ترندز تک

ای‌ام‌دی فناوری جدید PEPS را برای فشرده‌سازی بافت‌های عصبی تشریح کرد

ای‌ام‌دی فناوری جدید PEPS را برای فشرده‌سازی بافت‌های عصبی تشریح کرد
بازدید 2
0

شرکت AMD در سمپوزیوم I3D، پژوهش جدیدی را با عنوان Positional Encoding Projected Sampling ارائه کرد که روشی نوآورانه برای بهبود فشرده‌سازی بافت‌های عصبی (Neural Texture Compression) معرفی می‌کند.

فشرده‌سازی بافت‌های عصبی از طریق آموزش مدل‌هایی به نام INR یا «بازنمایی‌های عصبی ضمنی» (Implicit Neural Representations) کار می‌کند. در این روش، با انتقال مختصات بافت به یک فضای چندبعدی بالاتر و تغذیه این اطلاعات به یک شبکه پرسپترون چندلایه (Multi-layer perceptron)، امکان نمایش و فشرده‌سازی بافت‌ها با کارایی بسیار بالا فراهم می‌شود.

ای‌ام‌دی فناوری جدید PEPS را برای فشرده‌سازی بافت‌های عصبی تشریح کرد

فناوری PEPS: جهشی در بهره‌وری کدگذاری موقعیتی

تکنولوژی PEPS روشی جدید برای افزایش بازدهی این فرایند از طریق ایجاد تغییر در نحوه استفاده از «کدگذاری موقعیتی» (Positional Encoding) معرفی می‌کند. به طور معمول، کدگذاری موقعیتی، مختصات بُعد پایین را به یک بردار سینوسی/کسینوسی با ابعاد بالاتر منتقل می‌کند. PEPS این فرلیند را گسترش می‌دهد؛ بدین صورت که هر تصویرسازی سینوسی/کسینوسی را به عنوان نقطه‌ای روی یک «منحنی لیساژو» (Lissajous curve) در نظر می‌گیرد و سپس از کدگذار یا شبکه حاضر در آن نقاطِ تصویرسازی‌شده نمونه‌برداری می‌کند. این کار باعث می‌شود حجم اطلاعاتی که توسط مدل INR نمایش داده می‌شود، افزایش یابد.

البته در این روش کاهش حجم مدل، با افزایش هزینه‌های محاسباتی همراه است. در آزمایش‌های AMD روی کارت گرافیک 9070xt، تولید یک بافت سه کاناله با رزولوشن ۱۰۲۴×۱۰۲۴ پیکسل از ۴.۳۲ میلی‌ثانیه در حالت پایه، به ۵.۴۷ میلی‌ثانیه در حالت Grid-PEPS افزایش یافت. البته نسخه بهینه‌ترِ Grid-PinkPEPS توانست این زمان را به ۴.۸۶ میلی‌ثانیه کاهش دهد. این افت عملکرد ناشی از محاسبات اضافی و دسترسی‌های بیشتر به حافظه است که به دلیل نمونه‌برداری‌های اضافه در فناوری PEPS مورد نیاز است.

ای‌ام‌دی فناوری جدید PEPS را برای فشرده‌سازی بافت‌های عصبی تشریح کرد

این تکنیک جدید علاوه‌بر فشرده‌سازی بافت، پتانسیل استفاده در SDFها را نیز دارد که در رندرینگ سه‌بعدی به کار می‌روند. SDFها به دلیل نیاز به شبکه‌های با رزولوشن بالا که به‌شدت حافظه ویدیویی (VRAM) مصرف می‌کنند، شناخته‌شده هستند؛ بنابراین بهینه‌سازی مصرف حافظه از طریق مدل‌های فشرده‌سازی عصبی سبک‌وزن اهمیت زیادی دارد.

انتظار اجرای فوری روی کارت‌های Radeon را نداشته باشید

اگرچه این پژوهش از دیدگاه فنی بسیار جذاب است، اما سخت می‌توان گفت که چه زمانی برای مصرف‌کنندگان نهایی کاربردی خواهد شد. درحال‌حاضر، تنها انویدیا ابزارها یا دموهای عمومی برای فشرده‌سازی بافت عصبی در دسترس قرار داده و حتی یک بازی هم وجود ندارد که پیاده‌سازی کامل NTC (فشرده‌سازی بافت عصبی) را ارائه دهد.

در سمت AMD، پشتیبانی حتی از این هم محدودتر است؛ در واقع، AMD هنوز نام تجاری رسمی برای این فناوری انتخاب نکرده و در تمام پژوهش‌های خود از اصطلاحات کلی برای اشاره به آن استفاده می‌کند. بااین‌حال، مشاهده پیشرفت در این حوزه دلگرم‌کننده است؛ به‌ویژه با توجه به بحران کمبود حافظه (RAMpocalypse) که تضمین می‌کند تا نیمه دوم این دهه همچنان شاهد استفاده از کارت‌های گرافیک ۸ گیگابایتی خواهیم بود.

اشتراک گذاری

نظرات کاربران

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

7 + نه =