Ultra-sparse Speichernetzwerk

Ultra-Sparse Memory Network

November 19, 2024

Autoren: Zihao Huang, Qiyang Min, Hongzhi Huang, Defa Zhu, Yutao Zeng, Ran Guo, Xun Zhou

cs.AI

Zusammenfassung

Es ist allgemein anerkannt, dass die Leistung von Transformer-Modellen exponentiell mit ihrer Anzahl an Parametern und ihrer Rechenkomplexität zusammenhängt. Während Ansätze wie die Mixture of Experts (MoE) die Parameteranzahl von der Rechenkomplexität entkoppeln, stehen sie dennoch vor Herausforderungen bei der Inferenz aufgrund hoher Speicherzugriffskosten. Diese Arbeit stellt UltraMem vor, das eine groß angelegte, ultra-sparse Speicherschicht integriert, um diese Einschränkungen zu bewältigen. Unser Ansatz reduziert die Inferenzlatenz signifikant, während die Modellleistung beibehalten wird. Wir untersuchen auch die Skalierungsgesetze dieser neuen Architektur und zeigen, dass sie nicht nur günstige Skalierungseigenschaften aufweist, sondern auch herkömmliche Modelle übertrifft. In unseren Experimenten trainieren wir Netzwerke mit bis zu 20 Millionen Speicherplätzen. Die Ergebnisse zeigen, dass unsere Methode innerhalb eines festgelegten Rechenbudgets eine Inferenzgeschwindigkeit und Modellleistung auf dem neuesten Stand der Technik erreicht.

English

It is widely acknowledged that the performance of Transformer models is exponentially related to their number of parameters and computational complexity. While approaches like Mixture of Experts (MoE) decouple parameter count from computational complexity, they still face challenges in inference due to high memory access costs. This work introduces UltraMem, incorporating large-scale, ultra-sparse memory layer to address these limitations. Our approach significantly reduces inference latency while maintaining model performance. We also investigate the scaling laws of this new architecture, demonstrating that it not only exhibits favorable scaling properties but outperforms traditional models. In our experiments, we train networks with up to 20 million memory slots. The results show that our method achieves state-of-the-art inference speed and model performance within a given computational budget.