مدیریت حرارتی تراشه هوش مصنوعی

در حال حاضر، غول های فناوری دیگر مانند مایکروسافت، گوگل و متا نیز در حال گسترش مراکز داده خود برای آموزش و اجرای مدل های هوش مصنوعی خود هستند. طبق گزارش‌ها، مایکروسافت و OpenAI در حال برنامه‌ریزی برای ساخت یک پروژه مرکز داده هستند که شامل یک ابر رایانه با میلیون‌ها تراشه سرور اختصاصی می‌شود و پروژه فعلی ممکن است ۱۱۵ میلیارد دلار هزینه داشته باشد، از جمله یک ابر رایانه هوش مصنوعی به نام Stargate که انتظار می‌رود در سال ۲۰۲۸ راه‌اندازی شود. مارک زاکربرگ، مدیر عامل متا نیز در ژانویه امسال اعلام کرد که زیرساخت محاسباتی این شرکت تا پایان سال 2024 شامل 30000 کارت گرافیک H100 خواهد بود.

AIGC بر اساس مدل های بزرگ و داده های بزرگ است. مدل بزرگ به مدلی اطلاق می‌شود که می‌تواند پس از آموزش در مقیاس بزرگ و داده‌های وسیع، با وظایف پایین دستی سازگار شود. پس از ظهور یک مدل بزرگ، (1) پارامترهای مدل در بزرگی افزایش می‌یابند. (2) تقاضای متنوع، ارتقاء متنوع توان محاسباتی را تسریع می‌کند: توان محاسباتی را می‌توان به توان محاسباتی اساسی، توان محاسباتی هوشمند و قدرت ابر محاسباتی بر اساس تطابق تقاضا تقسیم کرد. در سال 2021، کل قدرت محاسباتی دستگاه های محاسباتی جهانی با نرخ رشد 44 درصدی به 615 EFlops رسید. انتظار می رود تا سال 2030 به 56ZFlops با CAGR 65 درصد افزایش یابد. قدرت محاسباتی هوشمند از 232EFlops به 52.5ZFlops افزایش می یابد که CAGR بیش از 80% است. پس از ظهور مدل بزرگ، روند جدیدی از رشد توان محاسباتی را با میانگین زمان دو برابر شدن 9.9 ماه برای قدرت محاسباتی به ارمغان آورد.

در پشت بهبود قدرت محاسباتی، تراشه‌ها باید بازده محاسباتی بالاتری داشته باشند و محاسبات بیشتری را در زمان کوتاه‌تری انجام دهند که به ناچار منجر به افزایش مصرف انرژی تراشه می‌شود. ویژگی‌های چگالی بالا و مصرف انرژی بالا در مراکز داده در مراکز ابررایانه‌ای، مسائل مربوط به اتلاف گرما را به طور فزاینده‌ای برجسته می‌کند. مراکز داده مدرن، به ویژه مراکز ابررایانه، معمولاً حاوی تعداد زیادی دستگاه پرقدرت هستند که مقدار قابل توجهی گرما را در حین کار تولید می کنند. اگر گرما را نتوان به موقع و موثر دفع کرد، نه تنها بر عملکرد دستگاه تأثیر می گذارد، بلکه ممکن است منجر به خرابی سخت افزاری شود. بر اساس گزارش IDC، حدود 40 درصد از مصرف انرژی در مراکز داده برای سیستم های خنک کننده استفاده می شود که نشان می دهد راه حل های خنک کننده موثر برای عملکرد مراکز داده بسیار مهم هستند.

سیستم های خنک کننده هوای سنتی دیگر قادر به پاسخگویی به نیازهای خنک کننده ابررایانه های فعلی نیستند، بنابراین فناوری خنک کننده مایع به تدریج به انتخاب اصلی در صنعت تبدیل شده است. استفاده از فناوری خنک‌کننده مایع، مراکز داده را قادر می‌سازد تا دستگاه‌های محاسباتی بیشتری را در همان فضا قرار دهند و در عین حال مصرف انرژی سیستم خنک‌کننده را کاهش دهند. استفاده از فناوری خنک کننده مایع نه تنها کارایی محاسباتی را بهبود می بخشد، بلکه مصرف انرژی و هزینه های عملیاتی را نیز به میزان قابل توجهی کاهش می دهد. فن‌آوری خنک‌کننده مایع می‌تواند وظایف محاسباتی بیشتری را با مصرف انرژی یکسان از طریق هدایت گرما کارآمدتر انجام دهد.

با افزایش تقاضا برای آموزش هوش مصنوعی و محاسبات با عملکرد بالا، فناوری خنک کننده مایع نقش مهم تری در مراکز ابررایانه آینده ایفا خواهد کرد. انتظار می‌رود که فناوری خنک‌کننده مایع در سال‌های آینده به یک پیکربندی استاندارد در مراکز ابررایانه‌ای و مراکز داده بزرگ تبدیل شود تا نیازهای محاسباتی رو به رشد و چالش‌های اتلاف گرما را برآورده کند.