقد جعلت القدرات على المعالجة المتوازية للبطاقات الرسومية (GPUs) منها مناسبة بشكل مثالي للمتطلبات الحسابية لتعلم العميق، والذي ينطوي على تدريب الشبكات العصبية الاصطناعية على مجموعات بيانات كبيرة.

تعلم العميق والشبكات العصبية

يُعد تعلم العميق جزءًا من تعلم الآلة يتضمن تدريب الشبكات العصبية الاصطناعية ذات العديد من الطبقات. يمكن لهذه الشبكات تعلم تمثيلات هرمية للبيانات، مما يسمح لها بأداء مهام معقدة مثل تصنيف الصور، ومعالجة اللغة الطبيعية، والتعرف على الكلام.

إن تدريب شبكات عصبية عميقة هو مهمة حسابية مكثفة تنطوي على إجراء عمليات ضرب مصفوفات وعمليات أخرى على مجموعات بيانات كبيرة. هنا تبرز قوة بطاقات الرسومية، حيث يمكنها توازي هذه العمليات عبر آلاف النواة الخاصة بها، مما يؤدي إلى أوقات تدريب أسرع بكثير مقارنة بوحدات المعالجة المركزية (CPUs).

بعض المزايا الرئيسية لبطاقات الرسومية في تعلم العميق تشمل:

أوقات تدريب أسرع: يمكن لبطاقات الرسومية تدريب شبكات عصبية عميقة في جزء من الوقت الذي ستستغرقه على وحدة المعالجة المركزية، مما يمكّن الباحثين من التجريب بنماذج وبيانات أكبر.
نماذج أكبر: تسمح السعة والنطاق الترددي لبطاقات الرسومية الحديثة بتدريب شبكات عصبية أكبر وأكثر تعقيدًا، مما قد يؤدي إلى أداء أفضل على المهام الصعبة.
القابلية للتطوير: يمكن استخدام عدة بطاقات رسومية معًا لمزيد من التوازي في التدريب، مما يسمح بنماذج وبيانات أكبر.

لا يمكن المبالغة في تأثير بطاقات الرسومية على تعلم العميق. لقد أتاحت الموازاة الهائلة والقوة الحسابية لبطاقات الرسومية الكثير من الاختراقات الحديثة في الذكاء الاصطناعي، من AlexNet إلى GPT-3.

هياكل بطاقات الرسومية للذكاء الاصطناعي

مع ازدياد الطلب على حوسبة بطاقات الرسومية في الذكاء الاصطناعي، بدأت شركات تصنيع بطاقات الرسومية في تصميم هياكل محسنة خصيصًا لأحمال عمل تعلم الآلة. وكانت NVIDIA، على وجه الخصوص، في طليعة هذا الاتجاه مع هياكلها المعمارية Volta و Ampere.

بعض الميزات الرئيسية لهذه الهياكل المعمارية المحسنة للذكاء الاصطناعي تشمل:

نواة التنسور: وحدات حساب متخصصة.هنا الترجمة العربية للملف:

تم تصميم وحدة المعالجة المركزية (GPU) لعمليات ضرب المصفوفات والتحويلات التي تعتبر العمود الفقري لأحمال عمل التعلم العميق.

الدقة المختلطة: الدعم لأنواع البيانات ذات الدقة الأقل مثل FP16 و BFLOAT16، والتي يمكن أن تسرع من عملية التدريب والاستنتاج دون التضحية بالدقة.
سعات الذاكرة الأكبر: ما يصل إلى 80 جيجابايت من ذاكرة HBM2e في NVIDIA A100، مما يسمح بتدريب نماذج أكبر.
وصلات أسرع: وصلات عالية السعة مثل NVLink و NVSwitch، والتي تمكن من اتصال أسرع بين وحدات المعالجة المركزية (GPU) في أنظمة متعددة الوحدات.

هذه الابتكارات المعمارية عززت بشكل أكبر دور وحدات المعالجة المركزية (GPU) كمنصة الاختيار للذكاء الاصطناعي وأحمال عمل التعلم العميق.

مستقبل معمارية وحدة المعالجة المركزية (GPU)

مع استمرار الطلب على حوسبة وحدة المعالجة المركزية (GPU) في النمو، مدفوعًا بالتقدم في الذكاء الاصطناعي والرسومات والحوسبة عالية الأداء، ستواصل معماريات وحدات المعالجة المركزية (GPU) التطور لمواجهة هذه التحديات. بعض الاتجاهات الرئيسية التي يجب مراقبتها تشمل:

زيادة التوازي والتخصص

سيواصل مصنعو وحدات المعالجة المركزية (GPU) دفع حدود التوازي، مع تصميمات تتضمن المزيد من النواة والوحدات المتخصصة لأحمال عمل الذكاء الاصطناعي والرسومات. على سبيل المثال، تقدم معمارية Hopper من NVIDIA ميزات جديدة مثل Hopper Transformer Engine وThread Block Cluster الجديد لتحسين التوازي والكفاءة.

التكامل الأوثق مع وحدات المعالجة المركزية (CPU)

مع أصبحت وحدات المعالجة المركزية (GPU) أكثر مركزية في أحمال العمل الحوسبية، سيكون هناك دفع نحو تكامل أوثق بين وحدات المعالجة المركزية (GPU) ووحدات المعالجة المركزية (CPU). قد يأخذ هذا شكل معماريات متجانسة مثل وحدات APU من AMD، والتي تجمع بين نواة وحدات المعالجة المركزية (CPU) ووحدات المعالجة المركزية (GPU) على رقاقة واحدة، أو وصلات عالية السعة مثل CXL من Intel، والتي تمكن من اتصال أسرع بين وحدات المعالجة المركزية (CPU) والمعززات.

المنافسة من معماريات أخرى

بينما كانت وحدات المعالجة المركزية (GPU) هي المنصة السائدة للذكاء الاصطناعي والحوسبة المتوازية، ستواجه منافسة متزايدة من معماريات أخرى مثل Field Programmable Gate Arrays (FPGAs) و Application-Specific Integrated Circuits (ASICs). هذه.هنا الترجمة العربية للملف:

الاستدامة والكفاءة في استهلاك الطاقة

مع استمرار نمو الطلب على الطاقة في حوسبة وحدات المعالجة الرسومية، سيكون هناك تركيز متزايد على الاستدامة والكفاءة في استهلاك الطاقة. وقد يشمل ذلك ابتكارات في تصميم الرقاقات، وأنظمة التبريد، وتوصيل الطاقة، بالإضافة إلى التحول نحو خوارزميات وبرامج أكثر كفاءة.

الخاتمة

لقد قطعت وحدة المعالجة الرسومية شوطًا طويلاً منذ نشأتها كمعالج رسومي متخصص. اليوم، إنها مكون حيوي في مشهد الحوسبة الحديث، تشغل كل شيء بدءًا من الألعاب والتصور إلى الحوسبة العلمية والذكاء الاصطناعي.

إن المعمارية المتوازية لوحدات المعالجة الرسومية، مع آلاف النواة البسيطة والنطاق الترددي العالي للذاكرة، جعلتها مناسبة بشكل مثالي للمتطلبات الحسابية الضخمة لهذه الأحمال. مع استمرار نمو الطلب على حوسبة وحدات المعالجة الرسومية، بدفع من التقدم في مجال الذكاء الاصطناعي وغيرها من المجالات، ستواصل معماريات وحدات المعالجة الرسومية التطور والابتكار.

من صعود GPGPU وتأثير وحدات المعالجة الرسومية على التعلم العميق، إلى تطوير معماريات ذكاء اصطناعي متخصصة ودفع نحو مزيد من التكامل مع وحدات المعالجة المركزية، فإن مستقبل حوسبة وحدات المعالجة الرسومية مشرق. وعند النظر إلى الأمام، من الواضح أن وحدات المعالجة الرسومية ستواصل لعب دور مركزي في تشكيل مستقبل الحوسبة وتمكين الجيل القادم من الاختراقات في مجال الذكاء الاصطناعي وما بعده.

ما هو DCNN (الشبكات العصبية التلافيفية العميقة)؟ شرح مفصل!Deep Learning Multiple Gpus