От д-р Венкат Матела, основател и главен изпълнителен директор, Ceremorphic
С растежа и широкото приемане на приложения за изкуствен интелект (AI) и машинно обучение във всички индустриални сегменти, на фона на появата на всички технологии, суперкомпютрите оставиха своя отпечатък. Сега те се използват в почти всеки аспект от живота ни, от разработването на лекарства до прогнозирането на времето и онлайн игрите. Суперкомпютрите с техния невероятен интелект може да са в състояние да спасят света, но с подобряването на тяхната производителност, техните изисквания за мощност се доближават до тези на малък град. Не е преувеличено да се твърди, че полупроводниковата индустрия прави съвременния живот възможен. Над 100 милиарда интегрални схеми се използват ежедневно в международен план и търсенето само продължава да расте: благодарение на голяма част от напредъка в бързо развиващите се пазари за изкуствен интелект (AI), автономни превозни средства и Интернет на нещата.
Досега индустрията успява постоянно да предоставя по-мощни интегрирани чипове в отговор на търсенето. Но с нарастващото масово потребление на данни всеки ден, суперкомпютърните среди стават все по-често срещани в днешното ежедневие и в резултат на това тяхната сложна инфраструктура прави отстраняването на неизправности и мониторинга на повреди изключително трудни. Това е така, защото тези инфраструктури съдържат хиляди възли, които представляват различни приложения и процесори. За да се отговори на тези опасения, е необходима рамка за анализ на надеждността в реално време за изчислителни среди с надеждна производителност. Има непосредствена необходимост да се обърне внимание на проблемите с надеждността, сигурността и консумацията на енергия, които в момента са изправени пред високопроизводителните изчисления.
Например по време на пандемията High-Performance Computing предостави безплатен достъп до най-мощните компютри в света за изследователи, борещи се с COVID-19. Изследователи и институции използваха суперкомпютри, за да проследят разпространението на Covid-19 в реално време и също така успяха да предскажат къде ще се разпространи вирусът, като идентифицираха модели и изследваха как превантивните мерки като социалното дистанциране помагат. Количеството изчисления, което беше необходимо в този глобален мащаб, стана възможно само благодарение на високопроизводителните изчисления, известни също като HPC. Високопроизводителните изчисления (HPC) позволяват на компаниите да растат изчислително, за да разработят алгоритми за дълбоко обучение, които могат да обработват експоненциално големи количества данни. Въпреки това, с повече данни идва търсенето на повече компютърна мощност и по-високи спецификации за производителност. И в резултат на това сега сме свидетели на сливането на HPC с изкуствения интелект, като по този начин поставя началото на нова ера!
По-високата производителност изисква повече енергия, поради което е неуправляема, ако възприемем традиционния подход за постигане на по-висока производителност. Разработването на усъвършенствани алгоритми за намаляване на ефективното работно натоварване е нов подход към потреблението на енергия е едно от решенията. . Въпреки това, в днешната нова ера, в която изчисленията са в изобилие и изкуственият интелект прави защитата на сигурността още по-трудна, архитектурата трябва да бъде проектирана така, че да противодейства на бъдещи заплахи и да позволява нова обработка на AI / ML. Друга възможност за високо мащабиране, към която полупроводниковата индустрия се движи, е персонализирана архитектура на верига с ниска мощност за къси връзки с висока пропускателна способност. Индустрията днес се нуждае от нова, надеждна архитектура, която използва логика и машинно обучение за откриване и коригиране на дефекти с помощта на най-добрия наличен хардуер и софтуер.
В традиционните вериги обикновено се разбира, че за да станат нещата по-бързи, трябва да се използва повече енергия. Скоростта и силата са постоянни противници. Въпреки това, много от стратегиите, които помагат за намаляване на консумацията на енергия от ИИ, също помагат за подобряване на производителността. Например, като поддържате данните локални или стационарни, можете да спестите енергия, като същевременно избягвате добавките за забавяне на извличането на данни. Разредеността минимизира необходимото ниво на изчисление, което ви позволява да завършите натоварването по-бързо. С прости думи – по-малко изчисления и по-малко движение на данни означават по-малко консумирана енергия. Машинното обучение също е алтернативен начин за решаване на проблеми с много по-голяма енергийна ефективност (енергия, производителност с ниска цена и т.н.).
В настоящите времена пътната карта на полупроводниковата технология предоставя инструменти и възли за разработването на усъвършенствани силициеви продукти, за да се отговори на това огромно търсене на високопроизводителни изчисления, а 5nm възелът е много ефективен за осигуряване на висока гейт гъстота (приблизително 40M порти в 1 кв. мм площ). С това една компания може по същество да направи много сложни и високопроизводителни чипове в разумен физически размер, ако има достъп до този тип технологичен възел. Въпреки това, тези възли представляват предизвикателство по отношение на управлението на изтичане на мощност и надеждност. И тези две предизвикателства, надеждността и енергийната ефективност, в момента пречат на превръщането на високата производителност в обичайно място в пространството на AI / Машинно обучение.
С увеличаването на мащаба и сложността се появиха нови предизвикателства по отношение на надеждността и системната устойчивост, енергийната ефективност, оптимизацията и сложността на софтуера, което предполага, че настоящите подходи трябва да бъдат преоценени. Въпреки че има голямо вълнение относно използването на нови технологии, както в изчислителния хардуер, така и в технологиите за охлаждане, повечето потребители все още са фокусирани върху това да се възползват максимално от по-традиционните ресурси, които са им достъпни.
Реклама
