Aggiunto ai preferiti
Rimosso dai preferiti
Scalabilità dei data center AI
Scaling AI Data Centers spiega perché il computing su scala AI mette sotto pressione ogni parte del data center e perché la rimozione di un vincolo spesso ne espone un altro. Presenta un framework chip-to-cluster che abbraccia la progettazione pre-silicio, i wafer, i chip e i chiplet, le schede, i server, i rack, i data center completi e le implementazioni edge. Il documento posiziona il vantaggio strategico di Keysight Technologies come ampiezza più correlazione: prevedere il comportamento del sistema prima che l'hardware esista, mappare i margini fisici a livello di wafer e fotonica, quindi convalidare le interconnessioni e i carichi di lavoro in condizioni simili alla produzione. In tutto lo stack, evidenzia aree di soluzione quali l'automazione della progettazione elettronica per l'interconnessione dei chiplet e la progettazione fotonica, il test automatizzato dei wafer in silicio e fotonici in silicio, la convalida post-silicio per standard die-to-die come UCIe e il debug a livello di scheda di segnale, integrità dell'alimentazione e interferenze elettromagnetiche. Passa quindi alla convalida di server e rack con analisi dei protocolli, flussi di lavoro dei ricetrasmettitori Ethernet 800G e 1,6T, generazione di traffico su larga scala per modelli di addestramento e inferenza e convalida del trasporto Ethernet per RoCEv2 e Ultra Ethernet. A livello di data center e edge aggiunge emulazione, test di sicurezza e prestazioni, analisi del trasporto ottico coerente, visibilità della rete e validazione wireless AI-RAN. Conclude che le sfide multilivello richiedono competenze multilivello, abbinando conoscenze basate sulla fisica al contesto del sistema per aiutare i team a rimanere con sicurezza generazioni avanti.