چگونه توان ۸ بیتی در BF16 آموزش مدل‌های زبانی بزرگ را پایدار می‌کند

مدل‌های زبانی بزرگ زمانی در طول آموزش دچار فروپاشی می‌شوند که محاسبات داخلی آن‌ها عددی را تولید کند که برای ذخیره در فرمت حافظه‌شان بیش از حد بزرگ باشد؛ خطایی که به عنوان سرریز عددی شناخته می‌شود. فرمت Bfloat16 (یا BF16) با تخصیص مجدد بیت‌ها در یک عدد ۱۶ بیتی از این امر جلوگیری می‌کند. این فرمت سه بیت را از بخش اعشاری می‌گیرد و به توان اختصاص می‌دهد، که در نتیجه حداکثر مقدار قابل نمایش را از ۶۵,۵۰۴ به رقم نجومی ۳.۴ در ۱۰ به توان ۳۸ گسترش می‌دهد.[1][2]

پیش از معرفی BF16، صنعت هوش مصنوعی برای نصف کردن نیازهای حافظه محاسبات ۳۲ بیتی، به شدت به ریاضیات ممیز شناور ۱۶ بیتی استاندارد، معروف به FP16، وابسته بود. فرمت FP16 پنج بیت را به توان و ده بیت را به بخش اعشاری اختصاص می‌دهد. این ساختار دقت اعشاری فوق‌العاده‌ای برای اعداد کوچک فراهم می‌کند، اما یک سقف سخت در عدد ۶۵,۵۰۴ ایجاد می‌کند. وقتی گرادیان‌های یک شبکه عصبی در طول یک دوره آموزشی از این آستانه فراتر می‌روند، سخت‌افزار دیگر قادر به پردازش آن مقدار نیست.[3][6]

سیستم در واکنش به این سرریز، خطای «عدد نیست» (NaN) را برمی‌گرداند که یک نقص جزئی نیست، بلکه یک فروپاشی مهلک در روند آموزش است. تیم گوگل کلاد در مستندات TPU خود توضیح می‌دهد: «انگیزه اصلی برای توسعه bfloat16، ارائه همان محدوده پویای FP32 است» و خاطرنشان می‌کند که این محدوده برای جلوگیری از چنین خرابی‌هایی کاملاً ضروری است. بازیابی سیستم پس از یک سرریز نیازمند بازگشت به نقطه ذخیره قبلی است که باعث هدر رفتن ساعت‌ها یا روزها زمان محاسباتی در خوشه‌هایی می‌شود که کارکردشان ساعتی هزاران دلار هزینه در بر دارد.[1]

گوگل «فرمت ممیز شناور برین» (Brain Floating Point Format) را مشخصاً برای از بین بردن این گلوگاه در واحدهای پردازش تنسور (TPU) خود توسعه داد. برخلاف توان پنج بیتی در FP16، فرمت BF16 از یک توان هشت بیتی استفاده می‌کند که دقیقاً با اندازه توان یک ممیز شناور کامل ۳۲ بیتی (FP32) مطابقت دارد. هفت بیت باقی‌مانده نیز برای بخش اعشاری یا مانتیس در نظر گرفته می‌شود.[1][2]

این تغییر ساختاری نشان‌دهنده یک مصالحه ریاضی حساب‌شده است. فرمت BF16 در مقایسه با دقت چهار رقمی FP16، تنها می‌تواند حدود سه رقم اعشار دقت را نشان دهد. با این حال، الگوریتم‌های یادگیری عمیق در برابر خطاهای کوچک گرد کردن در بخش اعشاری به طرز چشمگیری مقاوم هستند. چیزی که آن‌ها نمی‌توانند از آن جان سالم به در ببرند، وجود یک سقف سخت برای بزرگی اعدادی است که در طول فرآیند کاهش گرادیان تولید می‌کنند.[3][4]

از آنجا که BF16 دقیقاً همان توان هشت بیتی FP32 را به اشتراک می‌گذارد، تبدیل بین این دو فرمت تقریباً به هیچ سربار سخت‌افزاری نیاز ندارد. پردازنده‌ها به سادگی ۱۶ بیت پایینی بخش اعشاری FP32 را کوتاه می‌کنند تا یک مقدار BF16 بسازند. این فرآیند تبدیل ظریف به معماران سخت‌افزار اجازه می‌دهد تا بدون فدا کردن محدوده پویای محاسبات ۳۲ بیتی، ضرب‌کننده‌های سیلیکونی ساده‌تر و سریع‌تری بسازند.[1][2]

موفقیت این فرمت روی پردازنده‌های TPU گوگل در سال ۲۰۱۹، باعث پذیرش سریع آن در سراسر صنعت شد. انویدیا پشتیبانی بومی از BF16 را در سال ۲۰۲۰ در معماری Ampere خود ادغام کرد و از آن زمان تاکنون، این فرمت به استاندارد پیش‌فرض برای آموزش تقریباً تمام مدل‌های زبانی بزرگ تبدیل شده است. امروزه، آموزش یک مدل ۷۰ میلیارد پارامتری با دقت کامل ۳۲ بیتی، تنها برای بارگذاری وزن‌ها به ۲۸۰ گیگابایت حافظه نیاز دارد، اما BF16 این نیاز را به ۱۴۰ گیگابایت کاهش می‌دهد.[3][5][6]

فراتر از ظرفیت حافظه، این کاهش اساساً سرعت حرکت داده‌ها در یک سرور را تغییر می‌دهد. مهندسان زیرساخت ذخیره‌سازی برای تسریع سرعت انتقال داده‌ها در اتصالات داخلی سرور و کاهش اندازه فایل‌های ذخیره‌شده مدل روی دیسک، به BF16 متکی هستند. جابجایی نیمی از حجم داده‌ها به این معنی است که پردازنده‌های گرافیکی زمان کمتری را صرف انتظار برای حافظه کرده و زمان بیشتری را به انجام محاسبات واقعی اختصاص می‌دهند.[5]

موفقیت BF16 محققان را جسورتر کرده تا دقت را حتی پایین‌تر بیاورند و با آزمایش فرمت‌های ممیز شناور ۸ بیتی (FP8)، ردپای حافظه را دوباره نصف کنند. با این حال، حرکت به سمت FP8 دقیقاً همان مشکلات پایداری را که BF16 حل کرده بود، دوباره معرفی می‌کند. در یک تحلیل در سال ۲۰۲۴، محققان ZenML خاطرنشان کردند که «کمی‌سازی اثرات کاهش دقت بر پایداری آموزش مدل‌های زبانی بزرگ» نشان می‌دهد که کاهش تهاجمی دقت اغلب به راه‌حل‌های پیچیده مقیاس‌بندی نیاز دارد تا از بازگشت خطاهای NaN جلوگیری شود.[4]

در آینده قابل پیش‌بینی، BF16 همچنان استاندارد بلامنازع برای آموزش مدل‌های پیشرفته باقی می‌ماند. این فرمت تعادل کاملی بین محدودیت‌های پهنای باند حافظه در سخت‌افزارهای مدرن و الزامات محدوده پویای بهینه‌سازی شبکه‌های عصبی برقرار می‌کند. تا زمانی که مدل‌های هوش مصنوعی در طول آموزش به تولید جهش‌های عددی غیرقابل پیش‌بینی ادامه می‌دهند، توان هشت بیتی به عنوان بنیان ساختاری برای جلوگیری از فروپاشی این محاسبات باقی خواهد ماند.[6][7]