Tesla je ameriško podjetje za proizvodnjo vozil, ki ga je ustanovil Elon Musk v 2003.
Podjetje je najbolj znano po svojih električnih avtomobilih in specializaciji za sončne celice in shranjevanje energije litij-ionskih baterij.
Teslini avtomobili imajo veliko revolucionarnih funkcij, vključno s super polnjenjem, dostopom do kartice in načinom avtopilota.
Način avtopilota je bil mogoč zaradi idej umetne inteligence (AI) in Teslina napredna arhitektura nevronskih omrežij.
Podrobno razpravljajmo o arhitekturi nevronske mreže Tesla.
Kaj so nevronske mreže?
Nevronske mreže ali NN so niz algoritmov, oblikovanih po vzoru biološke aktivnosti človeških možganov. Nevronske mreže sestavljen iz vozlišč, imenovanih tudi nevroni. Zbirka navpičnih vozlišč je znana kot plasti.
Vsaka plast je sestavljena iz vozlišč, imenovanih tudi nevroni, kjer potekajo izračuni. Vozlišča ene plasti so povezana z naslednjo plastjo preko prenosnih vodov, kot je prikazano spodaj.
V naslednjem diagramu krogi predstavljajo vozlišča, navpična zbirka vozlišč pa plasti. V tem modelu so tri plasti.
Kako se učijo?
Podatki se pošiljajo modelu ena entiteta naenkrat skupaj z oznako. Podatki so razčlenjeni na kose in posredovani skozi vsako vozlišče modela.
Vozlišča izvajajo matematične operacije na teh delih. Po seriji izračunov v eni plasti podatki preidejo na naslednjo plast in tako naprej.
Ko je končan, naš model predvideva oznako podatkov na izhodni plasti. Model nato nadaljuje s primerjavo te predvidene vrednosti z dejansko vrednostjo oznake.
Če se vrednosti ujemajo, bo naš model prevzel naslednji vhod, če pa se vrednosti razlikujejo, bo model izračunal razliko med obema vrednostma, imenovano izguba, in prilagodil izračune vozlišč, da bo naslednjič ustvaril ujemajoče se oznake.
Teslina arhitektura nevronske mreže
Tesla uporablja vrhunske raziskave za usposabljanje globokih nevronskih mrež za težave, ki segajo od zaznavanja do nadzora.
Teslina omrežja na kamero analizirajo neobdelane slike za izvedbo semantične segmentacije, zaznavanja predmetov in monokularna ocena globine.
Nabori podatkov
Nevronska omrežja so usposobljena na neobdelanih slikah, ki so izvlečene iz videoposnetkov, posnetih z omrežnih kamer iz ptičje perspektive, ki prikazujejo postavitev ceste, statično infrastrukturo in 3D objekte neposredno v pogledu od zgoraj navzdol.
Podatkovne slike so neoznačene in pokrivajo veliko različnih scenarijev po vsem svetu in jih sestavlja milijon vozil v realnem času.
Kako deluje?
Omrežje je sestavljeno iz 70,000 grafičnih procesnih enot (GPU), ki usposabljajo 48 globoko učenje modeli.
Strojne komponente avtomobila, vključno s kamerami in senzorji, zagotavljajo nenadzorovane podatke, ki se prenašajo skozi omrežje teh modelov.
Avto se iz podanih podatkov uči o možnih predmetih v okolju, kot so pešec, drevo itd.
Arhitektura je sestavljena tudi iz dveh AI čipov, ki uporabljajo načela globoko učenje. Ti čipi pomagajo pri sprejemanju odločitev v realnem času za avto, na primer kdaj in kako zaviti med vožnjo.
Arhitektura nevronske mreže vključuje številne zmogljive naprave in koncepte, ki prispevajo k njenemu delovanju, vključno z:
FSD čip
Popolnoma samovozeča (FSD) čipi so čipi za sklepanje AI, ki poganjajo Teslino programsko opremo za avtopilot. Ti čipi so bili zasnovani z mikroarhitekturnimi izboljšavami, ki iztisnejo največjo zmogljivost silicija na vat.
FSD izvajajo načrtovanje tal, časovno analizo in analizo moči, medtem ko pišejo robustne teste in preglednice za preverjanje funkcionalnosti in zmogljivosti AI.
Dojo čipi in sistemi
Dojo je Teslin super računalniški sistem, ki rešuje težke težave z napredno tehnologijo za dostavo in hlajenje velike moči.
Čipi Dojo vključujejo umetno inteligenco, ki poganja te sisteme, in so zasnovani za maksimalno zmogljivost, prepustnost in pasovno širino pri vsaki granularnosti.
Čipi in sistemi se skupaj uporabljajo za optimizacijo moči in zmogljivosti za Teslin NN.
Algoritmi avtonomije
Algoritmi avtonomije so osrednji algoritmi, ki poganjajo avto tako, da ustvarijo visoko zvesto predstavitev sveta in načrtujejo poti v danem prostoru.
Da uri nevronske mreže za predvidevanje takšnih predstavitev Tesla algoritemsko ustvarja natančne in obsežne podatke o resnici na terenu s kombiniranjem informacij iz avtomobilskih senzorjev v prostoru in času.
Ti algoritmi uporabljajo napredne tehnike za izgradnjo robustnega sistema načrtovanja in odločanja, ki deluje v zapletenih resničnih situacijah v negotovosti.
Infrastruktura za vrednotenje
Teslina ocenjevalna infrastruktura vključuje orodja za ocenjevanje odprte zanke, zaprte zanke in strojne opreme v zanki ter infrastrukturo v velikem obsegu.
Ta infrastruktura omogoča umetni inteligenci spremljanje izboljšav učinkovitosti in preprečevanje nazadovanja.
Ključne značilnosti Teslinega NN
- Kamere, ultrazvočni senzorji in radarji zaznavajo okolje
- Radar meri razdaljo okoli avtomobila
- Ultravijolične tehnike merijo bližino, pasivni video pa prepozna predmete okoli avtomobila
- Uporablja dva AI čipa, zgrajena na principih globokih nevronskih mrež
- AI čipi, ki sestavljajo 6 milijard tranzistorjev
- 21-krat hitrejši od čipov Nvidia
- AI čipi imajo 32 megabajtov hitrega pomnilnika SRAM
- Sestavljen je iz 48 modelov globokega učenja
- Vsebuje 70,000 grafičnih procesnih enot (GPU)
- Odda 1000 različnih tenzorjev (napovedi) v vsakem časovnem koraku
zaključek
Teslina vrhunska Nevronske mreže in arhitektura AI je uresničila idejo o samovozečih avtomobilih.
Ta uspeh vodilnega proizvajalca avtomobilov, ki temelji na AI, je posledica njegove naprednosti FSD čipi, čipi Dojo, algoritmi avtonomije, infrastruktura za vrednotenje in drugo.
Če želite izvedeti več o umetni inteligenci, globokem učenju in najnovejših tehnoloških trendih, si oglejte naše druge zanimive članke.
Pustite Odgovori