1. 1.
    derin öğrenme ve nöral ağların artan popülerliği nöral ağ hesaplamaları için özelleştirilmiş ai donanımı geliştirme rekabetini teşvik etti.

    Yapay zeka alanındaki son gelişmelerin merkezinde insan beyninin pattern tespit etme yapısını taklit eden nöral ağlar bulunmaktadır. nöral ağlar, basit matematiksel fonksiyonları gerçekleştiren yapay nöronlardan oluşur.

    yapay nöronlar tek başlarına hiçbir işe yaramaz. Ancak bunları katmanlar halinde birleştirdiğimizde, görüntülerdeki nesneleri algılama gibi çarpıcı amaçları yerine getirebilirler. derin nöral ağlar, düzinelerce katmana yayılmış yüz milyonlarca nöron içerebilir.

    geleneksel dijital bilgisayarlar bir ya da birden fazla (CPU)'ya dayanır. CPU'lar çok fazla güç tüketir ve karmaşık hesaplamaları yüksek hızlarda gerçekleştirebilir. nöral ağların girift tabiatı göz önüne alındığı taktirde bunları dijital bilgisayarlarda çalıştırmak oldukça zahmetli bir iştir. CPU'lar, register ve memory location aracılığıyla milyonlarca yapay nöronu taklit etmeli ve sırasıyla her birini hesaplamalıdır.

    genelde bilgisayar oyunları ve rendering işlemi için kullanılan gpu'lar çok sayıda paralel işlem gerçekleştirebilir, bilhassa da nöral ağların temeli sayılan matris çarpımını gerçekleştirmede kusursuz bir performans sergiler.

    gpu'nun ve cpu'nun bu alandaki yetersizliği ve yüksek güç tüketimi deep learning'e özel donanım projelerinin önünü açmış, intel, amd, nvidia gibi üreticilere de yeni bir motivasyon sağlamıştır.

    nöromorfik yongalar.

    bunlar yapay nöronlara göre tasarlanmış binlerce küçük birimden oluşur, birden fazla işlemi gerçekleştirmeleri de mümkün değildir. nöronları ve sinapsları fiziksel olarak taklit eden tek bilgisayar da bu çipler, bir diğeri de kafatasımızın içinde yanıp sönüyor.

    dijital bilgisayarlardan daha hızlı ve verimli çalışmaları onları cezbedici bir ürün haline getirmiştir.
    ... epsilon pi