بهینه‌سازی کارآمد ابَرپارامترها برای مدل‌های رانندگی خودران با استفاده از تقسیم‌بندی GPUهای AMD Instinct

شرح خبر

تولیدکنندگان خودرو و تأمین‌کنندگان سطح اول با چالشی بزرگ در توسعه مدل‌های درک تولیدی برای خودروهای خودران مواجه هستند: دستیابی به دقت مورد نیاز برای کاربردهای حیاتی ایمنی مانند هشدار برخورد از جلو و ترمز اضطراری خودکار، نیازمند بهینه‌سازی سیستماتیک ابَرپارامترها (HPO) است. این فرآیند معمولاً نیازمند آموزش صدها نسخه متفاوت از مدل است که هر کدام ساعتها روی یک GPU واحد زمان می‌برد، که باعث می‌شود کاوش کامل فضای پارامتری با تنظیمات تک-GPU سنتی بسیار کند و پرهزینه باشد. AMD در همکاری با بنیاد Autoware، با استفاده از GPUهای AMD Instinct و نرم‌افزار ROCm، خط لوله آموزش و استقرار مدل‌های هوش مصنوعی End-to-End Autoware را شتاب می‌بخشد. در این راستا، تقسیم‌بندی GPUهای MI300X به ۶۴ GPU منطقی امکان اجرای موازی تعداد بیشتری از بارهای کاری HPO را فراهم می‌کند و بدون نیاز به تغییر کد کاربر، بهینه‌سازی را مقرون‌به‌صرفه‌تر می‌سازد. مدل AutoSpeed، که برای تشخیص نزدیک‌ترین شیء در مسیر رانندگی طراحی شده، از معماری YOLOv11 الهام گرفته و با بلوک‌های سفارشی بهبود یافته است. AMD در همکاری با بنیاد Autoware، راهکاری برای شتابدهی به بهینه‌سازی ابَرپارامترها (HPO) در مدل‌های رانندگی خودران ارائه کرده است. چالش اصلی، زمان‌بر بودن آموزش صدها نسخه مدل روی GPUهای تک است که هزینه‌ها را افزایش می‌دهد. با تقسیم‌بندی GPUهای AMD Instinct MI300X به ۶۴ GPU منطقی، امکان اجرای موازی وظایف HPO فراهم می‌شود و فرآیند را بدون تغییر کد کاربر، سریع‌تر و اقتصادی‌تر می‌کند. مدل AutoSpeed، که برای تشخیص اشیاء در مسیر رانندگی طراحی شده، از معماری YOLOv11 با بلوک‌های سفارشی استفاده می‌کند. این مدل روی مجموعه داده OpenLane آموزش دیده و برای کاربردهای ایمنی مانند هشدار برخورد و ترمز اضطراری مناسب است. آزمایش‌ها نشان می‌دهند که تقسیم‌بندی GPU می‌تواند HPO را شتاب بخشد و کیفیت مدل را بهبود دهد. بهینه‌سازی ابَرپارامترها برای مدل‌های هوش مصنوعی در خودروهای خودران، به ویژه برای کاربردهای ایمنی حیاتی، از اهمیت بالایی برخوردار است. استفاده از تقسیم‌بندی GPUهای AMD Instinct امکان موازی‌سازی بیشتر و کاهش زمان آموزش را فراهم می‌کند که این امر می‌تواند هزینه‌های توسعه را به طور قابل توجهی کاهش دهد. علاوه بر این، بهبود کیفیت مدل‌ها از طریق HPO کارآمد، می‌تواند دقت سیستم‌های کمک راننده و خودران را افزایش دهد و ایمنی جاده‌ها را ارتقا بخشد. این فناوری می‌تواند هزینه‌های توسعه مدل‌های خودران را برای تولیدکنندگان خودرو و تأمین‌کنندگان کاهش دهد و زمان ورود به بازار را تسریع کند. همچنین، بهبود کیفیت مدل‌ها می‌تواند به افزایش اعتماد مشتریان و گسترش بازار خودروهای خودران کمک کند. ایران می‌تواند از این فناوری برای توسعه سیستم‌های خودران در صنایع داخلی استفاده کند، هرچند که دسترسی به سخت‌افزارهای پیشرفته ممکن است با چالش‌هایی همراه باشد. این فناوری می‌تواند در پروژه‌های تحقیقاتی و صنعتی کشور مورد استفاده قرار گیرد. استفاده از تقسیم‌بندی GPU و بهینه‌سازی ابَرپارامترها می‌تواند به بهبود انطباق با استانداردهای ایمنی و قانونی در خودروهای خودران کمک کند. این امر می‌تواند به کاهش مسئولیت‌های حقوقی تولیدکنندگان در صورت بروز حوادث ناشی از خطاهای نرم‌افزاری کمک کند. این فناوری بیشتر در حوزه فنی و صنعتی قرار دارد و تأثیر مستقیم بر روابط ژئوپلیتیکی ندارد، اما می‌تواند در رقابت‌های فناوری بین کشورها نقش داشته باشد. فنی و تخصصی AMD با تقسیم‌بندی GPUهای Instinct MI300X، فرآیند HPO را برای مدل‌های رانندگی خودران بهبود می‌بخشد و هزینه‌ها را کاهش می‌دهد. مدل AutoSpeed با معماری YOLOv11 ارائه شده است.

این صفحه خلاصه و تحلیل فارسی خبر را نمایش می‌دهد. نسخه کامل/اصلی از طریق لینک منبع در دسترس است.