چرا به پردازنده ۱۰۰۰ هسته ای نیاز داریم؟

چرا به پردازنده ۱۰۰۰ هسته ای نیاز داریم؟

در هفته جاری شاهد معرفی پردازنده‌ی بسیار کم مصرف با ۱۰۰۰ هسته‌ی پردازشی بودیم. اما پردازنده‌‌ی ۱۰۰۰ هسته‌ای در چه زمینه‌ای استفاده می‌شود و به چه دلیل باید تعداد زیادی هسته برای پردازنده داشته باشیم؟ با نتکو باشید.

قانون مور که بیان می‌کرد تعداد ترانزیستورها در پردازنده‌ها هر دو سال دو برابر می‌شود، چندان پایدار نبوده و تولیدکنندگان قادر نشدند که در مساحت یکسان، پردازنده‌هایی با دو برابر ترانزیستور بیشتر نسبت به ۲ سال قبل تولید کنند، حتی اگر این امکان وجود داشته باشد، افزایش ترانزیستورها به این معنی که افزایش دو برابری سرعت اجرای اپلیکیشن‌ها نخواهد بود. در این راستا برنامه‌نویسی معروفی به نام هرب ساتر، در یک مقاله‌ی مفصل در سال ۲۰۰۴ پیش‌بینی نمود که افزایش سرعت کلاک CPUها به حداکثر رسیده است و افزایش فرکانس نیز نمی‌تواند چندان در افزایش سرعت اجرای اپلیکیشن‌ها، موثر واقع گردد.

 

در عوض در دنیای GPUها یا پردازنده‌های گرافیکی، ترانزیستورها به جای اینکه تعداد محدودی هسته را تشکیل دهند، چندین هسته را تشکیل می‌دهند و پردازش موازی این هسته‌ها باعث شاهد رشد چشم‌گیر نسل‌های مختلف کارت‌های گرافیک نسبت به نسل‌های قبلی باشیم. به عنوان مثال در کارت گرافیک جدیدِ GeForce GTX 1080 از انویدیا شاهد بکارگیری ۲۵۶۰ هسته می باشیم که با فرکانس ۱۶۰۰ تا ۱۷۰۰ مگاهرتز کار می‌کنند. برنامه نویس‌ها و developerها نیز نرم‌افزارهایی ساخته‌اند که به بخش‌های کوچک تقسیم می‌شود تا توسط این GPUها پردازش شود. بازی‌ها یا نرم‌افزارهای علمی از این دسته هستند که عموما پردازش مربوط به آن‌ها توسط GPU انجام می‌شود.

چرا به پردازنده ۱۰۰۰ هسته ای نیاز داریم؟

اما در دنیای امروزی، اکثر نرم‌افزارها تنها با یک Thread اجرا می‌شوند و به همین دلیل است که تغییری در سرعت اجرای آن‌ها با یک پردازنده‌ی ۴ هسته‌ای و همان پردازنده با یک هسته وجود ندارد. قسمتی از این مشکل به دلیل ضعف نرم‌افزارها است که جوری برنامه نویسی نشده‌اند که از تمام توان پردازنده‌ها و هسته‌ها استفاده کنند. از طرفی برخی از دستورات نیز آنقدر پیچیده هستند که به راحتی نمی‌توان آن‌ها را به چندین بخش کوچک تبدیل کرد.

تبدیل ترانزیستورهای بیشتر به نرم‌افزارهای سریع‌تر، روز به روز سخت و دشوار می‌شود

 

با این حال، به احتمال زیاد در آینده، پردازنده‌ها به هسته‌های ضعیف‌تر اما بسیار بیشتر مجهز خواهند شد؛ چرا که سرعت پردازشِ پردازنده‌ها با روش فعلی به کندی افزایش می‌یابد و چاره‌ای جز اضافه کردن تعداد هسته‌ها نیست. به همین دلیل است که خبر ساخت پردازنده‌ی ۱۰۰۰ هسته‌ای مهم و خبرساز می‌شود.

 

معماری تراشه‌ها به نوعی عجیب و بسیار پیچیده است و اگر تعداد هسته‌ها را در پردازنده‌ها افزایش دهیم شاید مجبور شویم که کل ساختار کامپیوترها را تغییر دهیم. در پردازنده‌ها، هر کدام از هسته‌ها تقریبا فضای مستقل و جداگانه‌ی خود را دارند و هسته‌ها از طریق شبکه‌ی داخلی خود با یکدیگر ارتباط ساختاری برقرار می‌کنند. به همین دلیل است که کار برنامه‌نویس‌ها برای استفاده از تمام توان هسته‌ها دشوار می‌شود. در همین راستا ایده‌های مختلفی مطرح شده است که شاید جذاب‌ترین آن‌ها معماری KiloCore است که بکار گیری از ۶۴ هسته در پردازنده را ساده‌تر می‌کند. مهم‌ترین برگ برنده‌ی کیلوکور در مصرف بهینه‌ی انرژی است. تیم UC Davis بیان می کند که کیلوکور تا ۱۰۰ برابر مصرف بهینه‌تری از پردازنده‌ی لپ‌تاپ‌های مورد استفاده شده در حال حاضر را دارد. یک پردازنده با این معماری حتی با یک باتری قلمی نیز کار می‌کند.

 

در نتیجه برای آنکه شاهد پردازنده‌های قوی‌تر، سریع‌تر و کم‌مصرف‌تری باشیم احتمالا باید بدنبال طراحی CPUهای شبیه به GPU با هسته‌های زیاد باشیم. پردازنده‌هایی که تعداد هسته‌ی زیاد با فرکانس پایین‌تر دارند و قادر به پردازش موازی تعداد زیادی عملیات کوچک هستند. اما برای رسیدن به کامپیوترهای سازگار به این نوع پردازنده‌ها، راه پر و پیچ و خم و دشواری پیشِ رو است و باید تولیدکنندگان سخت‌افزار و نرم‌افزار عزم خود را جزم نمایند.

فناوری NFC

فناوری NFC

همیشه برقراری ارتباط بین تجهیزات دیجیتالی پیچیده نیست گاهی فقط کافیست اونها رو کنار هم قرار بدیدن. امروز با توجه به دستگاه های بیشتری که هر روز وارد بازار میشه، میخواهیم بیشتر راجع به مزایا و معایب این فناوری بگیم و اینکه این فناوری تا چه اندازه توی تجهیزات دیجیتالی امروزی، مصرف داشته.

NFCیه پروتکل است که برای انتقال با برد کوتاه در حد چند سانتیمتره، این پروتکل یه شکل پیشرفته تر از تکنولوژی RFID محسوب میشود. با این تفاوت که فناوری RFID  یک ارتباط یک طرفه می باشد، که در آن همیشه یک فرستنده که غالبا شبیه یک برچسب می باشد،که اطلاعات رو ارسال میکنه و یک دستگاه هم که نقش گیرنده رو ایفا میکند میتونه اطلاعات روی اون برچسب رو دریافت بکنه.

 

اما فناوری NFC میتونه یه ارتباط دو سویه باشه، یعنی فرستنده و گیرنده بسته به نیاز کاربر، میتونند نقش هاشون رو با هم عوض کنند.

هر دو فناوریNFC  و  RFIDبسیار به هم شبیه هستن ولی RFIDپیش از  NFC طراحی شده و به همین دلیل شهرت بیشتری نسبت به  NFCدارد.

طراحی این برچسب ها کار آن چنان دشواری نیست. مسیر انتقال هم، موج کوتاه رادیوی است.

در عین حال فرستنده به نحوی تنظیم میشود که اطلاعات اون توسط RFID readerیاNFC reader خونده بشه.در فناوری NFCبه تازگی برچسب هایی طراحی شدن که از میدان مغناطیس برای فعال سازی و ارسال اطلاعات استفاده میکنن.البته خیلی ها هم، فناوری NFC رو با بلوتوث مقایسه می کنن.ولی باید گفت هر کدوم از این فناوری ها کاربرد مخصوص خودشون رو دارن، و تفاوت زیادی بین اونها وجود داره.

ولی NFC کجاها کاربرد داره؟ و آیا فکر میکنید تا به امروز از این تکنولوژی  استفاده کردید یا نه؟

کاربردهای NFCبه سه دسته تقسیم میشه: اولانتقال اطلاعات: مثل زمانی که فایلی رو از یک گوشی به گوشی دیگه منتقل میکنیم.دوم هماهنگی: مثل زمانیکه اطلاعات شبکه ایکه بهش متصل هستیم رو عینا به گوشی یا دستگاه دیگه ای منتقل میکنیم.وسومداد و ستد:که به همه ی تراکنش های مالی مربوط به خرید و فروش اطلاق میشه.

بهتره کاربردهای NFCرو با چند مثال در زندگی روزمره بگیم. شما از مکانیزم آژیرهای ضد سرقت در فروشگاه ها مطلع هستید؟ خیلی از فروشگاه ها برای جلوگیری از سرقت کالاهاشون از همین فناوری استفاده میکنند.

تا حالا به گیره های متصل به اجناس فروشگاه ها توجه کردید؟ این گیره ها میتونه حاوی همون برچسب های RFID یا حتیNFCباشه.اگر پول کالایی که توسط مشتری انتخاب شده قبلا توی صندوق پرداخت نشده باشه این برچسب ها اطلاعات عدم خرید کالا توسط مشتری رو به دستگاه های آژیر فروشگاه ارسال میکنند.

شاید شما شاغل باشید و هر روز برای ورود به محل کاری تون از کارت های پرسنلی استفاده میکنید تا به حال به سیستم شناسایی این کارت ها دقت کردید ؟ برای شناسایی این کارت ها، معمولا باید اونها رو در فاصله ی چند سانتیمتری از دستگاه قرار داد . بعد از اینکه دستگاه اطلاعات هویتی صاحب کارت رو شناسایی کرد لحظه ی ورود و یا خروج در حافظه ی دستگاه ثبت میشه.معمولا این کارت ها هم میتونند از فناوری nfc استفاده میکنند.

اما سایر کاربردها چی میتونه باشه؟به طور کلی، از طریق این فناوری میشه هویت یک شخص یا جسم رو تشخیص داد!

حتی اگهی های استخدام هم میتونن مجهز به این سیستم باشن، کافیه متقاضی، گوشی تلفن خودش رو نزدیک اگهی استخدام ببره تا اطلاعاتش روی میکرو چیپ آگهی ثبت بشه، حالا کارفرما میتونه با توجه به اطلاعاتی که از افراد متقاضی به دست آورده، کارمند مورد نظر خودش رو انتخاب و با اون تماس بگیره.

یکی از کاربردهای این فناوری میتونه استفاده به عنوان کارت گارانتی باشه، با نصب برچسب های NFC میشه به راحتی زمان خرید و اطلاعات مشتری رو روی وسایل ثبت کردو مشتری میتونه با نزدیک کردن تلفن همراه خودش اطلاعات رو روی گوشی ببینه.

خوندن بروشور کالاهای مجهز به برچسب های NFC، باز و بسته کردن قفل ها فقط برای افراد مجاز ، ارسال کارت ویزیت و موارد اینچنین، میتونن همگی از کاربردهای این پروتکل باشن.ولی یکی از بحث های چالش برانگیز استفاده از این فناوری، زمانیکه صحبت از تراکنش های مالی میشه.

میتونیم به راحتی اطلاعات حساب بانکی رو به دستگاه همراهی که مجهز به NFC هست، منتقل کرد دیگه بعد از اون نیازی به کارتهای عابر بانکی نیست، کافیه که دستگاهتون رو که میتونه تلفن همراه، تبلت، دستگاه MP3 Playerویا حتی ساعت مچیتون باشه رو به NFC reader فروشگاه نزدیک کنید تا تراکنش های مالی، بعد از تشخیص هویت و اطلاعات بانکی مشتری ،با مجوز خریدار ،به راحتی صورت بگیره.

فناوری NFC

ولی چرا چالش بر انگیزه؟خوبهرجا که صحبت از مباحث مالی باشه، انگیزه ی افراد سودجو هم برای سو استفاده بالاتر میره! اینجاست که لازم میشه تا معایب و نقاط ضعف این فناوری بیشتر و دقیق تر بررسی بشه.یکی از بزرگترین اشکالاتی که میتونه برای این فناوری ایجاد بشه sniff(اسنیف) یا شنود غیر مجازه. یعنی افرادی بدون مجوز به اطلاعاتی که بین دو دستگاه رد و بدل میشه، دسترسی پیدا کنند و از اون بدتر میتونه،امکان تغییر این اطلاعات و ارسال اطلاعات ناسالم به گیرنده باشه.ولی اشکال دیگه ای که به راحتی ایجاد میشه تخریب و از بین بردن کامل سیگنالهای ارتباطیه این پروتکله. NFC forum اسم یهمجمعیه که توسعه این پروتکل و وضع استاندارهای اون رو به عهده داره.

و اما پاسخ این مجمع در مقابل نقاط ضعف این فناوری تا به امروز چی بوده؟

اعضای این مجمع معتقدند که حفظ امنیت در استفاده از این پروتکل، به عهده ی فردیه که از اون استفاده میکنه. ولی شاید بهتر این بود که از ابتدا، استفاده از استاندارد های انتقال اطلاعات، روی این پروتکل اعمال میشد و اطلاعات از کانال امنی منتقل میشدند.

در حال حاضر چنانچه از این فناوری در تراکنش های مالی استفاده بشه رمز گذاری باید از طرف بانک مقصد روی اطلاعات کارت NFC و تجهیزات دیجیتالیه مجهز به  NFC ی کاربر قرار گرفته باشه ، ولی چنانچه بانک ها این رمز نگاری رو روی اطلاعات مشتریان خودشون قرار نداده باشند به راحتی اطلاعات بانکی افراد مورد سودجویی قرار میگیرهو تازه باز هم باید امیدوار بود تا فروشندگان هم، از ارسال اطلاعات بصورت رمز شده استفاده کنند.خوب شاید بهتر بود این مجمع استاندارد رمز نگاری SSL رو از ابتدا خودش روی این پروتکل اعمال میکرد.

ولی درعین حال اعضای این مجمع اعلام میکنند که برد انتقال اطلاعات از طریق  NFC رو در حد چند سانتی متر کاهش داده اند. و معتقدند که کاهش فاصله در انتقال اطلاعات به کمتر از ۱۰ سانتی متر یک تمهید در برابر شنودهای غیرمجاز محسوب میشه.در حالی که با تجهیزات پیشرفته و تقویت کننده، امکان شنود برای افراد غیر مجاز در فاصله های دورتر هم امکان پذیره.

ولی در عین حال با توجه به معایب و محاسن این تکنولوژی، باید به این نکته اشاره کنیم که اغلب فروشنده ها تمایل زیادی دارند تا مشتریانشون از این تکنولوژی برای پرداخت های خودشون استفاده کنند.چرا که از این طریق میشه یه سری اطلاعات تبلیغاتی رو برای مشتری ارسال کرد و در عین حال سلایق خرید مشتری هم به راحتی ثبت میشه.

ولی دنیای دیجیتال آینده تا چه اندازه از این فناوری استقبال میکنه؟

هر روز شاهد گجت ها و ابزارهایی هستیم که از فناوری NFCبهره میبرند. به عنوان مثال شرکتی،ماوس کنترل از راه دوری رو با استفاده از این فناوری طراحی کرده به نحوی که برای معرفی ماوس به کامپیوتر تنها کافیه اون روروی کامپیوتر مجهز به nfc قرار بدید تا بلافاصله ماوس توسط کامپیوتر شناسایی بشه.

در همین رابطه پریزهای برقی مجهز به همین فناوری طراحی شده به نحوی که اگر شما بیرون از خانه مشغول شارژ دستگاه دیجیتالی خودتون باشید، هزینه ی استفاده از برق از حساب شما کسر میشه. روش کار هم چندان پیچیده نیست این پریز های با استفاده از nfcبه اطلاعات حساب بانکی مصرف کننده برق متصل شده و بنا به میزان استفاده ی کاربر، هزینه از حساب بانکی مشتری کسر میشه.

فناوری NFCتوی دنیای پرینترها هم نفوذ کرده، یک شرکت کره ای با پشتیبانی از همین فناوری تونستهپرینتر جیبی ای رو طراحی کنه.

به نحوی که کافیست عکس مورد نظر خودتان را بر روی گوشی تلفن همراه  خود انتخاب کنید و بعد از نزدیک کردن گوشی به پرینتر به آسانی  یک نسخه کاغذی از تصویر مورد نظرتان را میتوانید از پرینتر دریافت کنید.

با توجه به معایب و مزایایی که این تکنولوژی به همراه داره خیلی ها معتقدند که این پروتکل به شکل فعلی نمیتواند موفق باشد و تغییر در اون لازم و ضروری می باشد، ولی عده ای همچنان از طرفداران این تکنولوژی هستند و معایب اون را چندان پر اهمیت نمیدونند. و در حد قابل قبولی کامل می دانند.

 

چگونه ویندوز را از HDD به SSD انتقال دهیم؟

اطلاعات درایو ویندوز را به SSD انتقال دهیم؟

راه حل این کار ساده است و کاربران ویندوز می‌توانند با تعداد محدودی قطعه‌ی سخت‌افزاری و برنامه‌ی نرم‌افزاری از HDD به SSD مهاجرت کنند. کل این عملیات تنها ۱۵ دقیقه طول می‌کشد و پس از آن چند ساعت انتظار لازم است تا این پیاده‌سازی انجام شود.

موارد مورد نیاز برای مهاجرت از HDD به SSD

برای این مهاجرت نیاز به اجزای زیر است:

•  یک درایو حالت جامد SSD که حداقل ۳۲ گیگابایت فضای ذخیره سازی داشته باشد. البته بیشتر توصیه می‌شود که ظرفیت آن ۶۴ گیگابایت یا بیشتر باشد.
• استفاده از یک درایو پشتیبان که می‌تواند هارد اکسترنالی با ظرفیت بیشتر از HDD میزبان باشد.
•  استفاده از نرم‌افزار Macrium Reflect Free Edition (لینک دانلود نرم‌افزار)
• یک فلش یو‌اس‌بی فرمت شده یا یک سی دی یا دی‌وی‌دی خام.

چه نوعی از SSD را باید خریداری کنید؟

در حال حاضر SSD درایوهای ساتا (SATA)، M2 و مینی- پی‌سی‌آی  (Mini-PCIe) از انواع SSD رایج در بازار هستند. در وهله‌ی اول انتخاب نوع آن‌ها ممکن است گیج‌کننده به نظر بیاید. اما تقریبا اکثر لپ‌تاپ‌ها با استاندارد ساتا سازگاری دارند. در مورد اولترابوک‌ها استاندارد M2 قابل قبول است و تعداد محدودی از نوت بوک‌های قدیمی هم با مینی- پی‌سی‌آی هماهنگ هستند. احتمالا لپ تاپ شما در بیشتر قسمت‌ها از یک اتصال ساتا استفاده می‌کند.

 

درایوهای ساتا در تمام لپ تاپ‌ها عرضی به اندازه‌ی ۲.۵ اینچ دارند و ضخامت آن‌ها بین ۷ تا ۹ میلی‌متر متغیر است. نکته‌ای که در ادامه لازم است بدانید این که تمام SSD‌های ۷ میلی‌متری با اتصال ساتا در لپ‌تاپ سازگار هستند. اما اتصال SSD با اندازه‌ی ۹ میلی‌متر تنها می‌تواند به دستگاهی متصل شود که اتصال آن هم ۹ میلی‌متری باشد.

گام اول: نصب Macrium Reflect

در مهاجرت به SSD با سه بخش مختلف نرم‌افزاری سر و کار داریم؛ نخست برنامه‌ای که یک نسخه‌ی پشتیبان از اطلاعات فعلی را تهیه کند. دوم برنامه‌ای که حجم این اطلاعات را کاهش دهد و در نهایت برنامه‌ای که اطلاعات کپی شده را به SSD انتقال دهد. برنامه‌ی Macrium Reflect می‌تواند هر سه عملیات را با هم انجام دهد. این برنامه با ایجاد یک نسخه‌ی پشتیبان از ‌هارد میزبان، حجم اطلاعات را کاهش داده و سپس آن‌ها را به SSD انتقال می‌دهد. پس اولین کار نصب این نرم‌افزار است.

روند نصب این نرم‌افزار ساده و راحت است. پس از دانلود برنامه، روی فایل RsflectDL.exe دو بار کلیک می‌کنیم. فایل در حال اجرا، Macrium Reflect را دانلود و سپس نصب می‌کند. روی گزینه‌های Next پشت سر هم کلیک کنید و شرایط مجوز نرم‌افزار را Accept کنید.

برای نصب و دانلود فایل‌های Windows PE گزینه‌های پیش‌فرض را انتخاب کنید. فرآیند دانلود ۵۳۰ مگابایت داده حدود ۱۰ دقیقه طول می‌کشید. پس از آن Reflect یک نسخه از Windows PE قابل بوت را ایجاد می‌کند.

در این مرحله باید یک فلش یو‌اس‌بی (یا دی‌وی‌دی خام) و یک هارد اکسترنال را به سیستم متصل کنید. سپس Macrium Reflect اجرا می‌شود.

در اینجا مطمئن شوید که نسخه‌ی قابل بوت در مسیر فلش یا دی‌وی‌دی ذخیره می‌شود. به خاطر داشته باشید که اطلاعات بازیابی شده تنها روی سیستمی که در آن ذخیره شده‌اند قابل اجرا هستند.

پس از ایجاد برنامه‌ی قابل بوت، لازم است فایل‌های اضافی خود را حذف کنید. چرا که فضای SSD اغلب کمتر از HDD است. ویندوز ۱۰ به تنهایی ۱۶ گیگابایت فضا در نسخه ۳۲ بیتی و ۲۰ گیگابایت فضا در نسخه‌ی ۶۴ بیتی اشغال می‌کند.

گام دوم: حذف فایل‌های غیر ضروری

در این مرحله نیاز دارید تا اندازه‌ی فایل‌های موجود در HDD را کاهش دهید تا در فضای SSD جا شوند. برای مثال اگر فضای SSD شما ۱۲۰ گیگابایت است و HHD سیستم شما ۲۰۰ گیگابایت فضا دارد، باید ۸۰ گیگابایت از اطلاعات خود را پاک کنید- حتی توصیه می‌شود که داده‌های بیشتری را حذف کنید.

روش‌های زیادی برای کاهش حجم اطلاعات وجود دارد. استفاده از نرم‌افزارهایی مانند WinDirStat و CCleaner و دیگر برنامه‌های مشابه می‌تواند در این رابطه مفید باشد. البته استفاده از نرم‌افزار WinDirStat و ابزار Disk Cleanup ویندوز بیشتر توصیه می‌شود. WinDirStat کمک می‌کند تا فایل‌های زاید از روی درایو هارد شما پاک شود و در کنار آن Disk Cleanup فایل‌هایی را که توسط WinDirStat حذف نشده‌اند را پاک می‌کند.

WinDirStat

روش کار WinDirStat این گونه است که اطلاعات ذخیره شده در درایو را به صورت شماتیک‌وار نشان می‌دهد. به عنوان مثال اطلاعات ذخیره شده نمایشی به این شکل خواهند داشت:

مربع‌ها و مستطیل‌های رنگی نشان دهنده‌ی بلوک داده‌ها هستند. هر رنگی نوع فایل را نشان می‌دهد. اندازه‌ی بلوک‌ها هم بیان‌گر میزان فضای اشغال شده توسط فایل است. هنگام پاک کردن فایل، کاربران باید احتیاط لازم را به کار برند. برای پاک کردن یک فایل لازم است که روی آن راست کلیک کرده و آن را از منوی زمینه حذف کرد.

Windows Disk Cleanup

Windows Disk Cleanup از مفیدترین ابزارهای موجود برای پاک‌سازی درایو هارد است. این ابزار نه تنها کش‌های مختلف ویندوز را پاک‌سازی می‌کند بلکه بقایای به جا مانده از نصب ویندوزهای قبلی را هم حذف می‌کند.

 

حذف بازیابی‌ها

ویندوز مدام در حال ایجاد نسخه‌ی پشتیبان از سیستم عامل است. همین امر باعث می‌شود که حجم قابل توجهی از فضای سیستم اشغال شود. از این رو اگر گزینه‌ی دیگری ندارید، سعی کنید تا برخی از این برنامه‌های مربوط به بازیابی را حذف کنید.

اجرای دستور Compact OS

این مرحله کاملا اختیاری است. مایکروسافت در ویندوز ۱۰ قابلیتی به نام Compact OS را معرفی کرده است تا بتواند در فضای ذخیره‌سازی صرفه جویی به عمل آورد. این دستور به طور متوسط حجم سیستم عامل را بین ۱.۶ تا ۲.۶ گیگابایت (یا بیشتر) کاهش می‌دهد. ضمن این که به کاربران اجازه می‌دهد تا حداقل ۴ گیگابایت از فضای درایو را بازیابی کنند. برای اجرای این دستور، عبارت “cmd” را در Windows Search تایپ کنید. سپس روی Command Prompt راست کلیک کنید.

 

از دستور زیر برای فعال‌سازی Compact OS استفاده کنید:

 

چگونه ویندوز را از HDD به SSD انتقال دهیم؟

به این ترتیب این دستور اجرا خواهد شد.

گام سوم: ایجاد پشتیبان با استفاده از Macrium Reflect

حالا نوبت آن رسیده است که یک نسخه‌ی پشتیبان از ویندوز تهیه کنید. همزمان که هارد اکسترنال را به سیستم وصل کرده‌اید، برنامه‌ی Macrium Reflect را باز کرده و از پنجره‌ی مرکزی گزینه‌ی Create a backup را انتخاب کنید. سپس روی گزینه‌ی Image this disk کلیک کنید.

چگونه ویندوز را از HDD به SSD انتقال دهیم؟

ابتدا مطمئن شوید که پارتیشین مورد نظر را با گذاشتن علامت چک انتخاب کرده‎اید. هر پارتیشن بخشی از داده‌ها را شامل می‌شود و هر باکس پارتیشن موجود در درایو هارد را نمایش می‌دهد. تمام پارتیشن‌ها به طور پیش‌فرض در حالت انتخاب قرار دارند. چنانچه نمی‌خواهید یکی یا بعضی از پارتیشن‌های انتخاب شده در این فهرست باشند، علامت چک کنار آن را بردارید.

در مرحله‌ی دوم Folder را انتخاب کنید. البته این گزینه هم به طور پیش‌فرض انتخاب شده است.

در مرحله‌ی ۳ روی سه نقطه‌ی کنار Folder کلیک کنید و در آنجا مسیر هارد اکسترنال خود را قرار دهید.

در نهایت در مرحله‌ی ۴، Finish را انتخاب کنید تا فرآیند ایجاد نسخه‌ی پشتیبان، آغاز به کار کند.

چگونه ویندوز را از HDD به SSD انتقال دهیم؟

گام چهارم: برداشتن HDD و جای گذاری SSD

برای بسیاری از کاربران این مرحله، ساده‌ترین قسمت کار است. فقط کافی است HHD را بردارید و SSD را جایگزین آن کنید.

چگونه ویندوز را از HDD به SSD انتقال دهیم؟

گام پنجم: بازیابی اطلاعات نسخه‌ی پشتیبان

حالا سیستم خود را ری‌استارت کرده و آن را از روی فلش یا دی‌وی‌دی بوت کنید. در ادامه به جای این که ویندوز بالا بیاید، نرم‌افزار Macrium Reflect فایل image بازیابی شده را اجرا می‌کند. تب Restore را از بالا انتخاب کرده و از طریق  Browse for an image file to restore فایل image را پیدا کنید. سپس درایو اکسترنال را انتخاب کرده و نسخه‌ی پشتیبان را راه‌اندازی کنید.

چگونه ویندوز را از HDD به SSD انتقال دهیم؟

حالا برای کپی اطلاعات روی SSD هر پارتیشن را انتخاب کرده و با دراگ کردن به SSD انتقال دهید. در کمتر از یک ساعت یک نسخه‌ی کامل از ویندوز روی SSD نصب شده است. نگران فایل‌های pagefile.sys و hiberfil.sys هم نباشید. چرا که Macrium Reflect به صورت خودکار هر دو نوع فایل را حذف می‌کند و پارتیشن‌ها را با فضای موجود در SSD هماهنگ می‌کند.

اینتل تراشه ۷۲ هسته ای زئون فی

اینتل تراشه ۷۲ هسته ای زئون فی را برای رقابت با پردازنده های گرافیکی انویدیا در حوزه یادگیری ماشین رونمایی کرد

اخیرا انویدیا پردازنده‌های گرافیکی قدرتمند خود نظیر تسلا پی ۱۰۰ را به منظور استفاده در کاربردهایی نظیر یادگیری ماشین، رونمایی کرده که بسیار مورد استقبال واقع شده است. اما اینتل به عنوان بزرگ‌ترین تولیدکننده‌های پردازنده‌ بیکار ننشسته و تراشه‌ی ۷۲ هسته‌ای زئون فی ۷۲۹۰ را برای استفاده از در حوزه‌ی یادگیری ماشین رونمایی کرده است.

 

اینتل تراشه‌ی ۷۲ هسته‌ای زئون فی ۷۲۹۰ خود را با هدف استفاده در کاربردهایی نظیر یادگیری ماشین رونمایی کرده است. این کمپانی مدعی است که زئون فی قادر است تا قدرتی برابر با پردازنده‌های گرافیکی انویدیا را در حوزه‌ی یادگیری ماشین به کاربران ارائه کند، در حالی که زئون فی در شماری از حوزه‌ها نیز دست بالا را در اختیار دارد.

قرار بود زئون فی به همراه Larrabee، پردازنده‌ی گرافیکی اصلی اینتل راهی بازار شود، اما این پروژه پس از چندین بار به تعویق افتادن، بالاخره در سال ۲۰۰۹ میلادی به صورت کامل کنار گذاشته شد، اما اینتل ایده‌ی توسعه‌ی زئون فی را کنار نگذاشت.

اینتل تراشه ۷۲ هسته ای زئون فی را برای رقابت با پردازنده های گرافیکی انویدیا در حوزه یادگیری ماشین رونمایی کرد

همانطور که اشاره کردیم، زئون فی با هدف مقابله با محصولات انویدیا راهی بازار شده که اخیر سر و صدای بسیاری را در حوزه‌هایی نظیر بازی و یادگیری ماشین، بله راه انداخته است.

البته باید به این موضوع اشاره کرد که زئون فی تاکنون به عنوان یکی از بهترین گزینه‌ها برای توسعه‌ی ابررایانه‌ها و سرورها در موسسات آموزشی و کمپانی‌های متعدد مورد استفاده قرار گرفته است، اما اینتل با معرفی نسل جدید این تراشه که از وجود ۷۲ هسته‌ی پردازشی بهره می‌برد، درصدد رقابت با پردازنده‌های گرافیکی انویدیا در حوزه‌ی یادگیری ماشین است.

تراشه‌ی ۷۲ هسته‌ای زئون فی ۷۲۹۰ را باید سریع‌ترین تراشه‌‌ی این کمپانی در تاریخ خواند. براساس اطلاعات ارائه شده این محصول از سپتامبر سال جاری میلادی با برچسب قیمت ۶,۲۹۴ دلاری راهی بازار خواهد شد که علاوه بر سریع‌ترین، لقب گران‌ترین محصول اینتل را نیز به خود اختصاص داده است. اینتل در کنار این محصول، سه نسخه‌ی دیگر از زئون فی را نیز رونمایی کرده که شامل نسخه‌ی ۶۴ و ۶۸ هسته‌ای می‌شود.

تراشه‌های زئون فی در برخی از سریع‌ترین رایانه‌های جهان مورد استفاده قرار می‌گیرند. اینتل شماری از تراشه‌های نسل جدید خود را از ماه‌ها پیش راهی بازار کرده است، اما این کمپانی مشخصات فنی و قیمت محصولات خود را برای اولین بار در جریان کنفرانس بین المللی ابررایانه‌ها که در فرانکفورت آلمان برگزار می‌شود، اعلام کرد.

همانطور که در تصویر نیز مشاهده می‌کنید، این تراشه با ظاهری شبیه به یک کارت گرافیک تولید شده است. کاربران می‌توانند از این تراشه به عنوان پردازنده‌ی اصلی سیستم استفاده کرده یا آن را در کنار سایر پردازنده‌های موجود قرار دهند. برای مثال در ابررایانه‌ها و سرور‌ها این تراشه به عنوان یک پردازنده‌ی کمکی برای پردازنده‌ی اصلی که زئون E5 است، مورد استفاده قرار خواهد گرفت.

البته باید به این موضوع اشاره کرد که امکان استفاده از این تراشه‌ در رایانه‌های معمولی نیز وجود دارد، اما نباید انتظار داشت تا رایانه‌ی مجهز به این تراشه توانایی اجرای آخرین بازی‌های منتشر شده را داشته باشد، چراکه زئون فی جدید با بهره‌گیری از هسته‌های اتم تقویت شده برای انجام محاسبات و پردازش‌های علمی توسعه یافته است.

تراشه‌ی زئون فی جدید از حافظه‌ی سه بعدی موسوم به Integrated Stacked Memory با ظرفیت ۱۶ گیگابایت بهره برده و می‌تواند از حافظه‌ی رم DDR4 با ظرفیت بیش از ۳۸۴ گیگابایت نیز پشتیبانی کند. انرژی مصرف شده توسط این پردازنده ۲۴۵ وات است و فرکانس هر یک ازهسته‌ها روی ۱.۵ گیگاهرتز تنظیم شده است.

ووشپارد به این موضوع اشاره کرده که پردازنده‌ها در مقایسه با پردازنده‌های گرافیکی در کاربردهایی نظیر یادگیری ماشین و سرور‌ها بسیار سریع‌تر هستند.

اینتل تراشه‌ی جدید خود را در حوزه‌ای نظیر یادگیری عمیق نیز مورد آزمایش قرار می‌دهد. این کمپانی علاوه بر انویدیا با پردازنده‌های گرافیکی، حضور رقبای دیگری را با تولید پردازنده‌های مخصوص یادگیری عمیق حس می‌کند که از جمله‌ی آن باید به گوگل اشاره کرد که اخیرا پردازنده‌ی TPU یا همان پردازنده‌ی تنسور را رونمایی کرده است.

براساس برنامه‌‌های اینتل، این کمپانی در نظر دارد تا از حوره‌ی تولید تراشه برای رایانه‌ها فاصله گرفته و تراشه‌های جدید خود نظیر زئون فی را با فناوری‌های جدیدی که به آن‌ها دست یافته، پیونددهد.

باید دید که رقابت کمپانی‌ها در مسیر توسعه‌ی واحدهای پردازشی مورد استفاده در حوزه‌هایی نظیر یادگیری عمیق، یادگیری ماشین و هوش مصنوعی به کجا ختم خواهد شد؟

 

اشتراک

 

محققان پردازنده هزار هسته‌ای ساختند!

حتما تاکنون نامی از پردازنده‌های ۱۰ یا ۱۲ یا ۱۸ هسته‌ای شنیده‌اید ولی مطمئنا این خبر برایتان تازگی دارد. موسسه تحقیقاتی UC Davis پردازنده‌ای به نام KiloCore توسعه داده است که دربردارنده هزار هسته محاسباتی است و بسیاری از وظایف و کارهای پردازشی را در کمتر از یک ثانیه انجام می‌دهد.

 

با این پردازنده می‌توان بسیاری از کارهای محاسباتی مانند رمزنگاری، محاسبات علمی خرد، انکدینگ ویدیوها را به طور موازی و در کمترین زمان ممکن تا کنون انجام داد. کارایی این پردازنده فوق‌العاده و چشم‌گیر است. شما می‌توانید ۱۱۵ میلیارد دستورالعمل را در یک ثانیه انجام دهید ولی فقط ۰.۷ وات مصرف انرژی داشته باشید. یعنی برای راه‌اندازی و اجرای این تراشه فقط به یک باتری قلمی AAA نیاز است. فعلا نباید منتظر تولید انبوه این محصول بود. این پردازنده با آزمایشگاه‌های IBM و در مقیاس ۳۲ نانومتری ساخته شده است در حالی که پردازنده‌های تجاری موجود در بازار از فناوری‌های ۱۴ نانومتری استفاده می‌کنند. بنابراین؛ محققان و توسعه‌دهنده‌گان KiloCore به دنبال روش‌هایی برای کوچک‌تر کردن این واجد محاسباتی هستند. چیزی که از دل این خبر بیرون می‌آید؛ چشم‌انداز سال‌های آینده است و اینکه شما روی دستگاه‌های همراهی مانند موبایل یک پردازنده با این سطح از کارایی داشته باشید و بتوانید چندین کار سنگین را سریع انجام دهید در حالی که مصرف باتری موبایل به کمترین حد ممکن خودش رسیده است.

منبع: ماهنامه شبکه

گوگل پردازنده‌ای ویژه هوش مصنوعی ساخت

امروزه بیش از ۱۰۰ تیم حرفه‌ای در گوگل از یادگیری ماشینی در حوزه‌های مختلف و همچنین بهبود عملکرد برنامه‌های کاربردی محبوب استفاده می‌کنند. Street View، صندوق پستی و جستجوی صوتی همه این برنامه‌ها به لطف یادگیری ماشینی به بهترین شکل عمل می‌کنند. اما در پس زمینه این نرم‌افزارهای محبوب، سخت‌افزارهای گوگل قرار دارند که همانند خورشیدی می‌درخشند. اگر به فعالیت‌های سخت‌افزاری گوگل نگاهی داشته باشیم، به خوبی مشاهده می‌کنیم که این شرکت با ساخت سخت‌افزارهای ویژه مراکز داده‌اش، بیگانه نیست. اما خبر طراحی یک پردازنده خاص، موضوع دیگری است.

این پردازنده خاص منظوره غول اینترنتی، یک واحد پردازش تانسو است که در اصل یک تراشه سفارشی ویژه یادگیری ماشینی است. در حالی که در ظاهر چنین به نظر می‌رسد که این پردازنده با هدف افزایش دقت وظایف هوش مصنوعی طراحی شده است، اما این چنین نیست. گوگل در ساخت این تراشه تمرکزش بر محاسبات خام بوده است. در نتیجه سعی کرده است  مصرف انرژی این تراشه را به حداقل رسانده تا در یادگیری ماشینی عملکرد بهتری داشته باشد. اگر این پردازنده را به لحاظ مصرف انرژی با پردازنده‌های رایج بازار مورد بررسی قرار دهیم، مشاهده می‌کنیم که این پردازنده با همان مصرف انرژی سریع‌تر کار می‌کند.

پروژه‌ای که نزدیک به یک سال مستتر بود!

گوگل نزدیک به یک سال پیش در سکوت کامل خبری کار روی پروژه‌ای در ارتباط با شتاب‌دهندگی پیشرفته در برنامه‌های کاربردی را آغاز کرد. پروژه‌ای که بر مبنای یادگیری ماشینی عمل می‌کرد. ماحصل این پروژه گوگل یک واحد پردازشی تانسور TPU بود. یک ASIC سفارشی که به‌طور خاص برای یادگیری ماشینی طراحی شده بود. تراشه‌ای که به بهترین شکل با پروژه یادگیری ماشینی منبع باز TensorFlow یکپارچه شده است. گوگل با استفاده از این تراشه‌‌ که مصرف انرژی آن بهینه‌سازی شده است، بسیاری از کارها را مدیریت کرده و فرآیندهایی همچون بهبود کیفیت نقشه‌ها و افزایش ضریب اعتماد به آلفاگو که برای شرکت در مسابقه Go آماده شده بود را بهبود بخشید. این همان تراشه‌‌ای بود که گوگل در بازی Go برای شکست قهرمان کره‌ای از آن استفاده کرد. تقریبا یک سال است که گوگل از این تراشه‌ها در مراکز داده‌ای خودش استفاده می‌کند.

اما دو نکته جالب توجه در ارتباط با این تراشه‌ها وجود دارد. اول آن‌که معماری این تراشه‌ها به گونه‌ای است که از هر وات مصرفی برای یادگیری ماشینی به صورت بهینه‌سازی شده‌ای استفاده می‌کند. دوم آن‌که گوگل دقت این تراشه‌ها را کمی کاهش داده است. این کاهش دقت باعث شده است تا از تعداد ترانزیستورهای کمتری برای انجام عملیات استفاده شود. این ترکیب به گوگل این توانایی را داده است تا عملیات بیشتری را در هر ثانیه به درون سیلیکون‌ها وارد کرده و از مدل‌های یادگیری ماشینی قدرتمندتری استفاده کرده و این مدل‌ها را بسط دهد. ماحصل این فعالیت‌ها در غالب ارائه نتایج هوشمندانه‌ای که به سرعت در حال رشد هستند به کاربران نشان داده می‌شود.

گوگل در ارتباط با دستاوردهای این شرکت در حوزه محاسبات پیشرفته گفته است: «هدف ما این است که به عنوان رهبری در صنعت یادگیری ماشینی شناخته شویم و نوآوری‌هایی که در این زمینه به وجود می‌آوریم را در اختیار مصرف کنندگان خودمان قرار دهیم. ساخت تراشه‌های TPU که در زیرساخت‌های گوگل مورد استفاده قرار می‌گیرد به ما اجازه می‌دهد تا قدرت گوگل در حوزه نرم‌افزارهایی همچون تانسورفلو و یادگیری ماشینی ابری را همراه با قابلیت‌های شتاب‌بخشی پیشرفته در اختیار توسعه دهندگان خود قرار دهیم. یادگیری ماشینی در حال تغییر این رویکرد است که چگونه توسعه‌دهندگان توانایی ساخت برنامه‌های هوشمندی را دارند که مزایایی را هم برای مصرف کنندگان و هم برای مشتریان به وجود آورد. ما با اشتیاق دوست داریم، آینده‌ای را مشاهده کنیم که این امکانات به بهترین نحو در زندگی مردم وارد شده باشد.»

لازم به توضیح است که شما توانایی خرید این پردازنده‌ها را ندارید، اما به خوبی تاثیرگذاری آن‌را بر هوش مصنوعی و از همه مهم‌تر بر سرویس‌های گوگل مشاهده خواهید کرد.

===============================