Tesla ir amerikāņu transportlīdzekļu ražošanas uzņēmums, ko dibināja Elon Musk jo 2003.
Uzņēmums ir vislabāk pazīstams ar saviem elektriskajiem automobiļiem un specializāciju saules paneļu un litija jonu akumulatoru enerģijas uzglabāšanas jomā.
Tesla automašīnām ir daudz revolucionāru funkciju, tostarp superuzlāde, piekļuve atslēgas kartei un autopilota režīms.
Autopilota režīms ir bijis iespējams, pateicoties idejām no mākslīgā intelekta (AI) un Tesla uzlabotā neironu tīkla arhitektūra.
Detalizēti apspriedīsim Tesla neironu tīkla arhitektūru.
Kas ir neironu tīkli?
Neironu tīkli vai NN ir virkne algoritmu, kas modelēti pēc bioloģiskās aktivitātes cilvēka smadzenes. Neironu tīkli sastāv no mezgliem, ko sauc arī par neironiem. Vertikālo mezglu kolekcija ir pazīstama kā slāņi.
Katrs slānis sastāv no mezgliem, ko sauc arī par neironiem, kur notiek aprēķini. Viena slāņa mezgli ir savienoti ar nākamo slāni caur pārvades līnijām, kā parādīts zemāk.
Nākamajā diagrammā apļi apzīmē mezglus un vertikālā mezglu kolekcija apzīmē slāņus. Šajā modelī ir trīs slāņi.
Kā viņi mācās?
Dati tiek ievadīti modelim pa vienai entītijai kopā ar etiķeti. Dati tiek sadalīti gabalos un izvadīti cauri katram modeļa mezglam.
Mezgli veic matemātiskas darbības ar šiem gabaliem. Pēc aprēķinu sērijas vienā slānī dati tiek pārsūtīti uz nākamo slāni un tā tālāk.
Kad tas ir pabeigts, mūsu modelis paredz datu etiķeti izvades slānī. Pēc tam modelis salīdzina šo prognozēto vērtību ar faktiskās etiķetes vērtības vērtību.
Ja vērtības sakrīt, mūsu modelis izmantos nākamo ievadi, bet, ja vērtības atšķiras, modelis aprēķinās atšķirību starp abām vērtībām, ko sauc par zudumiem, un pielāgos mezgla aprēķinus, lai nākamreiz izveidotu atbilstošas etiķetes.
Teslas neironu tīkla arhitektūra
Tesla izmanto progresīvus pētījumus, lai apmācītu dziļus neironu tīklus par problēmām, sākot no uztveres līdz kontrolei.
Tesla kameru tīkli analizē neapstrādātus attēlus, lai veiktu semantisko segmentāciju, objektu noteikšanu un monokulārā dziļuma novērtējums.
Datu kopas
Neironu tīkli ir apmācīti izmantot neapstrādātus attēlus, kas iegūti no video, kas uzņemts no putna lidojuma tīkla kamerām, kas izvada ceļa izkārtojumu, statisko infrastruktūru un 3D objektus tieši skatā no augšas uz leju.
Datu attēli ir bez marķējuma un aptver daudzus dažādus scenārijus visā pasaulē, un tie sastāv no viena miljona transportlīdzekļu reāllaikā.
Kā tas darbojas?
Tīkls sastāv no 70,000 48 grafiskās apstrādes vienībām (GPU), kas apmāca XNUMX dziļa mācīšanās modeļi.
Automašīnas aparatūras komponenti, tostarp kameras un sensori, nodrošina neuzraudzītus datus, kas tiek nodoti šo modeļu tīklā.
Automašīna uzzina par iespējamiem objektiem vidē, piemēram, gājēju, koku utt., pamatojoties uz dotajiem datiem.
Arhitektūra sastāv arī no divām AI mikroshēmām, kas izmanto principus dziļa mācīšanās. Šīs mikroshēmas palīdz pieņemt reāllaika lēmumus par automašīnu, piemēram, kad un kā pagriezties braukšanas laikā.
Neironu tīkla arhitektūra ietver daudzas jaudīgas ierīces un koncepcijas, kas veicina tā darbību, tostarp:
FSD mikroshēma
Pilnīga pašbraukšana (FSD) mikroshēmas ir AI secinājumu mikroshēmas, kas darbina Tesla autopilota programmatūru. Šīs mikroshēmas ir izstrādātas ar mikroarhitektūras uzlabojumiem, kas samazina maksimālo silīcija veiktspēju uz vatu.
FSD ievieš grīdas plānošanu, laiku un jaudas analīzi, vienlaikus rakstot stingrus testus un rezultātu tabulas, lai pārbaudītu AI funkcionalitāti un veiktspēju.
Dojo mikroshēmas un sistēmas
Dojo ir Tesla super datorsistēma, kas atrisina smagas problēmas, izmantojot progresīvas tehnoloģijas lielas jaudas piegādei un dzesēšanai.
Dojo mikroshēmās ir iekļauts mākslīgais intelekts, kas darbina šīs sistēmas, un tie ir paredzēti maksimālai veiktspējai, caurlaidspējai un joslas platumam jebkurā precizitātē.
Mikroshēmas un sistēmas kopā tiek izmantotas, lai optimizētu Tesla NN jaudu un veiktspēju.
Autonomijas algoritmi
Autonomijas algoritmi ir galvenie algoritmi, kas vada automašīnu, radot augstas precizitātes pasaules attēlojumu un plānojot trajektorijas noteiktā telpā.
Uz apmācīt neironu tīklus lai paredzētu šādus attēlojumus, Tesla algoritmiski izveido precīzus un liela mēroga zemes patiesības datus, apvienojot informāciju no automašīnas sensoriem telpā un laikā.
Šie algoritmi izmanto progresīvas metodes, lai izveidotu stabilu plānošanas un lēmumu pieņemšanas sistēmu, kas darbojas sarežģītās reālās pasaules situācijās nenoteiktības apstākļos.
Novērtēšanas infrastruktūra
Tesla novērtēšanas infrastruktūra ietver atvērtā cikla, slēgtā cikla un aparatūras cikla novērtēšanas rīkus un infrastruktūru mērogā.
Šī infrastruktūra ļauj AI izsekot veiktspējas uzlabojumiem un novērst regresijas.
Tesla NN galvenās iezīmes
- Kameras, ultraskaņas sensori un radars uztver vidi
- Radars mēra attālumu ap automašīnu
- Ultravioletie paņēmieni mēra tuvumu, un pasīvais video atpazīst objektus ap automašīnu
- Izmanto divas AI mikroshēmas, kas veidotas uz dziļo neironu tīklu principiem
- AI mikroshēmas, kas sastāv no 6 miljardiem tranzistoru
- 21 reizi ātrāk nekā Nvidia mikroshēmas
- AI mikroshēmām ir 32 megabaiti liela ātruma SRAM atmiņa
- Sastāv no 48 Deep Learning modeļiem
- Satur 70,000 XNUMX grafiskās apstrādes vienības (GPU)
- Izvada 1000 atšķirīgus tensorus (prognozes) katrā laika solī
Secinājumi
Teslas visprogresīvākā Neironu tīkli un AI arhitektūra ideju par pašbraucošām automašīnām ir padarījusi par realitāti.
Šie vadošā uz mākslīgo intelektu balstītā automašīnu ražotāja panākumi ir tā progresa rezultāts FSD mikroshēmas, Dojo mikroshēmas, autonomijas algoritmi, novērtēšanas infrastruktūra un daudz kas cits.
Ja vēlaties uzzināt vairāk par AI, Deep Learning un jaunākajām tehnoloģiju tendencēm, skatiet citus mūsu interesantos rakstus.
Atstāj atbildi