HBF:Jauns krātuves risinājums mākslīgā intelekta laikmetam
Strauji attīstoties AI tehnoloģijai, liela joslas platuma atmiņa (HBM) ir kļuvusi par būtisku AI apmācības un secinājumu sastāvdaļu. Tomēr nepārtrauktais GPU skaitļošanas jaudas pieaugums izvirza augstākas prasības uzglabāšanas sistēmām. Šajā kontekstā ir parādījies High Bandwidth Flash (HBF) un tiek uzskatīts par nākamo svarīgo tehnoloģisko virzienu.
HBF ir jauna arhitektūra, kuras pamatā ir 3D-NAND zibatmiņa. Saliekot vairākas NAND mikroshēmas un starpsavienojumiem izmantojot Through-Silicon Via (TSV) tehnoloģiju, tiek sasniegts joslas platuma līmenis, kas ir tuvu HBM. Tās galvenais dizains sadala mikroshēmu vairākos -apakšmasīvos, atbalstot ļoti paralēlu datu apstrādi, padarot to īpaši piemērotu lielas-jaudas un lielas{7}}caurlaidības lietojumprogrammu scenārijiem.
HBF un HBM uztur viena otru papildinošas attiecības: HBM apstrādā latentuma{0}}sensitīvos karstos datus, savukārt HBF ir atbildīgs par liela mēroga-negaistošu{2}}datu kopu glabāšanu un nolasīšanu. Izmantojot NAND izmaksu priekšrocības, HBF var ievērojami samazināt mākslīgā intelekta sistēmu paplašināšanas izmaksas, piedāvājot nepārprotamas priekšrocības liela mēroga-modeļu apmācībā un progresīvā skaitļošanā.
Tehniskās priekšrocības
Liels joslas platums un liela ietilpība
3D sakraušanas tehnoloģija nodrošina joslas platumu, kas ir salīdzināms ar HBM, un uzglabāšanas blīvums ievērojami pārsniedz DRAM.
Ne{0}}negaistoša daba
Datu saglabāšana bez strāvas zuduma, atbalstot inovatīvus "atmiņas-kā-atmiņas" lietojumprogrammu modeļus.
Ievērojama izmaksu priekšrocība
NAND arhitektūra piedāvā zemākas izmaksas, padarot to piemērotu liela mēroga{0}}izvietošanai.
Izaicinājumi
1
NAND zibatmiņas rakstīšanas izturība un latentums ierobežo tā lietošanu biežos{0}}rakstīšanas scenārijos.
2
Lai nodrošinātu optimālu veiktspēju, ir nepieciešama efektīva koordinācija ar GPU, CPU un citu aparatūru.
3
Vairāku{0}}slāņu sakraušanas procesu sarežģītība var radīt problēmas ar ienesīgumu, mazinot izmaksu priekšrocības.
4
HBF ir jāizveido sava pozīcija, konkurējot ar jaunām uzglabāšanas tehnoloģijām, piemēram, 3D DRAM.
Testēšanas un apstiprināšanas fāzē profesionālas institūcijas, piemēram, GRGTEST, var nodrošināt HBF pakalpojumus, tostarp salikto struktūru uzticamības testēšanu, sistēmas veiktspējas novērtēšanu un ienesīguma analīzi. Šie centieni palīdz identificēt tehniskos riskus agrīnā stadijā un paātrināt produktu komercializāciju.
Noslēgumā jāsaka, ka HBF kā būtisks HBM papildinājums ir gatavs spēlēt galveno lomu AI, datu centros un malu skaitļošanā. Paredzams, ka, pateicoties sadarbīgajiem sasniegumiem nozarē un nepārtrauktiem testēšanas tehnoloģiju uzlabojumiem, HBF kļūs par nākamās-paaudzes krātuves arhitektūras galveno sastāvdaļu.