산업용 에지 AI는 원시 컴퓨팅 파워 이상의 것을 필요로 한다

수십 년 동안 에지 하드웨어 설계는 간단한 계층 구조를 따랐다: 처리량을 최대화하고, 전력과 열을 관리한다. 원시 컴퓨팅 파워는 다른 모든 것이 그 아래에 구축된 천장이었다. 이러한 논리는 에지 장치가 정지해 있었고, 환경이 제어되었으며, 중앙 처리가 에지에서 처리할 수 없는 모든 것을 처리할 수 있을 때에는 합리적이었다. 그러나 오늘날의 산업 환경에서는 이러한 조건이 더 이상 유효하지 않으며, 이러한 조건으로 인해 구식 계층 구조가崩壊하고 있다.

산업 시설 운영자는 현재 산업용 로봇을 작업대에서 설계할 때와 같이 에지 하드웨어 설계를 단순한 계층 구조에서 벗어나 재설계해야 한다. 에지 하드웨어 설계는 이제 원시 컴퓨팅 파워 이상의 것을 고려해야 한다.

새로운 제약 계층 구조

전세계 산업용 에지 시장은 2025년 210억 달러에서 2030년까지 거의 450억 달러로 성장할 것으로 예상되며, 이러한 성장과 함께 발생하는 하드웨어 요구는 역사적으로 최적화된 것과 근본적으로 다르다. 에지 AI 시스템이 제어된 테스트 환경에서 실제 공장 현장으로 이동함에 따라 에지 배포를 관리하는 제약 계층 구조는 효과적으로 역전되었다:

1. 전력이 이제 최상위 자리를 차지한다. 항상 켜져 있는 작동에는 전력 낭비를 줄이고 에지 AI 시스템을 배포하는 데 관련된 비용을 최소화하기 위한 유연한 제어 모드가 필요하다.
2. 열 및 환경인자는 성능에 크게 영향을 미칠 수 있다. 산업 시설에서는 높은 온도, 열 제한, потен셜한 파편 및 습기와 같은 환경적 극단이 발생할 수 있으며, 이는 기능을 예측할 수 없게 한다.
3. 지연 및 결정성은 정밀 중심 사용 사례에서 필수적이다. 산업 시설에서는 적절한 작동과 정확한 작동이 성공과 실패를 결정한다.
4. 원시 처리량이 마지막에 온다. 중요하지만, 대역폭과 처리량은 보다 중요하지 않다. 임베디드 기능이健全하면 중요한 처리와 판단이 장치에서 발생하며, 중앙 처리 시스템으로의 상시 전송 필요성을 줄인다.

이러한 제약의 역전은 설계자가 산업용 에지에 대한 새로운 접근 방식을 채택하여 원시 컴퓨팅 파워 이상의 것을 고려해야 함을 의미한다.

적절한 것을 찾는 것

예를 들어, 산업용 로봇을 작업대에서 설계할 때, GPU는 충분할 수 있다. 높은 처리 능력과 효율적인 구성 요소로 빠르고 정확하게大量의 데이터를 처리할 수 있다. 그러나 이러한 프로세스는 제어된 환경에서 발생한다.

산업 장치는 종종 이미 운영 중인 시설의 레거시 장비에 설치된다. 이동할 수 있다. 전력, 공간 및 열 용량은 장치의 필요에 의해 결정되는 것이 아니라 환경에 의해 결정된다. 이는 칩 설계 자체만이 변수로 남게 한다. 일반적인 목적의 실리콘은 이러한 특정한, 지속적인 산업용 에지 AI의 요구를 충족하기에 부적절하다. 너무僵硬하거나 너무 광범위하여 산업용 에지 AI의 특정한 요구를 충족하기에 부적절하다.

예를 들어, 統合 NPU를 갖춘 SoC는 이러한 종류의 빌드에 대한 중간 지점을 제공한다. 낮은 전력 능력과 강력한 결정적 기능을 제공한다. 그러나 열 제한 환경에서 간헐적인 기능을 최적화하여 설계된 것으로, 산업용 시설의 더 복잡한 현실에는 신뢰할 수 없는 적합이다.

자동화된 산업 작동을 현실로 만들기 위해서는 설계자들은 중간 지점을 찾아야 한다: 다양한 간격을 채우기에 충분히 유연하지만, 전문 응용 프로그램을 처리하기에 충분히 특정하다.

FPGAs: 더 능력 있는 동료

에지 개발자들은越來越多로 필드 프로그래머블 게이트 어레이(FPGAs)를 이러한 문제의 해결책으로 사용하기 시작했다. 중요한 것은 FPGAs가 GPU, CPU 또는 기타 중앙 처리 옵션의 완전한 대체品으로 пози셔닝되지 않는다는 것이다. 대신,它们는 주요 프로세서와 함께 작동하여 일반적인 목적의 실리콘으로는 필드 환경에서 처리하기 어려운 작업을 처리한다: 항상 켜져 있는 센서 모니터링, 실시간 전처리, 결정적 응답 및 전력 게이팅.

아키텍처에 따라 이러한 동료 장치는 GPU 또는 CPU 옆에 있거나 센서 자체에 더 가까이 위치할 수 있다. 이는 설계자에게 작업 부하를 오프로드하는 방법과 위치에 대한 유연성을 제공한다. 이러한 동료 역할을 수행하는 능력은 FPGAs를遠端 산업 환경에서 사용하기에 적합하게 만든다. 여기서 주요 프로세서는 지속적인 저수준 처리 요구에 의해 압도당하지 않도록 보호되어야 한다.

전세계 FPGA 시장은 2024년에 116억 달러로 평가되었으며, 2033년까지 416억 달러에 이를 것으로 예상된다. 이는 산업 및 에지 배포에서 이러한 동료 아키텍처의 성장하는 인식을 반영한다. 동료 칩으로서, FPGAs는 다음과 같은 특정한 능력을 제공한다:

• 병렬, 데이터 흐름 중심의 처리, 이는 장치가 중앙 컴퓨팅 하드웨어로의 전송 전에 고급 전처리를 처리할 수 있도록 한다. 이는 데이터 볼륨을 줄이고, 지연을 완화하며, 안정적인 작동을 보장한다.
• 결정적 판단 능력, 이는 알려진 트리거 이벤트를 식별하여 임계적인 시나리오에서 실시간 응답을 가능하게 한다.
• 로직 기반 전력 게이팅, 이는 장치가 환경적 트리거(이동 또는 기타 변경)에 따라 에너지 사용을 조정할 수 있도록 한다. 높은 요구 프로세스는 필요한 경우에만 활성화된다.
• 내장 보안 기능, 이는 FPGAs를 하드웨어 루트 오브 트러스트(HRoT)로 작동시키고, 공공적으로 액세스할 수 있는 위치에 있는 장치에서 발생하는 중앙 컴퓨팅의 보안을 강화한다.

이러한 기능은 에지 AI 능력의 발전에 중요하지만, FPGAs의 다용도성이 궁극적으로遠端 빌드에 대한 “문제 해결사”로 만든다. 대부분의 경우, 실시간, 온디바이스 센서 퓨전을 처리하여 데이터 전송 필요를 줄이고, 적절한 응답을 가능하게 한다.

병렬 처리 능력으로 인해 데이터를 빠르고 정확하게 통합 및 분석할 수 있으며, 필요에 따라 더 높은 전력 프로세서로 에스컬레이션하거나, 실시간으로 작동할 수 있다. FPGA가 이러한 작은 작업을 혼자 처리할 수 있으므로, 중앙 컴퓨팅은 더 복잡한 작업을 처리하는 데 더 많은 대역폭을 유지할 수 있다.

또한, FPGAs는 재구성 가능하므로 시스템 관리자는 워크로드, 환경 및 요구 사항이 변경됨에 따라 에지 AI 구현을 업데이트할 수 있다. FPGAs를 사용하는 장치는 하드웨어 교체 또는 재배포 없이 시스템 요구 사항과 함께 진화할 수 있다. 예를 들어, 양자 후 암호화가 발전하고 기존 암호화 알고리즘이 무효화되는 경우에도 유연성을 제공한다.

더 나은 동료

산업용 에지는 AI 기반 자동화가 가장 큰 잠재력을 발휘할 곳이며, 실제 자동화 요구는 일반적인 칩이 따라잡을 수 있을 때까지 기다리지 않는다. 에지 개발자는 새로운 설계 원칙을 채택하고, 유연성과 특이성을 균형 있게 조절하는 최적화된 기초를 구축해야 한다.

FPGAs는 정확히 그렇게 할 수 있다. GPU와 SoC가 한계에 도달하는 곳에서, FPGAs는 능력 있는 동료 칩으로 작동하여 항상 켜져 있는 추론, 결정적 제어, 저전력 작동 및 발전하는 AI 능력과 산업용 사례와 함께 성장할 수 있는 잠재력을 제공한다. 독립적으로 배포되거나 일반적인 목적의 프로세서와 함께 사용되든, FPGAs는遠端 에지 AI 생태계를 현실로 만들기 위해 필요한 강력한, 신뢰할 수 있는, 그리고 적응 가능한 기초를 구축하는 데 도움이 된다.