شرکت انویدیا در جریان رویداد GTC از فناوری جدیدی با نام Neural Texture Compression (NTC) رونمایی کرد؛ راهکاری مبتنی بر هوش مصنوعی که هدف آن، حل یکی از چالشهای کلیدی گرافیک مدرن یعنی مصرف فزاینده حافظه گرافیکی است. طبق ادعای تیم سبز، این فناوری میتواند مصرف VRAM را تا ۸۵ درصد بدون آنکه افت محسوسی در کیفیت تصویر ایجاد شود، کاهش دهد.
در کنار انبوه مشکلات تولید و کمیتهایی که هر روزه باعث بالاتر رفتن قیمت قطعات کامپیوتر و تجهیزات برپایه سیلیکون میشوند، بحران تراشه، یقه همه شرکتها را چسبیده و هر روزه رکوردهای جدیدی برای قیمت انواع تراشههای حافظه و محصولات مرتبط به آن را به ما نشان میدهد.
در کنار انواع رم و SSD، حافظههای سریع در کارتهای گرافیک نیز به کار میروند و به همین دلیل قیمت کارت گرافیک نیز هر روزه بالاتر میرود. اما راهکاری که انویدیا در نظر گرفته این است که بدون نیاز به افزایش فیزیکی تراشههای رم کارت گرافیک یا همان VRAMها، کیفیت بازیها را با کمک هوش مصنوعی ارتقا دهد. این راهکار به تولیدکنندگان اجازه میدهد شرایط کسب تجربه بهتر در اجرای بازیها را با کارتهای ارزانتر که VRAM کمتری دارند نیز فراهم کنند.
جایگزینی فشردهسازی کلاسیک با شبکههای عصبی
در معماریهای مرسوم، بافتهای گرافیکی (Textures) از طریق روشهای فشردهسازی مبتنی بر بلاک ذخیره و در زمان اجرا توسط GPU بازگشایی میشوند. این رویکرد، اگرچه کارآمد است، اما با افزایش پیچیدگی صحنهها و حرکت به سمت رندرینگ فوتورئالیستی، به یکی از گلوگاههای مصرف VRAM تبدیل شده است.
بنابر اعلام تیم سبز، حالا شرکت انویدیا در نظر دارد با فناوری NTC این پارادایم را تغییر دهد. در این رویکرد، توسعهدهندگان میتوانند بهجای ذخیره مستقیم بافتها، از شبکههای عصبی سبک برای بازسازی (Decode) دادههای بافت در لحظه استفاده کنند. این رویکرد باعث میشود تا حجم دادههای ذخیرهشده بهشدت کاهش یابد، مصرف VRAM در زمان اجرا بهطور چشمگیری پایین بیاید و در عین حال، کیفیت خروجی حتی بهبود پیدا کند.
انویدیا مدعی است که در برخی سناریوها، کیفیت نهایی میتواند تا ۴ برابر وضوح مؤثر بالاتر نسبت به روشهای سنتی ارائه دهد.
از 6.5 به کمتر از 1 گیگابایت
در یکی از دموهای ارائهشده، صحنهای موسوم به Tuscan Villa که با روشهای فشردهسازی رایج حدود ۶.۵ گیگابایت VRAM مصرف میکرد، با استفاده از NTC تنها به ۹۷۰ مگابایت کاهش یافته است. اتفاق بسیار دلپذیری که با کمک NTC حاصل میشود این است که خروجی بصری با استفاده از این فناوری عملاً تفاوتی با نسخه اصلی ندارد.
نمونه دیگری که توسط تیم سبز منتشر شده نیز نشان میدهد که یک مجموعه بافت ۲۷۲ مگابایتی، پس از فشردهسازی کلاسیک به ۹۸ مگابایت میرسد، اما با NTC این مقدار به ۱۱.۳۷ مگابایت کاهش پیدا میکند؛ یعنی بیش از ۲۴ برابر بهینهتر نسبت به حالت خام!
Neural Materials؛ بازتعریف شیدینگ با کمک AI
انویدیا در کنار NTC، فناوری مکملی با نام Neural Materials یا مواد عصبی را نیز معرفی کرده که فرآیند شیدینگ (سایهسازی و مدیریت آن) را هدف قرار میدهد. در روشهای سنتی، تعامل نور با سطوح از طریق مدلهای ریاضی پیچیده مانند BRDF و ترکیب چندین تکسچر محاسبه میشود که بار پردازشی بالایی را بر دوش GPU میگذارد.
حالا پردازشگر گرافیکی با کمک فناوری جذاب Neural Materials این محاسبات را به یک شبکه عصبی آموزشدیده واگذار میکند که میتواند با توجه به زاویه نور و مشخصات سطح، نتیجه نهایی را بهصورت مستقیم پیشبینی کند. نتیجه این تغییر، افزایش چشمگیر کارایی است؛ بهطوریکه در دموهای انویدیا، رندرینگ در وضوح 1080p تا ۷.۷ برابر سریعتر انجام میشود. باز هم جذابترین بخش داستان است که کل این فرایند در نهایت هیچ تاثیری روی تجربه بصری و کیفیت تصویر ارائه شده نخواهد گذاشت.
استفاده از Tensor Cores؛ بهرهگیری از واحدهای اختصاصی AI
یکی از مزیتهای کلیدی فناوریهای جدید تیم سبز، اجرای آنها روی واحدهای سختافزاری اختصاصی AI در GPUها است؛ واحدهایی که در محصولات انویدیا با نام Tensor Cores شناخته میشوند. این موضوع باعث میشود بار پردازشی NTC و Neural Materials به هستههای اصلی رندرینگ منتقل نشود و در نتیجه، عملکرد پایه کارت گرافیک تحت تأثیر قرار نگیرد.
از دید فنی، این همان زیرساختی است که فناوریهایی مانند DLSS نیز بر پایه آن توسعه یافتهاند و بخشی از استراتژی گستردهتر انویدیا در حوزه Neural Rendering محسوب میشود.
در همین رابطه بخوانید:
- DLSS 5 با فناوری رندرینگ عصبی رونمایی شد
فراتر از AI مولد؛ یک کاربرد عملی و هدفمند
برخلاف بسیاری از کاربردهای اخیر هوش مصنوعی که در حوزه تولید محتوا متمرکز بودهاند، NTC نمونهای از استفاده غیرمولد (Non-generative) از AI است. در این روش، شبکه عصبی صرفاً بر اساس مجموعه مشخصی از تکسچرها آموزش داده میشود و تنها وظیفه آن بازسازی دقیق همان دادهها در زمان اجرا است.
به همین دلیل، برخلاف مدلهای مولد، هیچگونه ریسک «توهم محتوا (Hallucination)» یا تولید خروجی نادرست در این فناوری وجود ندارد و نتیجه نهایی کاملاً قابل پیشبینی و کنترلپذیر است.
با افزایش مداوم کیفیت گرافیکی بازیها و فشار روزافزون بر حافظه گرافیکی، فناوریهایی مانند NTC میتوانند نقش تعیینکنندهای در آینده رندرینگ ایفا کنند. کاهش چشمگیر مصرف VRAM، بهبود کیفیت تکسچرها و استفاده بهینه از واحدهای AI، این فناوری را به یکی از جدیترین نوآوریهای اخیر در حوزه گرافیک تبدیل کرده است.
در نهایت بگوییم که فناوری NTC میتواند در صورت پذیرش گسترده توسط توسعهدهندگان، نهتنها نیاز به سختافزارهای گرانقیمت را کاهش دهد، بلکه مسیر توسعه بازیهای سنگینتر و پیچیدهتر را نیز هموار کند.
نظر خود را اضافه کنید.
برای ارسال نظر وارد شوید
ارسال نظر بدون عضویت در سایت