هوش مصنوعی در کاهش حافظه گرافیکی مورد نیاز بازی‌ها معجزه می‌کند [+ویدئو]

موتورهای بازی سازی مدرن می‌توانند فشار زیادی به سخت‌افزارهای امروزی، مخصوصاً حافظه گرافیکی وارد کنند. خوشبختانه پیشرفت در فناوری‌های فشرده‌سازی بافت‌ها به توسعه‌دهندگان بازی کمک می‌کند تا حافظه کمتری نیاز داشته باشند.

یکی از این فناوری‌های جدید، فشرده‌سازی عصبی بافت‌ها (Neural Texture Compression) است. این تکنیک در حالی که شدت استفاده از حافظه گرافیکی را کاهش می‌دهد، کیفیت بافت‌ها را تا حد زیادی حفظ می‌کند. این روش به کمک یک شبکه عصبی تخصصی که برای فشرده‌سازی و بازسازی بافت‌ها به‌صورت آنی (real-time) آموزش دیده، عمل می‌کند.

نقش موثر NTC در کاهش حافظه گرافیکی مورد نیاز بازی‌ها

انویدیا سال‌هاست روی این فناوری کار می‌کند، با این حال هنوز هیچ بازی به‌طور کامل از آن بهره‌ نمی‌برد. خبر خوب اینکه برخی خوره‌های گیمینگ و گرافیک کامپیوتری نشان داده‌اند که این فناوری کارایی بالایی دارد و می‌تواند بر آینده‌ صنعت گیمینگ تأثیر قابل‌توجهی داشته باشد.

کانال یوتیوبی Compusemble که در حوزه بازی‌های کامپیوتری و فناوری فعالیت دارد، اخیراً ویدیویی منتشر کرده که توانایی‌های چشمگیر NTC را به تصویر می‌کشد. این کانال دو نمونه‌ از این فناوری را مورد آزمایش قرار داده که از سوی اینتل (Intel) و دیگری از سوی انویدیا ارائه شده است.

نمونه اینتل شامل یک دایناسور در حال حرکت است و نشان می‌دهد NTC چطور نسبت به فشرده‌سازی‌های استاندارد مبتنی بر بلوک (block compression) عملکرد بهتری دارد. این فناوری توانسته مصرف حافظه گرافیکی را به‌شدت کاهش دهد، در حالی که کیفیت بصری بافت‌ها تقریباً با نسخه‌ی فشرده‌نشده یکسان باقی مانده است.

با این حال هر دو دمو نشان می‌دهند که NTC به قدرت پردازشی قابل‌توجهی نیاز دارد. همین موضوع باعث می‌شود استفاده از قابلیتی به نام Cooperative Vectors ضروری باشد. قابلیت مزبور در DirectX 12 معرفی شده و یک استاندارد غیر اختصاصی برای شتاب‌دهی به ضرب ماتریس‌ با استفاده از پردازنده‌های گرافیکی است.

براساس آزمایش‌های کانال مزبور، در اجرای دمو روی کارت اینتل با کیفیت 4K و استفاده از NTC، میانگین زمان رندر هر فریم از 5.77 میلی‌ثانیه به 0.11 میلی‌ثانیه کاهش یافته که معادل 98 درصد کاهش است. در نمونه انویدیا نیز این عدد از 1.44 میلی‌ثانیه به 0.74 میلی‌ثانیه رسیده که برابر با 49 درصد کاهش تاخیر است.

از سوی دیگر، حجم مصرفی بافت‌ها نیز به‌طور چشم‌گیری کاهش یافته و از 272 مگابایت (در حالت فشرده‌نشده) به 11.37 مگابایت رسیده است.