Публикации
Fujitsu ETERNUS DSP - разработано для будущего, статья
Технологии охлаждения для следующего поколения HPC-решений, статья
Что такое современный HBA?, статья
Fugaku– самый быстрый суперкомпьютер в мире, статья
НРС – эпоха революционных изменений, статья
Weka для AI-трансформации, статья
Cloudera Data Platform – “лучшее из двух миров”, статья
Excelero NVEdge для HA IoT-эры, статья
HPE: легкий путь в IIoT, статья
DAOS: СХД для HPC/BigData/AI приложений в эру экзаскейл_вычислений, статья
IPsec в пост-квантовую эру, статья
Дезагрегированные компонуемые среды для высокопроизводительных задач, статья
HPE Primera: интеллектуальная СХД HPE 3PAR, статья
HPE Elastic Platform for Big Data and Analytics, статья
LiCO: оркестрация гибридныхНРС/AI/BigData_инфраструктур, статья
Новое поколение СХД Fujitsu ETERNUS, статья
Зональное хранение данных, статья
За пределами суперкомпьютеров, статья
Применение Intel® Optane™ DC и Intel® FPGA PAC, статья
Адаптивные HPC/AI-архитектуры для экзаскейл-эры, статья
FusionStorage 8.X: облачное хранилище для ЦОД нового поколения, статья
Микросхемы ускорения вычислений нейросетей, статья
Persistent Memory: новый уровень хранения данных, статья
Как строить озера данных? , статья
End-to-end NVMe AFA-массивы Huawei, статья
SweRV Core – первое RISC-V процессорное ядро Western Digital, статья
Преимущества использования SCM-кэша в составе внешних СХД HPE, статья
Технологии кэширования данных современных СХД, статья
 
Обзоры
Все обзоры в Storage News
 
Тематические публикации
Flash-память
Облачные вычисления/сервисы
Специализ. СХД для BI-хранилищ, аналитика "больших данных", интеграция данных
Современные СХД
Информационная безопасность (ИБ), борьба с мошенничеством
Рынки
Симпозиумы 2020 года по технологиям СБИС: Intel Labs представит исследования по темам интеллектуальной периферии и энергоэффективных вычислений

16, июнь 2020  —  На этой неделе на симпозиумах 2 020 года по технологиям СБИС и схемам , корпорация Intel представит ряд исследований и технических точек зрения на трансформацию вычислительных технологий , обусловленную увеличением объемов данных , которые сегодня все больше распределяются между ядром , краевыми устройствами и конечными точками . Директор по технологиям Майк Мейберри ( Mike Mayberry ) выступит с основным докладом « Будущее вычислений : как трансформация данных преобразует СБИС », в котором подчеркивается важность перехода вычислительных технологий от аппаратного / программного подхода к модели , ориентированной на работу с данными / информацией .

« Огромный объем данных , проходящих через распределенную краевую , сетевую и облачную инфраструктуру , диктует необходимость в энергоэффективных и мощных вычислительных технологиях , которые позволяли бы осуществлять обработку данных рядом с той точкой , где эти данные генерируются . Однако зачастую подобные решения ограничены имеющейся пропускной способностью , памятью и требованиями к энергопотреблению . В исследовании , которое Intel Labs представляет на Симпозиумах по СБИС , выделено несколько новых подходов к созданию более эффективных вычислений , которые открывают большие перспективы и могут применяться для решения самых различных задач от робототехники и дополненной реальности до машинного зрения и видеоаналитики . Этот комплекс исследований направлен на устранение препятствий , мешающих перемещению данных и вычислениям , которые представляют собой самые сложные задачи , связанные с обработкой данных в будущем ».

-- Вивек К . Де ( Vivek K . De ), научный сотрудник Intel и директор по исследованиям в области схемотехники , Intel Labs .

На симпозиумах будет представлено несколько исследовательских работ Intel , в которых рассматриваются новые приемы и технологии для повышения уровня производительности и энергоэффективности в периферийных / сетевых / облачных системах будущего в контексте растущего числа периферийных приложений . Среди тем , освещенных в научных статьях ( полный перечень исследований приведен в конце этого документа ) можно отметить :

Повышение эффективности и точности реконструкции 3 D сцен для периферийной робототехники с использованием аппаратных ускорителей бросания лучей ( ray - casting )

Название статьи : Ускоритель бросания лучей на базе 10 нм КМОП технологии для эффективной реконструкции 3 D - сцен в периферийной робототехнике и в приложениях дополненной реальности

Аннотация : В некоторых приложениях , например , в современной робототехнике или технологиях дополненной реальности , необходима точная , быстрая и энергоэффективная реконструкция сложных объемных сцен из огромных объемов данных , генерируемых методом бросания лучей , для плотной одновременной локализации и картирования ( Simultaneous Localization And Mapping , SLAM ) в режиме реального времени . В этой исследовательской работе Intel рассказывает о новом аппаратном ускорителе бросания лучей , в котором используются новейшие технологии для сохранения высокой точности реконструкции сцен и достижения превосходных показателей энергопотребления . Эти инновационные подходы , в том числе применение таких методов как поиск наложения вокселей ( voxel overlap search ) и аппаратная аппроксимация вокселей , снижают потребность в доступе к локальной памяти , а также повышают энергоэффективность для будущих приложений в области робототехники и дополненной реальности .

Сокращение энергозатрат при анализе видеопотока методами глубокого обучения на управляемом событиями процессоре машинного зрения ( event - driven visual data processing unit , EPU )

Название статьи : Управляемый событиями процессор машинного зрения , позволяющий работать с FHD потоком с частотой 70 кадров в секунду при потреблении 0,05 пДж / пиксель (0.05 pJ / Pixel 70 fps FHD 1 Meps )

Аннотация : Анализ визуальных данных методами глубокого обучения в режиме реального времени , используемый , например , в системах безопасности и защиты , предполагает быстрое обнаружение объектов из нескольких видеопотоков и требует высокой скорости обработки и большой пропускной способности памяти . Чтобы минимизировать эту нагрузку , при обработке видеопотока с этих камер обычно частота выборки снижается , однако подобный подход приводит к снижению точности изображения . В   данном исследовании Intel демонстрирует управляемый событиями блок обработки визуальных данных ( EPU ), который в сочетании с новейшими алгоритмами позволяет управлять ускорителями глубокого обучения , чтобы они обрабатывали входящий видеопоток только в представляющих интерес зонах , где зафиксировано движение ( motion - based “ regions of interest ”). Этот новый подход позволяет снизить высокие требования к вычислительной производительности и памяти для анализа видеоданных на периферии .

Расширение пропускной способности локальной памяти для приложений на базе искусственного интеллекта , машинного обучения и глубокого обучения

Название статьи : Двукратное увеличение пропускной способности памяти 6 T - SRAM для рабочих нагрузок , ресурсозатратных с точки зрения пропускной способности памяти

Аннотация : Многие процессоры искусственного интеллекта , особенно те , которые используются для обработки естественного языка , например , в голосовых помощниках , все чаще ограничены доступом к локальной памяти . Удвоение частоты или увеличение числа банков памяти для решения этих проблем приводит к снижению энергоэффективности и увеличению занимаемой площади , что особенно актуально для периферийных устройств с ограниченным пространством . В этом исследовании Intel продемонстрировала , что использование массива памяти 6 T - SRAM обеспечивает вдвое более высокую пропускную способность чтения по требованию при работе в блочном режиме ( burst mode ) с повышением энергоэффективности на 51%, чем при удвоении частоты , а также обеспечивает на 30% более эффективное использование площади , чем при удвоении количества банков памяти .

Полностью цифровой ускоритель бинарных нейронных сетей

Название статьи : Полностью цифровой ускоритель бинарных нейронных сетей с эффективностью 617 TOPS / Вт в виде FinFET КМОП - устройства , выполненного по 10- нм техпроцессу

Аннотация : В периферийных устройствах с ограничениями по мощности и доступным ресурсам , где в отдельных случаях приемлемы выходные сигналы с низкой точностью , в качестве альтернативы высокоточным нейронным сетям , предъявляющим более высокие требования к вычислительным ресурсам и памяти , используются аналоговые бинарные нейронные сети ( Binary Neural Networks , BNN ). Однако аналоговые BNN - сети дают более низкую точность прогнозирования , так как они менее толерантны к изменчивости процесса и шумам . В этом исследовании Intel демонстрирует использование полностью цифровой BNN - сети , которая отличается высокой энергоэффективностью , сопоставимой с аналоговым сетями , работающими в памяти , и при этом обеспечивает более высокую надежность и масштабируемость при современных технологических процессах .

Среди прочего на симпозиумах 2020 VLSI Symposia были представлены следующие научные работы Intel :

•  Будущее вычислений : как трансформация данных преобразует СБИС

•  Стандартные цифровые блоки IP с низким энергопотреблением для высокопроизводительной графики / процессоров искусственного интеллекта в КМОП - устройствах , выполненных по 10 нм техпроцессу

•  Автономная реконфигурируемая сеть питания ( RPDN ) для многоядерных систем на кристалле ( SoC ) с управлением рабочим током ( Dynamic Current Steering )

•  Применение процесса 3 D - монолитной гетерогенной интеграции для производства нитрид - галлиевых и кремниевых транзисторов на 300- мм кремниевых пластинах (111)

•  Использование разрядных шин с малым размахом напряжения и мультиплексированием столбцов в SRAM - памяти с восемью транзисторами на ячейку (1 R 1 W 8 T - bitcell ) с низким минимальным напряжением питания , высокой устойчивостью к шумам и высокой плотностью в 10- нм FinFET КМОП - устройствах

•  Двухканальный гибридный аналого - цифровой линейный преобразователь с низким падением напряжения ( LDO ) с управлением рабочим током для создания настраиваемых решений с высоким подавлением пульсаций питания ( PSRR ) и высокой эффективностью

•  Криптопроцессор , работающий с частотой 435 МГц и производительностью 600 Kops / J c защитой от атак по сторонним каналам для безопасного шифрования с открытым ключом RSA -4 K в виде КМОП - устройства , выполненного по 14- нм техпроцессу

•  Не поддающаяся моделированию физически неклонируемая функция для создания пар запроса - подтверждения ( Challenge - Response PUF ) с частотой появления ошибочных битов ( BER ) на уровне 0,26%, с вероятностью совпадения 10^28 в виде КМОП - устройства , выполненного по 14 нм техпроцессу , с поддержкой выбора состязательных состязаний с учетом стабильности ( Stability - Aware Adversarial Challenge Selection )

•  Устойчивый к атакам по сторонним каналам движок AES шифрования с 6000- кратным подавлением утечки во временном / частотном домене с использованием нелинейного цифрового регулятора с малым падением напряжения и последующим применением алгоритмов арифметического подавления , выполненный в виде 14- нм КМОП - устройства

•  Совместимая с КМОП интеграция SOT - MRAM памяти с использованием двухслойного нижнего электрода из тяжелых металлов , обеспечивающая время бесполяризационного переключения ( field - free SOT switching ) на уровне 10 нс за счет STT Assist

•  10- нм SRAM память с самосбрасывающимся механизмом оптимизации записи с управлением затвором ( Gate - Modulated Self - Collapse Write Assist ), который позволяет снизить минимальное напряжение питания на 175 мВ при незначительных затратах энергии

Подробнее об Intel Labs: пресс - кит I ntel Labs

О корпорации Intel

Intel ( NASDAQ : INTC ) является отраслевым лидером , который создает технологии , меняющие наш мир и способствующие глобальному прогрессу и улучшению качества жизни людей . Воодушевленные Законом Мура , мы продолжаем работать над совершенствованием дизайна и производства полупроводников , помогая нашим заказчикам решать величайшие задачи человечества . За счет интеграции интеллекта в облако , сеть , периферию и каждое вычислительное устройство мы раскрываем потенциал данных и помогаем трансформировать бизнес и общество в лучшую сторону . Чтобы узнать больше об инновациях Intel , зайдите на сайт newsroom . intel . com или intel . com .

© Intel Corporation . Intel , логотип Intel и прочие обозначения Intel являются торговыми марками корпорации Intel или ее дочерних подразделений . Все прочие наименования являются собственностью соответствующих владельцев .

Публикации по теме
Центры обработки данных
 
Новости Intel

© "Storage News" journal, Russia&CIS
Редакция: 115516, Москва, а/я 88; тел./факс - (495) 233-4935;
www.storagenews.ru; info@storagenews.ru.