Innholdsfortegnelse[Gjemme seg][Forestilling]
Tesla er et amerikansk kjøretøyproduksjonsselskap grunnlagt av Elon Musk i 2003.
Selskapet er mest kjent for sine elbiler og for å spesialisere seg på solcellepaneler og litium-ion batteri energilagring.
Tesla-biler kommer med mange revolusjonerende funksjoner, inkludert superlading, nøkkelkorttilgang og en autopilotmodus.
Autopilotmodusen har vært mulig på grunn av ideer fra kunstig intelligens (AI) og Teslas avanserte nevrale nettverksarkitektur.
La oss diskutere Tesla Neural Network-arkitekturen i detalj.
Hva er nevrale nettverk?
Nevrale nettverk, eller NN-er, er en serie algoritmer modellert etter den biologiske aktiviteten til Menneskehjerne. Nevrale nettverk består av noder, også kalt nevroner. En samling vertikale noder er kjent som lag.
Hvert lag består av noder, også kalt nevroner, hvor beregningene finner sted. Nodene til ett lag er koblet til det neste laget gjennom overføringslinjer som vist nedenfor.
I det følgende diagrammet representerer sirklene nodene og den vertikale samlingen av noder representerer lagene. Det er tre lag i denne modellen.
Hvordan lærer de?
Data mates til modellen én enhet om gangen sammen med en etikett. Dataene brytes ned i biter og sendes gjennom hver node i modellen.
Noder utfører matematiske operasjoner på disse bitene. Etter en rekke beregninger i ett lag, overføres data til neste lag og så videre.
Når den er fullført, forutsier modellen vår dataetiketten på utdatalaget. Modellen fortsetter deretter med å sammenligne denne forutsagte verdien med verdien til den faktiske etikettverdien.
Hvis verdiene samsvarer, vil modellen vår ta neste input, men hvis verdiene er forskjellige, vil modellen beregne forskjellen mellom begge verdiene, kalt tap, og justere nodeberegninger for å produsere samsvarende etiketter neste gang.
Teslas nevrale nettverksarkitektur
Tesla bruker banebrytende forskning for å trene dype nevrale nettverk på problemer som spenner fra persepsjon til kontroll.
Teslas per-kamera-nettverk analyserer råbilder for å utføre semantisk segmentering, objektdeteksjon og monokulær dybdeestimering.
Datasettene
Nevrale nettverk er trent på råbilder som er hentet fra videoer tatt fra fugleperspektiv-nettverkskameraer som viser veioppsettet, statisk infrastruktur og 3D-objekter direkte i ovenfra-ned-visningen.
Databilder er umerket og dekker mange forskjellige scenarier rundt om i verden og består av en million kjøretøy i sanntid.
Hvordan virker det?
Nettverket består av 70,000 48 grafiske prosesseringsenheter (GPUer), som trener XNUMX dyp læring modeller.
Maskinvarekomponentene til bilen, inkludert kameraer og sensorer, gir uovervåket data som sendes gjennom nettverket til disse modellene.
Bilen lærer om mulige gjenstander i et miljø, som en fotgjenger, tre osv. fra de gitte dataene.
Arkitekturen består også av to AI-brikker som bruker prinsippene for dyp læring. Disse brikkene hjelper deg med å ta sanntidsbeslutninger for bilen, som når og hvordan du skal svinge, mens du kjører.
Neural Network-arkitekturen inkluderer mange kraftige enheter og konsepter som bidrar til at den fungerer, inkludert:
FSD-brikke
Full selvkjøring (FSD)-brikker er AI-slutningsbrikker som kjører Teslas autopilotprogramvare. Disse brikkene er designet med mikroarkitektoniske forbedringer som presser den maksimale silisiumytelsen per watt.
FSD-er implementerer gulvplanlegging, timing og kraftanalyse mens de skriver robuste tester og resultattavler for å verifisere AIs funksjonalitet og ytelse.
Dojo-brikker og systemer
Dojo er Teslas superdatasystem som løser harde problemer med avansert teknologi for høyeffektslevering og kjøling.
Dojo-brikker inkluderer AI som driver disse systemene og er designet for maksimal ytelse, gjennomstrømning og båndbredde ved hver granularitet.
Sammen brukes brikkene og systemene for å optimalisere kraft og ytelse for Teslas NN.
Autonomialgoritmer
Autonomialgoritmer er kjernealgoritmene som driver bilen ved å lage en høy-fidelity-representasjon av verden og planlegge ut baner i et gitt rom.
Til trene nevrale nettverk For å forutsi slike representasjoner, skaper Tesla algoritmisk nøyaktige og store sannhetsdata ved å kombinere informasjon fra bilens sensorer på tvers av rom og tid.
Disse algoritmene bruker avanserte teknikker for å bygge et robust planleggings- og beslutningssystem som opererer i kompliserte virkelige situasjoner under usikkerhet.
Evaluering Infrastruktur
Teslas evalueringsinfrastruktur inkluderer åpen sløyfe, lukket sløyfe og hardware-in-the-loop evalueringsverktøy og infrastruktur i stor skala.
Denne infrastrukturen gjør det mulig for AI å spore ytelsesforbedringer og forhindre regresjoner.
Nøkkelfunksjoner til Teslas NN
- Kameraer, ultralydsensorer og radar oppfatter miljøet
- En radar måler avstanden rundt bilen
- Ultrafiolettteknikker måler nærhet og passiv video gjenkjenner gjenstander rundt bilen
- Bruker to AI-brikker bygget på prinsipper for dype nevrale nettverk
- AI-brikker som utgjør 6 milliarder transistorer
- 21 ganger raskere enn Nvidia-brikker
- AI-brikker har 32 megabyte med høyhastighets SRAM-minne
- Består av 48 Deep Learning-modeller
- Inneholder 70,000 XNUMX grafiske prosesseringsenheter (GPUer)
- Sender ut 1000 distinkte tensorer (prediksjoner) ved hvert tidstrinn
konklusjonen
Teslas banebrytende Nevrale nettverk og AI-arkitektur har gjort ideen om selvkjørende biler til virkelighet.
Denne suksessen til den ledende AI-baserte bilprodusenten er et resultat av dens avanserte FSD-brikker, Dojo-brikker, autonomialgoritmer, evalueringsinfrastruktur og mer.
Hvis du vil lære mer om AI, Deep Learning og de nyeste teknologitrendene, sjekk ut våre andre interessante artikler.
Legg igjen en kommentar