Tesla to amerykańska firma produkująca pojazdy, założona przez Elon Musk w 2003 roku.
Firma jest najbardziej znana ze swoich samochodów elektrycznych i specjalizacji w panelach słonecznych i magazynowaniu energii w akumulatorach litowo-jonowych.
Samochody Tesli są wyposażone w wiele rewolucyjnych funkcji, w tym superładowanie, dostęp do karty i tryb autopilota.
Tryb autopilota był możliwy dzięki pomysłom sztucznej inteligencji (AI) i Zaawansowana architektura sieci neuronowej Tesli.
Omówmy szczegółowo architekturę sieci neuronowej Tesla.
Co to są sieci neuronowe?
Sieci neuronowe lub NN to seria algorytmów wzorowanych na aktywności biologicznej ludzki mózg. Sieci neuronowe składają się z węzłów, zwanych także neuronami. Zbiór pionowych węzłów jest znany jako warstwy.
Każda warstwa składa się z węzłów, zwanych też neuronami, w których odbywają się obliczenia. Węzły jednej warstwy są połączone z następną warstwą za pomocą linii transmisyjnych, jak pokazano poniżej.
Na poniższym diagramie kółka reprezentują węzły, a pionowy zbiór węzłów reprezentują warstwy. W tym modelu są trzy warstwy.
Jak się uczą?
Dane są podawane do modelu pojedynczo wraz z etykietą. Dane są dzielone na porcje i przekazywane przez każdy węzeł modelu.
Węzły wykonują operacje matematyczne na tych porcjach. Po serii obliczeń w jednej warstwie dane przechodzą do następnej warstwy i tak dalej.
Po zakończeniu nasz model przewiduje etykietę danych w warstwie wyjściowej. Następnie model przechodzi do porównania tej przewidywanej wartości z rzeczywistą wartością etykiety.
Jeśli wartości są zgodne, nasz model przyjmie następne dane wejściowe, ale jeśli wartości się różnią, model obliczy różnicę między obiema wartościami, zwaną stratą, i dostosuje obliczenia węzłów, aby następnym razem wytworzyć pasujące etykiety.
Architektura sieci neuronowej Tesli
Tesla wykorzystuje najnowocześniejsze badania do trenowania głębokich sieci neuronowych w zakresie problemów od percepcji po kontrolę.
Sieci Tesli dla poszczególnych kamer analizują surowe obrazy w celu przeprowadzenia segmentacji semantycznej, wykrywania obiektów i jednooczne oszacowanie głębokości.
Zestawy danych
Sieci neuronowe są trenowane na surowych obrazach, które są wyodrębniane z filmów nagranych z kamer sieciowych z lotu ptaka, które wyświetlają układ dróg, statyczną infrastrukturę i obiekty 3D bezpośrednio w widoku z góry na dół.
Obrazy danych są nieoznaczone i obejmują wiele różnych scenariuszy na całym świecie i składają się z miliona pojazdów w czasie rzeczywistym.
Jak to działa?
Sieć składa się z 70,000 48 procesorów graficznych (GPU), które trenują XNUMX głęboka nauka modele.
Elementy sprzętowe samochodu, w tym kamery i czujniki, dostarczają nienadzorowane dane, które są przekazywane przez sieć tych modeli.
Samochód uczy się o możliwych obiektach w otoczeniu, takich jak pieszy, drzewo itp. z podanych danych.
Architektura składa się również z dwóch układów AI, które wykorzystują zasady głęboka nauka. Chipy te pomagają podejmować decyzje dotyczące samochodu w czasie rzeczywistym, np. kiedy i jak skręcić podczas jazdy.
Architektura sieci neuronowej obejmuje wiele potężnych urządzeń i koncepcji, które przyczyniają się do jej działania, w tym:
Układ FSD
Pełna samodzielna jazda (FSD) to chipy wnioskowania AI, które obsługują oprogramowanie autopilota Tesli. Chipy te zostały zaprojektowane z ulepszeniami mikroarchitektury, które wyciskają maksymalną wydajność krzemu na wat.
FSD wdrażają planowanie pięter, synchronizację i analizę mocy, jednocześnie pisząc solidne testy i tablice wyników, aby zweryfikować funkcjonalność i wydajność sztucznej inteligencji.
Chipy i systemy Dojo
Dojo to superkomputerowy system Tesli, który rozwiązuje trudne problemy dzięki zaawansowanej technologii dostarczania dużej mocy i chłodzenia.
Chipy Dojo obejmują sztuczną inteligencję, która napędza te systemy i zostały zaprojektowane z myślą o maksymalnej wydajności, przepustowości i przepustowości przy każdym poziomie szczegółowości.
Wspólnie układy scalone i systemy są wykorzystywane do optymalizacji mocy i wydajności NN Tesli.
Algorytmy autonomii
Algorytmy autonomii to podstawowe algorytmy, które napędzają samochód, tworząc wierną reprezentację świata i planując trajektorie w danej przestrzeni.
Do trenować sieci neuronowe aby przewidzieć takie reprezentacje, Tesla algorytmicznie tworzy dokładne dane na dużą skalę, łącząc informacje z czujników samochodu w czasie i przestrzeni.
Algorytmy te wykorzystują zaawansowane techniki do budowy solidnego systemu planowania i podejmowania decyzji, który działa w skomplikowanych, rzeczywistych sytuacjach w warunkach niepewności.
Infrastruktura oceny
Infrastruktura ewaluacyjna Tesli obejmuje narzędzia do ewaluacji w pętli otwartej, pętli zamkniętej i sprzętu w pętli oraz infrastrukturę na dużą skalę.
Ta infrastruktura pozwala sztucznej inteligencji śledzić ulepszenia wydajności i zapobiegać regresom.
Kluczowe cechy NN Tesli
- Kamery, czujniki ultradźwiękowe i radary postrzegają otoczenie
- Radar mierzy odległość wokół samochodu
- Techniki ultrafioletowe mierzą bliskość, a pasywne wideo rozpoznaje obiekty wokół samochodu
- Wykorzystuje dwa chipy AI zbudowane na zasadach głębokich sieci neuronowych
- Chipy AI składające się z 6 miliardów tranzystorów
- 21 razy szybszy niż układy Nvidia
- Chipy AI mają 32 megabajty szybkiej pamięci SRAM
- Składa się z 48 modeli Deep Learning
- Zawiera 70,000 XNUMX graficznych jednostek przetwarzania (GPU)
- Generuje 1000 różnych tensorów (predykcji) w każdym kroku czasowym
Wnioski
Najnowocześniejsza technologia Tesli Sieci neuronowe a architektura sztucznej inteligencji sprawiła, że idea samojezdnych samochodów stała się rzeczywistością.
Ten sukces wiodącego producenta samochodów opartego na sztucznej inteligencji jest wynikiem jego zaawansowanej technologii Chipy FSD, układy Dojo, algorytmy autonomii, infrastruktura ewaluacyjna i nie tylko.
Jeśli chcesz dowiedzieć się więcej o sztucznej inteligencji, głębokim uczeniu się i najnowszych trendach technologicznych, sprawdź nasze inne interesujące artykuły.
Dodaj komentarz