آینده FPGA ها

منتشر‌شده در eetasia به تاریخ ۳ مارس ۲۰۲۱
لینک منبع The Future of FPGAs

آرایه گیت قابل‌برنامه‌ریزی میدانی ۳۵ ساله (FPGA) یکی از موثرترین دستگاه‌های نیمه‌هادی است که تا به حال ایجاد شده است، که مخفف واحد پردازش مرکزی (CPU) است. امروزه، این شرکت بیش از هر زمان دیگری محبوب است، که با قدرت پردازش خام ذاتی و سازگاری آن تقویت می‌شود، یک تطابق کامل برای انطباق با تکامل سریع صنعت الکترونیک. سن خود را نشان نمی‌دهد. به طرز عجیبی، تطبیق‌پذیری بسیار آن باعث ایجاد معضل برای فروشندگان FPGA می‌شود.

ارتباطات و شبکه‌‌سازی در میان برنامه‌های کاربردی که محبوبیت اولیه FPGA را به دلیل تغییرات مکرر در استانداردهای خود که به‌روزرسانی / نمرات میدان را ضروری می‌کند و با پیاده‌سازی‌های ASIC با سیم سخت غیرقابل درک است، به وجود آمده‌اند. در سال‌های بعد، طیف گسترده‌ای از کاربردهای خودرو، نظامی، مصرفی و دفاعی ازFPGA ها استفاده کرده‌اند. اخیرا، رنسانسFPGA با پیشرفت در فن‌آوری‌های هوش مصنوعی(AI) و تکثیر کاربردهای AI تقویت شده است. در میان کاربردهای AI، شتاب یادگیری عمیق (DLA) برجسته است.

ممکن است علاقمند به مطالعه مقاله سیستم پیشنهاد‌دهنده فیلم خودتان را با استفاده از BERT4Rec بسازید. باشید.

سال‌ها و دوره های FPGA

مقاله دکتر استفان ام تریمبرگر، و دکتر زیلاکس، با عنوان «سه قرنFPGA: نگاهی به اولین سی سال فن‌آوریFPGA»، تکاملFPGA را از منشا آن در سال‌های ۱۹۸۴ تا ۲۰۱۵ ردیابی می‌کند. مقاله تریمبرگر، منتشر شده در مارس ۲۰۱۵ مقالات IEEE، سه دوره را در این توالی نام می‌برد:

۱. سن اختراع (۱۹۸۴-۱۹۹۱)

۲. سن توسعه (۱۹۹۲-۱۹۹۹)

۳. سن انباشت (۲۰۰۰-۲۰۰۷)

با پیروی از «عصر انباشتگی» تا سال ۲۰۱۵، نویسنده نشان می‌دهد که فن‌آوری FPGA وارد عصر «منطق قابل‌برنامه‌ریزی طولانی‌تر» شده است. از قضا، این عنوان با ماهیت دستگاه که به نام آن ثبت شده است در تضاد است، اما واقعیت محتویات آن را منعکس می‌کند. در واقع، ممکن است نامیدن عصر «منطق قابل‌برنامه‌ریزی طولانی‌تر» فراتر از سال ۲۰۱۵ مناسب باشد. در واقع، ساختار آخرین FPGA ها با تغییر نام آن به «عصر هوش مصنوعی» بهتر عمل می‌کند.

به طور قطع، Xilinx جدید پلتفرم محاسبه شتاب سازگار (ACAP) ، که اولین بار در خانواده ورسال پیاده‌سازی شد، این مورد را برای تغییر نام آن به «عصر AI» تقویت می‌کند. با توجه به نظر ویکتور پنگ، رئیس و مدیرعاملXilinx، ACAP یک بافت منطقی FPGA است که شامل سطوح چندگانه حافظه توزیع‌شده، پردازنده سیگنال دیجیتال قابل‌برنامه‌ریزی سخت‌افزاری (DSP)، یک سیستم تراشه چند‌هسته‌ای (SoC) ، یک نرم‌افزار یا بیشتر است که محاسبه می‌شود. همه چیز از طریق یک شبکه با تاخیر کم و فرکانس بالای روی تراشه با داوری و کنترل جریان به هم متصل می‌شود. این پلتفرم همچنین شامل RF-ADCs / DACs یکپارچه، پشتیبانی از یک دسته حافظه با پهنای باند بالا (HBM) ، نسل‌های مختلف DDR، و فن‌آوری پیشرفته SerDes است. به شکل ۱ مراجعه کنید.

ساختارهای بلوکی مغز DLAs هستند.

مسئله پول و سرمایه

با توجه به تجزیه‌و‌تحلیل بازار توسط تحقیق بارکلیز منتشر شده در سال ۲۰۱۸، بازار DLA می‌تواند در سه باکت شکسته شود: آموزش ماشین در مرکز داده، استنتاج در مرکز داده، و استنتاج در لبه (نمودار زیر را ببینید). این مطالعه پیش‌بینی کرد که تا سال ۲۰۲۰، حدود دو سوم فروش نیمه‌هادی از تراشه‌های تسریع کننده آموزش شبکه‌های عصبی، عمدتا از Nvidia GPU ها حاصل خواهد شد. بعد از سال ۲۰۲۰، رشد متوسطی را در نیمه‌رساناها برای آموزش شبکه‌های عصبی با افزایش انفجاری برای استنتاج در مرکز داده‌ها و در لبه، رسیدن به رشد دو رقمی بالا در سال ۲۰۲۱و حفظ رشد با همان نرخ نشان داد. به طور خاص، بارکلیز پیش‌بینی کرد که در سال ۲۰۲۱، استنتاج لبه کمی سریع‌تر از استنتاج مرکز داده رشد خواهد کرد، زیرا داده در لبه نیاز به پیش‌پردازش محلی دارد تا از تاخیر موثر بر انتقال داده به مرکز داده برای پردازش جلوگیری کند. از سال ۲۰۲۲ به بعد، استنباط حدود ۳.۶ برابر درآمد نیمه رسانای آموزش را به دنبال خواهد داشت.

همانند تکنولوژی‌های سوخت‌گیریDLA، مانندCPU ها، GPU ها، FPGA ها و ASIC ها، تجزیه‌و‌تحلیل پس از تجزیه‌و‌تحلیل به طور مداوم به رشد فزاینده ASIC ها وGPU ها، رشد متوسط FPGA ها و ادغام CPU ها کمک می‌کند. بدیهی است که فروشندگان FPGA با پر کردن بلوک‌های عملکردی بیشتر و بیشتر برای رسیدگی بهDLA، پاسخ به فرافکنی ها را می‌دهند و ناحیه سیلیکون را با جداول جستجو سنتی (LUT) مبادله می‌کنند. در این فرآیند، آن‌ها بیشتر شبیه بهASIC های قابل‌برنامه‌ریزی مجدد نسبت بهFPGA ها می‌شوند.

مسلما، پتانسیل هدایت DLAs با FPGA ها، اینتل را بر آن داشت تا Altera را در سال ۲۰۱۵ و AMD را بر آن داشت تا در سال ۲۰۲۰ یک پیشنهاد خرید به Xilinx ارائه دهد. خبر خوب برای اکرونکس، شیر جدیدی که بر چشم‌انداز FPGA تسلط دارد.

مطالعه مقاله تحلیل انگیزه رسانه‌های اجتماعی با VADER توصیه می‌شود.

آرایه FPGA‌ها و پلتفرم‌های تایید به کمک سخت‌افزار

با فرض ادامه روند، سوال در مورد آینده ابزارهای تایید طراحی به کمک سخت‌افزار مبتنی بر FPGA های تجاری، منطقی به نظر می‌رسد. آن‌ها که با نام پلتفرم‌های نمونه FPGA شناخته می‌شوند، از منطق قابل‌برنامه‌ریزی مجدد ارائه‌شده توسط LUT های تعبیه‌شده در نقشه مجازی هر طرحی، صرف‌نظر از اندازه، معماری و کاربرد هدف، استفاده می‌کنند.

با رسیدن اندازه‌های طراحی به گیت‌های معادل ۱۰میلیاردASIC، فروشندگان نمونه‌سازی کابینه‌هایی را طراحی می‌کنند که با چندین تخته پر شده با آرایه‌های گسترده‌ای از بزرگ‌ترین FPGA ها در تلاش برای پشتیبانی از مقادیر عظیمی از LUT ها، بارگذاری شده‌اند. این امر مشکلی را برای فراهم‌کنندگانFPGA به وجود می‌آورد. برای پشتیبانی موثر از پلتفرم‌های نمونه FPGA، FPGA ها باید DSPs، SoCs و دیگر بلوک‌های تعبیه‌شده و پردازشگرها را برای ناحیه LUT مبادله نمایند. با این حال، برای خدمت به بازار DLA، FPGA ها باید ناحیه منطقی عمومی را با ناحیه سیلیکون تخصصی مبادله کنند.

این دو شرط قابل تطبیق نیستند و باعث می‌شوند تا فروشنده FPGA در سردرگمی باقی بماند. آیا فروشندگان FPGA باید دو دستگاهFPGA مجزا را ایجاد کنند، یکی برای کم‌تر از یک میلیارد دلار بازار در دسترس پلتفرم‌های تایید به کمک سخت‌افزار، و دیگری برای پذیرش کامل محل DLA و ارائه یک بازار چند میلیارد دلاری (و در حال رشد)؟

در واقع، آن‌ها ممکن است فرصتی برای صرف هزینه اضافی برای دستگاه‌های قابل‌برنامه‌ریزی که پلتفرم‌های نمونه‌سازی را هدف قرار می‌دهند، داشته باشند.

نتیجه‌گیری

از سال ۱۹۸۵، FPGA ها در طول پنج نسل تکامل یافتند. در تجسم فعلی، تاروپود آن متفاوت و دور از ساختار اصلی آن است. امروزه، تکامل تراشه الکترونیکی را از یک ساختار یکپارچه نشان می‌دهد که به خوبی توسط دریایی از LUT ها به یک مونتاژ چند بلوکی سلسله مراتبی که نیازمند یک تصویر ساختاری آینه‌ای است، مورد استفاده قرار می‌گیرد. اخیرا، تریمبرگر تفکر خود را در مورد آینده FPGA ها با من به اشتراک گذاشت و آن را «عصر محاسبه» نامید، با این امید که پردازش نرم‌افزار نقشی اساسی در آن‌ها ایفا کند. به گفته او، «در دستگاه‌های امروزی زیرساخت ارتباطات I / O می‌تواند بیش از ۵۰٪از مساحت سیلیکون را مصرف کند، در آینده بیش از ۵۰٪ می‌تواند توسط واحدهای محاسباتی نرم‌افزاری مصرف شود.»

از دیدگاه من، آن آینده ممکن است به پلتفرم‌های نمونه‌سازی گسترش یابد یا ندهد. شکل ۲. شتاب یادگیری عمیق می‌تواند به آموزش یادگیری ماشین در مرکز داده‌ها، استنتاج در مرکز داده‌ها یا استنتاج در لبه خدمت کند. مسلما، پتانسیل هدایت DLAs با FPGA ها، اینتل را بر آن داشت تا Altera را در سال ۲۰۱۵ و AMD را بر آن داشت تا در سال ۲۰۲۰ یک پیشنهاد خرید به Xilinx ارائه دهد. خبر خوب برای اکرونکس، شیر جدیدی که بر چشم‌انداز FPGA تسلط دارد.

این متن با استفاده از ربات مترجم مقاله تکنولوژی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.