东方时讯网当尝试使用购物应用程序进行购买时，我们可能会快速浏览推荐列表，同时承认机器确实了解我们——至少，它正在学习这样做。作为一种有效的新兴技术，机器学习(ML)已经变得非常普遍，应用范围从各种应用程序到超级计算。
因此，专用的ML计算机正在以各种规模开发，但它们的生产力有些有限：工作量和开发成本主要集中在它们的软件堆栈中，需要临时开发或返工以支持每个缩放模型。
为了解决这个问题，中国科学院(CAS)的研究人员提出了一种分形并行计算模型，并于9月5日在智能计算上发表了他们的研究。
“针对生产力问题，我们提出了具有分形冯诺依曼架构(FvNA)的机器学习计算机，”中国科学院计算技术研究所处理器国家重点实验室研究员赵永伟说。
“分形”是一个借用的几何概念，描述了应用于任何尺度的自相似模式。如果一个系统是“分形的”，根据研究人员的说法，这意味着无论规模大小，系统总是使用相同的程序。
FvNA是一种多层、并行的冯·诺依曼架构，它不仅是分形的，而且是等层的——字面意思是“跨层结构相同”。
也就是说，与传统的各向异性ML计算机架构相反，FvNA对每一层都采用相同的指令集架构(ISA)。“下层完全由上层控制，因此，只有顶层作为单片处理器暴露给程序员。因此，使用FvNA构建的ML计算机在尺度不变、同质和顺序视图下是可编程的，”研究人员解释说。
尽管FvNA已被证明适用于ML领域并且能够缓解编程生产力问题，同时作为其临时对应物有效运行，但仍有一些问题有待解决。在本文中，解决了以下三个问题：
FvNA如何在如此严格的架构约束下保持相当高效?
FvNA是否也适用于来自其他领域的有效载荷?
如果是这样，确切的先决条件是什么?
为了回答这些问题，研究人员首先对分形并行机(FPM)进行建模，这是一种从FvNA建模的抽象并行计算机。FPM建立在Valiant的multi-BSP之上，这是一种同构的多层并行模型，仅进行了少量扩展。
FPM的实例是嵌套组件的树状结构;每个组件都包含内存、处理器和子组件。组件可以执行fracops——分形并行计算系统上的有效负载方案，例如从外部存储读取一些输入数据，在处理器上执行计算，然后将输出数据写入外部存储。
“与Valiant的多BSP相比，FPM最小化了更简单抽象的参数，”研究人员说。“更重要的是，FPM通过只将单个处理器暴露给编程接口，对编程施加了明确的限制。处理器只知道它的父组件和子组件，但不知道全局系统规范。”换句话说，程序永远不知道它在树结构中的位置。因此，根据定义，FPM不能被编程为依赖于比例。
同时，研究人员提出了两种不同的ML-targetingFvNA架构——特定的Cambricon-F和通用的Cambricon-FR——并通过运行几个通用示例程序来说明FPM的分形编程风格。这些示例涵盖了令人尴尬的并行、分而治之和动态编程算法，所有这些算法都被证明是高效可编程的。
“我们澄清说，虽然分形并行计算最初是从ML领域发展起来的，但分形并行计算是相当普遍适用的，”研究人员总结说，从他们的初步结果中得出结论，FPM具有通用性和成本优化性，与许多基本的并行计算模型，例如BSP和交替图灵机。他们还认为，从整个全球网络到微米级体内设备，FPM的全面实施在各种情况下都可以派上用场。
尽管如此，研究人员还是指出了这项研究的一个值得注意的发现，即FPM通过对并行计算系统的控制模式应用约束来限制编程的熵。“目前，分形机，例如Cambricon-F/FR，仅利用这种熵减少来简化软件开发，”他们观察到。“是否可以通过将分形控制引入传统并行机来实现节能，这是一个有趣的悬而未决的问题。”