Dompter la bête : Comment les régulateurs de tension intégrés résolvent la crise de puissance de l’IA

L’intelligence artificielle est vorace. De la formation de modèles de langage massifs à l’alimentation de l’inférence en temps réel dans le cloud, les exigences de calcul de l’IA sont en plein essor. Cette faim insatiable a créé une crise secondaire qui menace de ralentir les progrès : une faim insoutenable pour l’électricité. Les centres de données, les cathédrales modernes de calcul, sont sur le point de consommer une fraction importante de l’électricité mondiale, les charges de travail de l’IA étant un facteur clé. Selon l’Agence internationale de l’énergie (AIE), les centres de données ont consommé environ 2 % de l’électricité mondiale en 2022, et ce chiffre devrait augmenter de manière spectaculaire.

Ce problème de puissance ne concerne pas seulement les factures d’électricité massives et l’impact environnemental ; c’est un goulet d’étranglement fondamental en termes d’ingénierie. Les processeurs qui alimentent l’IA – les GPU, les TPU et les ASIC personnalisés – heurtent un mur thermique. Vous ne pouvez pas simplement continuer à entasser plus de transistors sur un circuit imprimé si vous ne pouvez pas livrer la puissance de manière propre et efficace sans que le circuit imprimé surchauffe. Le défi ne réside pas seulement dans la génération de puissance, mais dans sa livraison efficace dans les derniers millimètres avant qu’elle n’atteigne le silicium. Mais maintenant, un petit morceau de technologie appelé régulateur de tension intégré (IVR) est en train de révolutionner fondamentalement l’avenir de l’informatique haute performance.

Le problème du “dernier pouce” de la livraison de puissance

Pour comprendre l’innovation de l’IVR, il faut d’abord comprendre la méthode traditionnelle d’alimentation d’un circuit imprimé haute performance. Un processeur moderne comporte des milliards de transistors qui s’allument et s’éteignent des milliards de fois par seconde. Ces opérations nécessitent une alimentation en courant continu précise, stable et à basse tension. Cependant, la puissance qui provient du mur est une puissance alternative à haute tension. Le voyage du mur à la prise au silicium implique une chaîne complexe de conversion et de régulation appelée réseau de livraison de puissance (PDN).

Typiquement, ce processus implique plusieurs étapes. La puissance est convertie et réduite sur la carte mère du serveur, et la conversion finale, critique, est gérée par un composant appelé régulateur de tension (VR). Ces VR sont généralement des composants discrets encombrants – une collection de contrôleurs, d’étages de puissance et de gros inducteurs à bobine – qui se trouvent sur la carte mère entourant la prise du processeur.

Cette approche traditionnelle présente plusieurs défauts critiques à l’ère de l’IA :

1. Perte d’énergie : La puissance doit voyager de ces régulateurs de tension hors circuit à travers la carte mère et à travers l’emballage du circuit imprimé. Chaque millimètre de ce chemin introduit une résistance, entraînant une perte de puissance significative (perte I2R). Cette puissance perdue est dissipée sous forme de chaleur, qui doit ensuite être supprimée par des systèmes de refroidissement encore plus gourmands en énergie.
2. Temps de réponse lent : Lorsqu’un processeur passe soudainement d’un état inactif à un état de charge complète (un scénario courant dans les charges de travail de l’IA appelé charge transitoire), il exige une augmentation massive et instantanée du courant. Les régulateurs de tension hors circuit peuvent être trop lents pour répondre, provoquant une chute temporaire de tension, ou “affaissement”. Pour compenser, les ingénieurs doivent concevoir l’ensemble du système pour fonctionner à une tension de base plus élevée, gaspillant encore plus de puissance.
3. Contraintes d’espace : Ces composants encombrants hors circuit consomment une superficie précieuse sur la carte mère, un espace qui pourrait être utilisé pour plus de canaux de mémoire, des interconnexions plus rapides ou d’autres fonctionnalités améliorant les performances. Cette “propriété de plage” autour du processeur est parmi les plus précieuses dans l’électronique.

Puissance sur circuit et magnétisme à film mince

Les progrès récents dans la technologie magnétique à film mince permettent maintenant de fabriquer des inducteurs haute performance directement sur un circuit imprimé ou son substrat d’emballage à l’aide de techniques de fabrication de semi-conducteurs. Ces inducteurs microscopiques à haute efficacité permettent à l’ensemble du régulateur de tension de se situer à quelques micromètres à peine des circuits qu’il alimente.

Ce déplacement de localisation offre plusieurs avantages :

• Perte de puissance réduite : La réduction du chemin de livraison de puissance de quelques pouces à quelques micromètres réduit considérablement l’énergie perdue pendant la transmission, améliorant ainsi l’efficacité globale du système.
• Gestion de puissance granulaire : Plusieurs domaines de puissance indépendants et à très basse tension peuvent fournir exactement ce dont chaque noyau ou bloc fonctionnel a besoin, quand il en a besoin, et s’éteindre instantanément lorsqu’il n’en a plus besoin.
• Réponse quasi instantanée : Les IVR sur circuit répondent aux charges transitoires en nanosecondes, éliminant virtuellement l’affaissement de tension et permettant des tensions de fonctionnement plus basses et plus efficaces sans sacrifier les performances.
• Conception simplifiée et empreinte plus petite : La suppression des régulateurs de tension de la carte mère libère de l’espace sur la carte, simplifie la conception et prend en charge des architectures plus denses et à plus haute performance.

Reconcevoir l’avenir du matériel de l’IA

Les avantages des IVR répondent directement aux plus grands défis auxquels sont confrontés les concepteurs de matériel de l’IA. Pour les entreprises qui développent la prochaine génération de GPU et d’accélérateurs d’IA, la gestion de puissance intégrée n’est pas seulement un “avantage”; c’est une technologie habilitante.

Les techniques de conditionnement de semi-conducteurs avancées, telles que les chiplets et le empilement 3D, sont considérées comme la voie à suivre maintenant que la loi de Moore traditionnelle ralentit. Ces techniques consistent à assembler plusieurs petits dies spécialisés en un seul package puissant. Comme l’expliquent les leaders de l’industrie, tels que TSMC avec sa technologie CoWoS, cette approche nécessite une stratégie de livraison de puissance sophistiquée. Les IVR, y compris ceux fabriqués par Ferric, sont parfaitement adaptés à ce paradigme, fournissant la puissance granulaire et efficace nécessaire pour gérer ces systèmes complexes et hétérogènes.

Défis et conclusion

Le chemin de l’adoption généralisée n’est pas sans obstacles. Intégrer de nouveaux matériaux et processus dans l’écosystème de fabrication de semi-conducteurs hautement conservateur et complexe est une tâche monumentale.

Cependant, le besoin d’une solution est indéniable. La trajectoire actuelle de consommation de puissance dans l’IA est insoutenable. Il ne suffit plus de rendre les transistors plus petits ; une reconception holistique de l’ensemble du système, de la conception logicielle à la livraison de puissance, est nécessaire. Le travail d’entreprises comme Ferric représente une partie critique de ce puzzle. En domptant la bête de la puissance à sa source, ils ne créent pas seulement un composant plus efficace, mais ouvrent la voie à la prochaine génération de l’IA et de l’informatique haute performance.

Le voyage de l’innovation matérielle est un processus de surmontage de goulets d’étranglement. Pendant des décennies, l’accent a été mis sur la vitesse de calcul et la densité des transistors. Aujourd’hui, le goulet d’étranglement le plus pressant est la puissance. Les entreprises qui résolvent ce défi définiront le paysage de l’informatique pour les années à venir.

Qu’est-ce que vous pensez être le prochain goulet d’étranglement majeur dans la conception du matériel de l’IA après l’optimisation de la livraison de puissance ? Comment les progrès de l’efficacité énergétique changeront-ils l’économie du déploiement de l’IA à grande échelle ?