Zkrocení netvora: Jak integrované napěťové regulátory řeší krizi energie v oblasti AI

Umělá inteligence je hladová. Od školení masivních jazykových modelů až po poskytování reálné inferenci v cloudu, výpočetní nároky AI rostou. Tento neukojitelný apetit vytvořil sekundární krizi, která hrozí, že zastaví pokrok: neudržitelnou chuť po elektrické energii. Datová centra, moderní katedrály výpočtu, jsou na cestě k tomu, aby spotřebovávala významnou část světové elektřiny, přičemž AI úkoly jsou primárním hnacím motorem. Podle Mezinárodní energetické agentury (IEA) spotřebovala datová centra v roce 2022 přibližně 2 % globální elektřiny, a tato čísla se očekává, že se dramaticky zvýší.

Tento problém s energií není pouze o masivních účtech za elektřinu a environmentálním dopadu; je to fundamentální inženýrská bariéra. Samy procesory, které pohánějí AI – GPU, TPU a specializované ASIC – narazily na tepelnou zeď. Nemůžete prostě dál přidávat více tranzistorů na čip, pokud nemůžete dodat energii čistě a efektivně, aniž by čip přehříval. Výzva spočívá nejen ve výrobě energie, ale také v její efektivní dodávce v posledních několika milimetrech předtím, než dosáhne křemíku. Ale nyní malá část technologie nazývaná Integrovaný napěťový regulátor (IVR) fundamentálně mění budoucnost high-performance computingu.

Problém “poslední palec” v dodávce energie

Abychom pochopili inovaci IVR, je třeba nejdříve pochopit tradiční metodu napájení high-performance čipu. Moderní procesor má miliardy tranzistorů, které se zapínají a vypínají miliardykrát za sekundu. Tyto operace vyžadují přesné, stabilní a nízkonapěťové DC napájení. Avšak energie z elektrické zásuvky je vysokonapěťový AC. Cesta od zásuvky k křemíku zahrnuje složitou řadu konverze a regulace známou jako Power Delivery Network (PDN).

Obvykle tento proces zahrnuje několik fází. Energie je konvertována a snížena na serverové základní desce, a konečná, kritická konverze je zpracována komponentem nazývaným Napěťový regulátor (VR). Tyto VR jsou obvykle objemné diskrétní komponenty – kolekce kontrolérů, výkonových stadií a velkých, drátěných cívky – které sedí na základní desce kolem procesorového socketu.

Tento tradiční přístup má několik kritických chyb v éře AI:

1. Ztracená energie: Energie musí cestovat z těchto externích VR přes základní desku a přes balení čipu. Každý milimetr této cesty zavádí odpor, což vede ke značným ztrátám energie (I2R ztráty). Tato ztracená energie se rozptyluje jako teplo, které musí být odstraněno ještě více energeticky náročnými chladicími systémy.
2. Pomalá reakční doba: Když procesor náhle přepne z nečinného do plně zatížení (běžný scénář v AI úkolech nazývaný přechodné zatížení), vyžaduje obrovský, okamžitý příliv proudu. Externí VR mohou být příliš pomalé na to, aby reagovaly, což způsobuje dočasný pokles napětí, nebo “pokles”. Aby kompenzovali, inženýři musí navrhnout celý systém tak, aby běžel na vyšší základní napětí, což vede ke ztrátě ještě více energie.
3. Omezení prostoru: Tyto objemné, externí komponenty spotřebují cennou půdu na základní desce, prostor, který by mohl být použit pro více paměťových kanálů, rychlejších propojení nebo jiných výkonových funkcí. Tento “pobřežní majetek” kolem procesoru je mezi nejcennějšími v elektronice.

Čipová energie a tenkovrstvé magnety

Nedávné pokroky v tenkovrstvé magnetické technologii nyní umožňují vyrábět vysoce výkonné cívky přímo na čip nebo jeho balení substrátu pomocí polovodičových výrobních technik. Tyto mikroskopické, vysoce účinné cívky umožňují整个 napěťový regulátor sedět jen mikrometry daleko od obvodů, které napájí.

Tento posun v umístění dodává několik výhod:

• Snižování ztrát energie: Zkrácení cesty dodávky energie z centimetrů na mikrometry významně snižuje ztráty energie během přenosu, což zlepšuje celkovou efektivitu systému.
• Granulární správa energie: Více nezávislých, ultra-nízkonapěťových napěťových domén může dodat přesně to, co každý jádro nebo funkční blok potřebuje, a kdy je to potřeba, a okamžitě se vypnout, když není.
• Téměř okamžité reakce: Na-balíčku IVR reaguje na přechodné zatížení v nanosekundách, prakticky eliminuje pokles napětí a umožňuje nižší, více efektivní provozní napětí bez obětování výkonu.
• Zjednodušení návrhu a menší stopa: Odstranění napěťových regulátorů z základní desky uvolňuje místo na desce, zjednodušuje návrh a podporuje hustější, vysoce výkonné architektury.

Přestavba budoucnosti AI hardwaru

Výhody IVR přímo řeší největší výzvy, kterým čelí návrháři AI hardwaru. Pro společnosti, které vyvíjejí další generaci GPU a AI akcelerátorů, integrovaná správa energie není pouze “hezkou věcí”; je to umožňující technologie.

Pokročilé polovodičové balicí techniky, jako jsou čiplety a 3D skládání, jsou považovány za cestu vpřed, nyní, když tradiční Moorův zákon zpomaluje. Tyto techniky zahrnují sestavení více menších, specializovaných die do jednoho, powerful balíčku. Jak vysvětlují průmysloví lídři, jako TSMC s jeho CoWoS technologií, tento přístup vyžaduje sofistikovanou strategii dodávky energie. IVR, včetně těch od Ferric, jsou dokonale vhodné pro tento paradigm, poskytují granulární, efektivní energii potřebnou pro řízení těchto složitých, heterogenních systémů.

Výzvy a závěr

Cesta k široké adopci není bez překážek. Integrace nových materiálů a procesů do vysoce konzervativního a komplexního polovodičového výrobního ekosystému je monumentální úkolem.

Jednoznačně je však potřeba řešení. Současná trajektorie spotřeby energie v AI je neudržitelná. Pouhé zmenšování tranzistorů již nestačí; je potřeba holistická přestavba celého systému, od softwaru po dodávku energie. Práce společností, jako je Ferric, představuje kritickou část tohoto puzzle. Tím, že zkrocují energetického netvora u jeho zdroje, nebudou pouze vytvářet více efektivní komponenty, ale budou také otevírat cestu pro další generaci AI a high-performance computingu.

Cesta hardwarové inovace je cestou překonávání bariér. Po desetiletí se zaměřovala na výpočetní rychlost a hustotu tranzistorů. Dnes je nejnaléhavější bariéra energie. Společnosti, které vyřeší tuto výzvu, budou definovat krajinu výpočetní techniky na roky dopředu.

Co si myslíte, že bude další velkou bariérou v návrhu AI hardwaru po optimalizaci dodávky energie? Jak budou pokroky v energetické efektivitě měnit ekonomiku velkých AI nasazení?