استارت‌آپ KAIST Panmnesia (نامش به معنای قدرت به خاطر سپردن مطلقاً هر چیزی که فکر می‌کند، احساس می‌کند، با آن روبرو می‌شود، و تجربه می‌کند) ادعا می‌کند که رویکرد جدیدی برای تقویت حافظه GPU ایجاد کرده است.
پیشرفت این شرکت امکان گفت ن حافظه در مقیاس ترابایت با استفاده از رسانه های ذخیره سازی مقرون به صرفه مانند SSD های مبتنی بر NAND را فراهم می کند و در عین حال سطوح عملکرد معقول را حفظ می کند.
با این حال، یک نکته وجود دارد: این فناوری بر استاندارد نسبتاً جدید Compute Express Link (CXL) تکیه دارد که در کاربردهای گسترده ثابت نشده است و نیاز به یکپارچه سازی سخت افزاری تخصصی دارد.
چالش های فنی باقی مانده است
CXL یک اتصال متقابل استاندارد باز است که برای اتصال موثر CPU، GPU، حافظه و سایر شتاب دهنده ها طراحی شده است. این به این اجزا اجازه می دهد تا حافظه را به طور منسجم به اشتراک بگذارند، به این معنی که آنها می توانند بدون نیاز به کپی یا جابجایی داده ها به حافظه مشترک دسترسی داشته باشند، که تاخیر را کاهش می دهد و عملکرد را افزایش می دهد.
از آنجایی که CXL یک پروتکل همزمان مانند استاندارد DDR JEDEC نیست، می‌تواند انواع رسانه‌های ذخیره‌سازی مختلف را بدون نیاز به زمان دقیق یا همگام‌سازی تأخیر در خود جای دهد. Panmnesia می گوید آزمایشات اولیه نشان داده است که راه حل CXL-GPU آن می تواند بیش از سه برابر از روش های سنتی گسترش حافظه GPU بهتر عمل کند.
برای نمونه اولیه خود، Panmnesia نقطه پایانی CXL (که شامل ترابایت حافظه است) را از طریق دو کابل MCIO (Multi-Channel I/O) به CXL-GPU خود متصل کرد. این کابل‌های پرسرعت از استانداردهای PCIe و CXL پشتیبانی می‌کنند و ارتباط موثر بین GPU و حافظه را ایجاد می‌کنند.
با این حال، پذیرش ممکن است ساده نباشد. کارت‌های GPU ممکن است به اسلات‌های اضافی سازگار با PCIe/CXL نیاز داشته باشند، و چالش‌های فنی قابل توجهی باقی می‌ماند، به‌ویژه با ادغام بافت منطقی CXL و زیرسیستم‌ها در پردازنده‌های گرافیکی فعلی. ادغام استانداردهای جدید مانند CXL در سخت افزار موجود شامل اطمینان از سازگاری با معماری های فعلی و توسعه اجزای سخت افزاری جدید، مانند اسلات ها و کنترلرهای سازگار با CXL است که می تواند پیچیده و نیازمند منابع باشد.
در حالی که نمونه اولیه CXL-GPU جدید Panmnesia به طور بالقوه نوید گسترش حافظه بی نظیر را برای GPU ها می دهد، اتکای آن به استاندارد نوظهور CXL و نیاز به سخت افزار تخصصی می تواند موانعی را برای پذیرش گسترده فوری ایجاد کند. با وجود این موانع، مزایا مشخص است، به خصوص برای مدل های یادگیری عمیق در مقیاس بزرگ که اغلب از ظرفیت حافظه GPU های فعلی فراتر می روند.
ارسال نظر