טכנולוגיית הכוח של שרתים בינה מלאכותית ממשיכה להתפתח, מה שדוחף את הביקוש לסלילוני הספק בעלי ביצועים גבוהים

עם ההתפתחות המהירה של טכנולוגיות בינה מלאכותית ומידע ענק, שרתים מבוססי AI, ככלי חישוב צפוף, מבצעים משימות קריטיות בתחומים כגוןحوسبة עננים, למידה עמוקה, נהיגה אוטונומית ורובוטים חכמים. הביצועים והיציבות של שרתים מבוססי AI תלויים במידה רבה בעיצוב מערכות הכוח שלהן. ככל שדרישות העוצמה מתרחבות, ארכיטקטורות כוח מסורתיות מתקשות בהדרגה לעמוד בצורך באספקת כוח יעילה ויציבה, מה שמוביל להופעתן ההדרגתית של ארכיטקטורות כוח מתקדמות, כגון אספקת כוח מפוצלת של 48V, המרה רב-פאזית מסוג buck, ובקרה דיגיטלית, כשפתרונות רשמיים.

1- ארכיטקטורות כוח עיקריות של שרתים מבוססי AI

1.1 ארכיטקטורת כוח מרוכזת

ספקים מרכזיים מסורתיים משתמשים ביחידת ספק כוח אחת (PSU) להמרת מתח זרם חילופין למתח ישר של 12V, שמופץ לאחר מכן למנות שונות דרך הלוח אם. לערכות אלו יש תכנון בשל, עלות נמוכה וקלות בניהול אחיד. עם זאת, ככל שיכולת העיבוד של שרתים מבוססי בינה מלאכותית גדלה, החסרונות שלהן הופכים לברורים: המסלול הארוך של העברה של 12V גורם להגבהה משמעותית של אובדן מוליכות (I²R); רוחב פס הרגולציה של המתח מוגבל, מה שמשפיע על מהירות התגובה הדינמית; קשה להתמודד עם שינויי עומס דרמטיים ברמת הננושניות של ה-CPU/GPU; וה redundנטיות של המערכת ירודה, כשכישלון של מודול ספק אחד עלול לגרום לקריסה של כל המערכת, מה שחסר בהימנות.

1.2 ארכיטקטורת הספק מבוזר (DPA)

ארכיטקטורת כוח מפוצלת הפכה לבחירה המועדפת לשרתים גדולים של בינה מלאכותית. הליבה שלה היא שימוש בספק כוח 48V בקו הביניים. ספקי הכוח מניבים 48V DC, תוך שהשראה מהאופי של מתח העברה גבוה וזרם העברה נמוך כדי להפחית משמעותית את אובדי האנרגיה במסלולי הפצה. קרוב למטעני ליבה כמו CPU ו-GPU, מותקנים ממירי Point-of-Load (POL) שממירים ישירות את 48V למתחים הנמוכים הנדרשים (למשל, 0.8V-1.8V), ומאפשרים אספקת חשמל מקומית ומדויקת, מה שמשפר בצורה ניכרת את מהירות התגובה הטרנזיסטית ואת דיוק ייצוב המתח.

ארכיטקטורת כוח מפוצלת של 48V (מקור התמונה: אינטרנט)

1.3 ארכיטקטורת המרה רב-פאזית מסוג buck

זהו פתרון יישום ספציפי ל-POL להפעלת עומסי הספק גבוה במיוחד (כגון CPU/GPU). על ידי הפעלה חילופית של מעגלים מרובים במקביל מסוג buck סינכרוני כדי לספק הספק לעבד יחיד, היתרונות כוללים: הפחתת מתח הזרם ואיבדי החום לשלב לאחר חלוקת הזרם; החלקה אפקטיבית של רעמת זרם הפלט באמצעות פעולת חילוף רב-שלבית, והפחתת התלות בקבלים שמאפשרים השראה; ופעלה דינמית של מספר השלבים בהתאם לצריכת ההספק של העבד כדי למקסם את היעילות בטעינה קלה.

1.4 מבנה בקרת הספק דיגיטלי

על ידי החלפת מעגלים אנלוגיים מסוימים במעבדי אותות דיגיטליים (DSPs) או במיקרו-בקרים (MCUs), מושגת ניהול חכם של הספק. זה מאפשר לא רק אלגוריתמי בקרה מורכבים וגמישים יותר כדי למקסם את התגובה הדינמית והיעילות האנרגטית, אלא גם תומך בזיהוי בזמן אמת, התאמת פרמטרים, תחזית תקלות וניהול מרחוק (למשל בהתאם לפרוטוקולים PMBus/I2C) באמצעות תוכנה. בעיצובים מתקדמים נפוצים לרוב משתמשים בצורה היברידית של ניהול דיגיטלי + תגובה מהירה אנלוגית, כדי ליצור איזון בין חכמה למהירות.

1.5 ספק כוח מודולרי

משמשים בצורה רחבה בשרתים לרמה של מרכזי נתונים בתחום الذكاء המלאכותי. מודולי כוח סטנדרטיים (כגון CRPS) תומכים בהחלפה חמה, גיבוי N+1 ותחזוקה מקוונת, מבטיחים זמינות גבוהה ביותר לפעולת העסק. הפונקציות האינטליגנטיות שלהם מאפשרות התאמה דינמית של מספר המודולים הפעילים בהתאם לטעינה, וכך מונעות פעילות לא יעילה בטעינה קלה, ובנוסף שיפור משמעותי ביעילות האנרגטית הכוללת של מרכזי הנתונים.

2- אתגרים שהוטלו על מוליכי השראה בשל ההתפתחות בארכיטקטורת אספקת הכוח בשרתים של AI

החדשנות בארכיטקטורת כוח של שרת AI הציבה דרישות ביצועים חמורות יותר על מוליכי השראה, ודחפה את טכנולוגיית המוליכים להישאר מעבר לשיפורים בעיצוב החשמלי. על מוצרים ממוצרי ההשראות לעמוד בדרישות הבאות.

① התנגדות קטנה בזרם ישר: הדרישות הנוכחיות של שרתים בעלי ביצועים גבוהים ב-AI עלו בצורה משמעותית, ודורשות מסננים בעלי יכולת העברה חזקה של זרם וביצועי ניהול חום מمتازים. כאשר מסננים מעבירים זרמים גדולים, הם מייצרים חום. פיזור חום לקוי עלול להוביל לירידת ביצועים או אף לכשל בחומר המסנן, מה שעלול להשפיע על יציבות אספקת החשמל. לכן, עיצוב התנגדות נמוכה לזרם ישר (DCR) הפך לפרמטר קריטי במסננים, שמפחית באופן יעיל את אובדן האנרגיה ואת עליית החום, ומאפשר למסנן להפגין אמינות גבוהה ביישומים של זרם גבוה.

② תדירות גבוהה, איבודים נמוכים: ספקי כוח לשרתים מודרניים דורשים יעילות של 97% או אפילו 99%, כשמעכבי טרנספורמציה אחראים על חלק משמעותי מאיבדי המערכת. ככל שתדרי המרה של הכוח ממשיכים לעלות, על מעכבים להיות מאוזנים מבחינת ביצועים בתדר גבוה ויעילות גבוהה, תוך מזעור איבדי זורם ערבולי והיסטארזה. האיבדים הגוברים הנגרמים על ידי זרמי תדר גבוה מחייבים שיפור מתמיד בחומרים ובמבנים של מעכבים כדי לעמוד בדרישות של טווח רחב של תדרים ויעילות גבוהה.

③ עיצוב ממוזער ודק לשרתים מבוססי בינה מלאכותית יש מוגבלת במרחב הפנימי, ולכן יש צורך לצמצם עוד יותר את גודל הסליל תוך שמירה על הביצועים. מזעור ועיצוב דק הם מגמות עתידיות בפיתוח סלילים. באמצעות חומרי ליבה מגנטיים עם צפיפות גבוהה וטכניקות ייצור מתקדמות, ניתן להקטין את גודל הסלילים וכן לצמצם את המשקל, מה שמאפשר התקנה בצפיפות גבוהה וחיסכון אפקטיבי במרחב יקר בייבי. בנוסף, העיצובים הללו חייבים לאזן בין עמידות מכנית לבין ביצועי חום כדי למנוע ירידה בביצועים בסביבות מורכבות.

④ אמינות גבוהה: שרתים מבוססי בינה מלאכותית פועלים בדרך כלל בטווחים רחבים של טמפרטורה ובתנאי עומס מתמשך לטווח ארוך. על הסלילים להיות בעלי התאמה טובה לטמפרטורה ויציבות אמינה, המסוגלים לעמוד בהשפעות של טמפרטורות גבוהות ושינויים סביבתיים, כדי להבטיח פעילות מתמשכת ויציבה של הציוד.

⑤ ביצועי EMI: המבנה השמירה המגנטי יכול 억제 ביעילות את הנזק של הפרעות אלקטרומגנטיות לרכיבים סמוכים או לקווי אות, ומבטיח עיבוד מדויק של אותות חלשים על ידי השרת. שיכולים בעלי ביצועים גבוהים ב-EMI יכולים להפחית זיהום סביבתי אלקטרומגנטי ולשפר את יכולת ההתנגדות להפרעות של המערכת הכוללת.

⑥ עיצוב נמוך רעש: עם העלייה בביקושים לשליטה ברעש של שרתים, גם הרעש של הסליל הפך למוקד. הרעש הנוצר מהרטט של הסליל עצמו משפיע על הסביבה של מרכז הנתונים והחוויה של המשתמש. במיוחד בחדרי שרתים של מרכזי נתונים ענקיים בענן, חשיבותו של עיצוב נמוך רעש אינה יכולה להיות מוזנחת. טכנולוגיית סלילים מוצקים וכוונון תדר התהודה מספקים פתרונות אפקטיביים לצמצום רעשי זמזום, ושיפור משמעותי בהתאמה הסביבתית של מקורות כוח לשרתים.

לסיכום, סלילים מתמודדים עם אתגרים מרובים במערכות הספק של שרתים בינה מלאכותית, כולל זרם גבוה, גודל קטן, תדר גבוה, עמידות חזקה בהפרעות, התאמה טמפרטורתית רחבה ורעש נמוך. כדי לעמוד בדרישות היישום המחמירות שבמגמות חדשות, נדרשת התקדמות מתמדת באמצעות חדשנות בחומרים, אופטימיזציה מבנית ושדרוגי תהליכים.

3- יישום והמלצות לבחירת סלילים בספקי כוח לשרתים של בינה מלאכותית

סלילים בספקי הכוח של שרתים לבינה מלאכותית ממלאים פונקציות רבות כגון סינון, חסימת זרמים, סיבולת מתח וזרם וавлок רעשים. לצורך דרישות הביצועים והאמינות הגבוהים של שרתים לבינה מלאכותית במגמות חדשות, בחירה של סליל מתאים היא קריטית. Codaca התמקדה בפתרונות סליל בעלי אמינות גבוהה והשקיעה מספר מוצרים של סלילים בעלי ביצועים גבוהים לשרתים של בינה מלאכותית ומכשירים חכמים קשורים, הכוללים קטגוריות שונות כגון סלילי הספקת זרם גבוה במיוחד, סלילי הספקת זרם גבוה בתצורה קטנה וסלילים מוצקים בעלי השראות נמוכה וזרם גבוה.

בין היתר, סדרת האינדוקטור של כוח עם זרם גבוה CSBA משתמש בחומר ליבה מגנטי משל עצמה שפותח על ידי Codaca, בעל אובדן ליבה נמוך במיוחד, תכונות זיווד רך של זרם מעולה ותכונות הפסדים נמוכים בתדר גבוה. העיצוב הדק שלו חוסך בשטח ההתקנה, מה שהופך אותו מתאים לדרישות התקנה בצפיפות גבוהה. טווח טמפרטורת הפעולה הוא מ-55° צלזיוס עד 170° צלזיוס, והוא מסוגל להסתגל לסביבות עבודה בטמפרטורות גבוהות. סלילי סדרת CSBA עומדים בדרישות הביצועים של סוללות הספק GaN מבחינת סלילים עם הפסדים נמוכים בתדר גבוה, צפיפות הספק גבוהה וטווח טמפרטורות רחב, ושימושים נפוצים בהם הם במודולים מרכזיים כמו ממירי DC-DC ומגברי מתגים.

ה סלילים מודללים מסדרת CSHN , שתוכננו במיוחד לישומי בינה מלאכותית, מקבלים מבנה מודלל עם רעש חורש אולטרה-נמוך. הם מציגים השראות אולטרה-נמוכה, התנגדות DC נמוכה ביותר, מאפייני רוויה רכה ausgezeichnet וקיבולת העברה של זרם גבוה. המוצרים משתמשים בעיצוב דק כדי לעמוד בדרישות של מיניאטיריזציה והרכבה צפופה עבור שבבי בינה מלאכותית ומודולי כוח. טווח הטמפרטורה التشغילית הוא מ-40℃ עד +125℃, מתאימים לדרישות החזקות של התקני חישוב חכמים.

בבחירת רכיבים, על מהנדסים לקחת בחשבון את מאפייני העומס, הזרם, הגודל, תדירות הפעולה והתנאים הקירור של שרת הבינה המלאכותית כדי לבחור את דגם הסליל המתאים ביותר. למשל, בתוך שרוול שרת קומפקטי עם מעט מקום, סדרת CSBA של סלילי כוח בעלי זרם גבוה וקטנים תהיה בחירה אידיאלית. כדי לעמוד בדרישות של יישומי בינה מלאכותית להשראות נמוכה, זרם גבוה וגודל קטן, סדרת הסלילים המודללים לבינה מלאכותית CSHN ניתן לבחור. התאמת מוצרים מתאימים של מוליכי ביצועים גבוהים יכולה למקסם את יעילות המרת החשמל ואת יציבות המערכת של שרתים של בינה מלאכותית.