为什么编排更好的产量是那么难。
finFET时代前,大多数芯片制造商专注于减少或包装,但他们很少做。展望未来,这两个分不开的,这将导致分区的数据和处理的巨大挑战。
当然,这里的关键驱动因素是,设备扩展不再提供明显的好处,性能和成本。然而,扩展并提供更多区域更多的晶体管,这就是为什么比例仍在继续。人工智能芯片面积是至关重要的,需要的处理能力可以处理更多的数据来源。
这也是一个关键的驱动程序先进的包装。在某些情况下,芯片本身太大。因此而不是缝合在一起的两个芯片,因为一个大于十字线大小本身,一个重大的挑战——这些芯片可以打包在一起。但在某些情况下,这也是一起更快和更便宜的包薯片。而不是填鸭式它们在单个芯片上,距离可以缩短连接两个内存使用高速互连芯片在一起。
所有这一切需要处理更多的数据更快。但这只是挑战的一部分。也有更多的类型的数据从源和传感器。优化处理一些数据类型需要非常具体的或定制的计算元素。在某些情况下,特别是在各种计算操作是非常相似的或非常不同——处理可以分割和parallized跨多个处理器,它可以是同构或异构。
理解数据
的一大挑战是最后的处理,因为数据分区需要重组成有用的和连贯的。可以相对简单,在尴尬的情况下并行应用程序,也可以非常复杂,导致很多额外的编码。根据结果,它可以添加大量的开销的权力和性能。
问题可能变得更加复杂,如果计算跨芯片因为它可以受到各种干扰,物理效果,和意想不到的互动很难预测在设计、制造和测试。所有这些反过来会影响延迟,从而影响整体性能。或者简单地说,整个操作可能运行不超过slowest-performing元素。
人工智能无处不在
这也不是仅仅局限于人工智能芯片。有人工智能芯片,有人工智能的应用在大型数据集。都需要接近实时的结果。特别重要的由传感器生成的数据在半导体制造设备,因为任何延误增加成本的制造过程。此外,分区错误会影响速度,这些传感器可以在生产流程做出调整,直接影响产量和废品。
随着越来越多的传感器和AI /毫升加入生产,同样的问题,现在在大中心影响半导体性能适用于生产设备和工艺。旅行的进一步数据处理的并行处理,处理中使用的更多的元素——所需要的更多的能量来完成各种不同的处理步骤。这意味着更复杂的架构的芯片制造设备,和更多的分区的数据。
把它放在一起
但是在这些工业分区变得尤其复杂类型的应用程序。一些芯片或系统需要优先,这样处理多个数据输入速度一致的跨多个处理元素位于一个或多个死去。这是编排大规模。很难足以让一个模拟器,但是在生产环境中有各种各样的问题出现,使这一个非常困难的问题理解,更不用说解决。随着更多的变量是扔进,从包装到扩展,变得更具挑战性。
这给了新的意义的想法经过精密调整的机器。在未来,这可能是更复杂的实现,但得到这个权利的好处是提高产量和更少的缺陷。和那些认为过程工程是精疲力竭了由于扩展放缓,这可能是时间重新评估。
|
|
|
|
|
|
|
|
留下一个回复