उच्च प्रदर्शन कंप्यूटिंग के क्षेत्र में, AI की आवश्यकताओं और पारंपरिक विज्ञान की आवश्यकताओं के बीच एक स्पष्ट विचलन मौजूद है। FP8 जैसे निम्न परिशुद्धता वाले प्रारूप, जो तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए उपयोगी हैं, भौतिक या जलवायु सिमुलेशनों में अस्वीकार्य त्रुटियाँ पेश करते हैं। इस अंतर को पाटने के लिए, शोधकर्ता लास्लो हनहोल्ड एक विशिष्ट प्रारूप विकसित कर रहे हैं जो संख्यात्मक सटीकता को प्राथमिकता देता है बिना प्रदर्शन और ऊर्जा दक्षता की उपेक्षा किए जो इन गणनाओं से मांगी जाती है।
सटीक वैज्ञानिक कम्प्यूटेशन के लिए एक मानक का विकास ⚙️
हनहोल्ड का कार्य वैज्ञानिक मॉडलों द्वारा आवश्यक रेंज और परिशुद्धता के लिए बिट्स के उपयोग को अनुकूलित करने वाले फ्लोटिंग-पॉइंट प्रारूप को बनाने पर केंद्रित है। AI प्रारूपों के विपरीत, जो गति के लिए गतिशील परिशुद्धता का त्याग करते हैं, यह प्रस्ताव लंबी पुनरावृत्तियों में संख्यात्मक स्थिरता सुनिश्चित करने का प्रयास करता है। उद्देश्य एक ऐसा डिज़ाइन है जो विशेष हार्डवेयर में एकीकृत हो, सुपरकंप्यूटरों के ऊर्जा उपभोग को कम करे बिना महत्वपूर्ण शोध में परिणामों की विश्वसनीयता को समझौता किए।
जब आपकी जलवायु सिमुलेशन 'भ्रमित' परिणाम पसंद नहीं करती 😅
यह समझ में आता है। जबकि एक AI छह पैरों वाले बिल्ली की एक छवि उत्पन्न कर सकती है और किसी को आश्चर्य नहीं होता, एक नाभिकीय संलयन मॉडल जो आविष्कार करे एक नए पदार्थ की अवस्था, प्रयोगशाला में कुछ हलचल पैदा कर सकता है। ऐसा लगता है कि विज्ञान में वे पसंद करते हैं कि उनकी गणनाएँ रचनात्मक न हों, बल्कि हठधर्मी रूप से सटीक हों। इसलिए, फिलहाल, FP8 को तंत्रिका नेटवर्क के सपनों के लिए छोड़ दें और वास्तविक समस्याओं के लिए वास्तविक बिट्स का उपयोग करें।