הצמיחה המפוצצת של עומסי עבודה של בינה מלאכותית שינתה באופן יסודי את דרישות העיצוב של מערכות הכוח של שרתים. ככל שיחידות עיבוד גרפי (GPU), יחידות עיבוד מרכזי (CPU) ומאיצי בינה מלאכותית מיוחדים (xPU) משלבים יותר טרנזיסטורים בכל אריזה אחת, כמות החשמל המסופקת לרכיבים אלו על הלוח עלה למאות ואף אלפי וואט לכל שקע. כדי להישאר בשיעור זה, מודולי רגולטורי המתח (VRM) והמרחבים לנקודת הטעינה (PoL) שמזינים את מעבדים אלו נדחפים לעבר צפיפות זרם גבוהה יותר ותגובה מהירה יותר לשינויי עומס מאשר בכל זמן אחר בהיסטוריה של שרתים.
בלב כל אחד מהשלבים האלקטרוניים הללו נמצא רכיב פשוט למראה: אינדוקטור כוח. למרות שההתרשמות הראשונית היא שמדובר ברכיב סטנדרטי, האינדוקטור הפך לאחד המאפשרים המרכזיים של ארכיטקטורת הכוח לשרתים המבוססים על בינה מלאכותית; ואם נבחר באופן לקוי – הוא עלול להפוך לצלע הצרה המרכזית בארכיטקטורה זו. מאמר זה בוחן כיצד מתקדמת אספקת הכוח לשרתים מבוססי בינה מלאכותית, אילו דרישות מתחדשות נובעות מההתפתחות הזו כלפי האינדוקטורים, אילו פרמטרים חייבים מהנדסים לשקול בקפידה רבה בעת הבחירה, וכיצד משפחות אינדוקטורים מיועדות במיוחד, כגון סדרות ה־CSBA וה־CSHN של CODACA, ממלאות את הדרכים האלה בפועל.
מערכות הכוח המסורתית לשרתים מוחלפות בארכיטקטורות שנבנות סביב ארבע מגמות מקבילות:
◾הפצת זרם ישר בעל מתח גבוה. רבים מהארונות החדשים לשרתים מבוססי בינה מלאכותית עוברים למחברות זרם ישר של 48 וולט במקום מערכת הפצת ה-12 וולט הישנה, ובכך מפחיתים את אובדי הכוח מסוג I²R לאורך הלוח האחורי לפני שהמתח מורד לרמה הנדרשת בכרטיס עצמו.
◾המרת כוח מבוזרת בנקודת הצריכה. במקום ממיר מרכזי יחיד, הכוח מוסדר כעת קרוב לכל מעבד באמצעות מספר שלבים של PoL, שכל אחד מהם כולל את בנק הסלילים שלו.
◾שליטה דיגיטלית. בקרות PWM דיגיטליות עם לולאות משוב מהירות מאפשרות לממירים להגיב לשינויי עומס קיצוניים המאפיינים עומסי עבודה של GPU.
◾ניהול כוח אינטליגנטי. שלבי כוח מבוססי טלמטריה מסדרים באופן דינמי את מספר הפאזות ואת התנהגות ההחלפה בהתאם לתנאי העומס בזמן אמת.
כל שינוי מבני יוצר דרישות ביצועים חדשות לסילונים, מה שהופך את בחירת הסילונים להחלטה עיקרית בעיצוב, ולא לאחר־מחשבה. למה סילונים חשובים באספקת כוח לשרתים של בינה מלאכותית.
סילוני כוח נמצאים בקצה הקדמי של שרשרת האספקה לשבב, ומספקים זרם יציב וחסר רעשים לשבב שמבצע בסופו של דבר את החישובים של הבינה המלאכותית. הם משרתים כמה פונקציות בו זמנית לאורך נתיב כוח השרת של הבינה המלאכותית:
◾ תקנות אחסון אנרגיה ודרגה בטופולוגיות ממירים של buck, רב־פאזיות ו־TLVR שמאכילים GPU, CPU וכרטיסי מאיץ.
◾ החלקה של גל ריפל כדי ששלבים של DC-DC בעלי מהירות switcing גבוהה יספקו זרם יציב וטהור במקום גל ריפל מזדמן שיכול לפגוע ביציבות הלוגיקה הדיגיטלית הרגישה.
◾ סינון אותות וавירת רעשים בו ספירות נגדיות משותפות (common-mode chokes) וסלילים נגדיים דיפרנציאליים (differential-mode inductors) פועלים יחד עם קondenסаторים כדי להסיר את גל הריפל בתדר גבוה מהשלב הראשי של AC-DC ולשמור על שלמות האותות במהירות גבוהה.
מכיוון שסלילים מופיעים כמעט בכל שלב המרה של הספק בשרת AI — מהכניסה של AC-DC ברמת הספסל ועד לריל הליבה של המעבד תחת 1 V — התכונות החשמליות והתרמיות שלהם משפיעות באופן משמעותי על היעילות, היציבות והאמינות הכוללות של המערכת.
בהשוואה לסלילים המשמשים בשירותים קונבנציונליים, סלילים לשרת AI חייבים לקיים קבוצה מחמירה ומחוברת יותר של דרישות:
2.1 התנגדות ישרה נמוכה (DCR) לפעולת זרם גבוה. הזרם הנמשך על ידי מאיצי בינה מלאכותית מודרניים עלה באופן חדה, והשנאים חייבים להעביר זרם זה עם אובדן התנגדותי מינימלי. התנגדות תיל גבוהה (DCR) מתורגמת ישירות לחום גבוה יותר של I²R; אם חום זה לא מנוהל בצורה יעילה, החומר המגנטי עלול להידלדל או השנאי עלול להיכשל לחלוטין, מה שמסתיר את יציבות מסילת הכוח. לכן, בנייה עם DCR נמוך נחשבת לפרמטר בסיסי בעיצוב ולא לתכונה רצויה בלבד.
2.2 פעולה בתדר גבוה עם אובדן ליבה נמוך. ספקים לשרתים בעלי בינה מלאכותית מוגדרים בדרך כלל עם יעילות המרה הקרובה ל-99%. ככל שהתדרים המstawים עולים כדי לדחוף כמות גדולה יותר של הספק בתוך שטח קטן יותר, אובדי הליבה והסיבובים עולים גם הם במקביל, אלא אם החומר המגנטי והגאומטריה של הסליל אופטימליים במיוחד לפעולת תדר גבוה.
2.3 מִקְרוֹסוֹפִּיָה ללא פגיעה בביצועים. שטח הלוח בשרת AI מוגבל, וחלקי הספק חייבים להימצא קרוב ככל האפשר למעבד כדי למזער אינדוקטנס פרזיטי. זה דוחף מעצבים של סלילים לכיוון חומרים מגנטיים בצפיפות גבוהה ובניהה מודלחת בחלקה אחת, המפחיתה את השטח והגובה תוך שמירה על יכולת עיבוד זרם – גורם חשוב להתקנה צפופה של רכיבים משולבים.
◾ אמינות גבוהה מתמשכת. שרתים של בינה מלאכותית פועלים בתפוקה גבוהה כמעט כל שעות היממה. סלילים בסביבה זו חייבים לשמור על ביצועים חשמליים יציבים לאורך זמן פעולה ממושך, תחת לחץ חם וחשמלי מתמשך.
◾ Ức suppression חזק. מבנה מגנטית משובח מבודד את השדה המגנטי בתוך הרכיב עצמו, מפחית הפרעות מיורטות ועוזר למערכת הסמוכה לעמוד בדרישות תאימות אלקטרומגנטית – שיקול הולך וגובר עם העלייה בצפיפות הספק ברמת הלוח.
בעת צמצום רשימת הסלילים המועמדים לשרתים של בינה מלאכותית ולוחות חישוב ביצועים גבוהים, מהנדסים נוטים להתמקד בשלושה פרמטרים חשמליים עיקריים — זרם השבעה, התנגדות חשמלית ישרה (DCR) וזרם עליה בטמפרטורה — לצד קבוצה רחבה יותר של קריטריונים הקשורים באימוניות ובפרעות.
עיבוד GPU ידוע במשנות עומס פתאומיות; שיעורי שינוי הזרם (di/dt) במהלך מעבר עומס יכולים להגיע לסדר גודל של 100 אמפר למיקרו-שנייה. אם ליבה של הסליל מתשבעת תחת משנת עומס כזו, ההשראות פוחתת באופן חד, והלולאה הבקרה של הממיר עלולה לאבד את שליטה בהספק, מה שעלול לפגוע ביציבות המערכת. לפיכך, שדה בטיחות בזרם השבעה — ולא רק דירוג הזרם במצב יציב — מהווה קריטריון חשוב במיוחד לבחירת הסלילים בשלב הכוח של שרת בינה מלאכותית.
ה-DCR הוא הגורם העיקרי לאובדן נחושת, ובהתאם לכך גם ליעילות הכוללת של המומר. בשל הקשר הישיר הזה ליעילות, מהנדסים מעדיפים יותר ויותר סלילים שמבוססים על תיל שטוח במקום על בנייה מסורתית בתיל עגול; עיצובים בתיל שטוח יכולים להפחית את ה-DCR במעל 30% בהשוואה למתאמים בתיל עגול באותו שטח פיסי, מה שמוביל ישירות לאובדן פחות של הספק ולפעולת קירור טובה יותר.
שרתים מבוססי AI עובדים לעיתים קרובות בעומס גבוה 24/7, ולכן שולי החום אינם אופציונליים. הנבחר חייב להבטיח שהזרם המרבי לעליית הטמפרטורה של הסליל עולה על הזרם המרבי הרציף של המעגל, עם שולי עיצוב מספיקים לשמר עבור תנאי סביבה וזרימת אויר הקיצוניים ביותר.
תדרי המיתוג של VRM בשרתים של בינה מלאכותית עברו מתדר של כ-300 קילוהרץ בעיצובים ישנים לטווח של 1–3 מגاهرץ ומעלה. התוצאה המיידית היא שערך ההשראות הנדרש — ולכן גם הגודל הפיזי של השרן — קטן באופן משמעותי. עם זאת, בסביבת זרם גבוה וצפיפות הספק גבוהה, היכולה להיות טיפוסית לשרתי בינה מלאכותית, תדר מיתוג גבוה יותר גורם לעלייה הן באובדן הזרם המتناوب בכריכות והן באובדן הליבה, ולכן את היתרונות של התדר הגבוה יש לשלב עם חומר מגנטי מעוצב במיוחד כדי להקטין אובדן בתדרים גבוהים.
מעבר לארבעה פרמטרים עיקריים אלו, מהנדסים שוקלים גם את מבנה השielding המגנטי, את נתוני האמינות לאורך זמן, ואת צפיפות הספק שניתן להשיג בתוך שטח מוגבל כחלק מהערכה מקיפה. בפועל, השרן המתאים נקבע על פי התאמה בין פרופיל העומס הספציפי, גודל הזרם, תדר המיתוג והסביבה התרמית של כל מסלול הספק בשרת בינה מלאכותית, למוצר שתוכנן במיוחד לקומבינציה הזו.
שלבים שונים בשרשרת הכוח של שרת AI דורשים טכנולוגיות שונות לבניית סלילים:
◾ סלילי שטף זרם גבוה הם הסלילים העיקריים באספקת הכוח לכרטיסי GPU, CPU ומואצים, ומעדיפים ביצוע מעולה של זרם רוויה, עיבוד מתמיד של זרמים גבוהים עם עליית חום מינימלית, מאפייני אובדן טובים בתדרים גבוהים וחומרים מגנטיים נמוכי אובדן כגון פריט או אבקת סגסוגת מתכת.
◾ ליבות כוח מעוצבות מدمגים לחלוטין את הסליל והליבה באמצעות תהליך דחיסה-עיצוב בשימוש באבקה מגנטית, מה שמפחית דליפת שטף ושפר את התנהגות זרם הרוויה. בנייה זו נותנת בדרך כלל צפיפות כוח גבוהה יותר וавץ מדכא EMI חזק יותר מאשר סלילים מלופפים קונבנציונליים, מה שהופך אותה מתאימה במיוחד לממיר DC-DC בעל הספק גבוה ולמסילות כוח של CPU/GPU כאשר שטח הלוח הוא יקר מאוד.
◾ סלילי TLVR (מתאם מתח טרנס-סליל) משתמשים במבנה כפול-ליפוף מחובר כדי לפשט את תכנון הממיר רב-המופע ולפחת את מספר הרכיבים על הלוח. עבור מסילות מתח נמוך, זרם גבוה ומענות מהירה לסטיות טרנזיטוריות, שמהוות מאפיין של מאיצי AI, עיצובי TLVR יכולים לשפר את התגובה הטרנזיטורית ולפחת את רעשים היציאה, ובכך גם לפגוע בקיבול היציאה הנדרש – חיסכון משמעותי בעלויות ושטח ברמת המערכת.
CODACA בנתה את תיק הסלילים שלה סביב הדרישות המפורשות לעיל, תוך פיתוח חומרים מגנטיים ייחודיים מבוססי אבקת סגסוגת ותהליכי ייצור מודלים חד-חלקיים שמכוונים לדרישות של זרם גבוה, הרוויה גבוהה, תדר גבוה ואובדן נמוך, וכן עטיפה קטנה של שרתים של AI וציוד חישובי חכם קשור. שתי סדרות מדגימות כיצד עקרונות העיצוב האלה מתורגמים לרכיבים אמיתיים למסילות ההספק של AI.
ה סדרת CSBA נבנה על חומר ליבת אבקת סגסוגת שפותח באופן עצמאי על ידי CODACA ומיועד ליישומים שבהם יש דרישה גבוהה לשטח פנוי על הלוח וכفاءה בתדרים גבוהים:
ה סדרת CSBA ליבת אבקת סגסוגת ייחודית עם אובדן ליבה נמוך מאוד, מאפיין זרם רך של הסתבבות לספק ביצועים יציבים תחת עומסים מעבירים, אובדן נמוך בתדרים גבוהים, מתאים לפתרונות כוח מבוססי GaN. השילוב בין אובדן ליבה נמוך וביצועים חזקים בתדרים גבוהים הופך את סדרת CSBA לפתרון פרקטי לממירי DC-DC ומפצלים מתחלפים הפועלים בתדרים המוגבהים הנפוצים בשלבים של VRM בשרתים מודרניים של בינה מלאכותית, כולל מערכות כוח מבוססות GaN.
5.2 סדרת CSHN חנק כוח עיצוב למאיצי בינה מלאכותית
ה סדרת CSHN הוא מחסום כוח מודל עבור מסילות מתח נמוך מאוד וזרם גבוה שנמצאות הכי קרוב לשבבי מעבדי בינה מלאכותית. סדרת CSHN טווח ההשראות הוא מ-56 עד 82 ננוהנרי, וערכו הנמוך ביותר הוא כ-0.19 מיליאום באجزاء נציגים. בזכות ערך ההשראות הנמוך ביותר, התנגדות ה-DCR הנמוכה ביותר, והיכולת לשאת זרם גבוה במבנה מצופה קומפקטי, סדרת CSHN מיועדת במפורש לדרישות הקטנה וההרכבה בצפיפות גבוהה של מודולי חשמל לשבבים של בינה מלאכותית, בעוד טווח הטמפרטורות המורחב שלה תומך בעומס תרמי מתמשך הסביר בחומרה ממוחשבת אינטליגנטית.
5.3 בחירת השרן המתאים ליישום
להנדסים שמתכננים מסילות חשמל לשרתים של בינה מלאכותית, המסקנה המעשית היא שבחירת השרן צריכה להתחיל מהפרופיל החשמלי והתרמי של המסילה הספציפית, ולא מחיפוש גנרי של "שרן זרם גבוה":
◾במקומות בתוך שולחן העבודה או על הלוח שבהם המקום מוגבל מאוד, אך דרישות הזרם והתדר נשארות משמעותיות, משפחת שرانים קומפקטית ובעלת זרם גבוה כגון סדרת CSBA היא מועמדת חזקה.
◾למסילות מתח נמוך מאוד, אינדוקציה נמוכה וזרם גבוה שמזינות שבבים של בינה מלאכותית ישירות — כאשר דרישה עיקרית היא למזער את השטח הדרוש ואת ההתנגדות הלחיצית (DCR) — אינדקטור מודל של שבב (molded chip inductor) כגון סדרת CSHN מתאים יותר לצרכים הללו.
◾למסילות ליבה של GPU רב-פאזיות עם תגובה מהירה לשינויי זרם פתאומיים, אינדקטור מבוסס TLVR עשוי להעניק יתרונות ברמה מערכתית בתגובה לשינויי זרם פתאומיים ובמספר הקondenסаторים הדרושים ביציאה, אשר לא ניתנים להשגה על ידי אינדקטור קונבנציונלי בעל כריכה אחת. מערכת האספקת החשמל לשרתים של בינה מלאכותית עברה באופן ברור למחזור מתח גבוה יותר, המרה מבוזרת בנקודת עומס (distributed point-of-load), ותדרי סגירה במיליוני הרץ — כולן בתנאי פעילות רציפים ובשימוש מרובה.
שילוב זה יוצר דרישות מחמירות וחד־זמנית לאינדקטורים חשמליים: התנגדות לחיצית נמוכה (DCR), זרם הרוויה גבוה, אובדן נמוך בתדרים גבוהים, גודל קטן, שילוט חזק של הפרעות אלקטרומגנטיות (EMI), ואמינות לטווח ארוך.
בחירת משפחת הסלילים הנכונה, והמודל הנכון בתוך המשפחה הזו, עבור כל מסלול כוח אינו עוד החלטה שגרתית ברשימת החומר (BOM), אלא מנגנון משמעותי לשיפור יעילות המרת הכוח בשרתים של בינה מלאכותית והיציבות הכוללת של המערכת. קווי מוצרים מעוצבים במיוחד למטרה זו, כגון סדרות ה-CSBA וה-CSHN של CODACA – וכן הטכנולוגיות הרחבות יותר של סלילים בעלי זרם גבוה, מסולדים ו- TLVR שהן מייצגות – מדגימות כיצד ספקים של רכיבי מגנטיות מגיבים לדרישות אלו ככל שמעבדי הבינה המלאכותית ממשיכים להתפתח.
לפרטים טכניים מפורטים, תרשימים ממדיים וביקוש לדוגמיות, בקרו באתר CODACA הרשמי ：https://www.codaca.com.cn/.
EN