EN
Snabblänkar
Med den snabba utvecklingen av artificiell intelligens och stordatatillämpningar, fungerar AI-servrar som beräkningsintensiva enheter och utför kritiska uppgifter inom områden såsom molnberäkning, djupinlärning, självkörande fordon och intelligenta robotar. Prestanda och stabilitet för AI-servrar är till stor del beroende av designen av deras strömförsörjningssystem. När kraven på beräkningskapacitet ständigt ökar har traditionella strömarkitekturer gradvis svårt att möta behoven av effektiv och stabil strömförsörjning, vilket lett till att avancerade strömarkitekturer, såsom 48 V distribuerad strömförsörjning, flerfas buck-omvandling och digital styrning, successivt blivit dominerande lösningar.
1- Huvudsakliga strömarkitekturer för AI-servrar
1.1 Centraliserad strömarkitektur
Traditionella centraliserade strömförsörjningar använder en enda strömförsörjningsenhet (PSU) för att omvandla växelström till 12 V likström, vilken sedan distribueras till olika laster genom moderkortet. De har en mogen design, låg kostnad och är lätta att hantera enhetligt. Men när prestandan hos AI-servrar ökar blir deras nackdelar uppenbara: den långa 12 V överföringsvägen leder till en betydande ökning av ledningsförluster (I²R); spänningsregleringens bandbredd är begränsad, vilket påverkar dynamisk svarshastighet; det är svårt att hantera nanosekundsnabba belastningsförändringar hos CPU/GPU; systemets redundans är dålig, och ett ensamt strömförsörjningsmoduls fel kan leda till att hela systemet kraschar, vilket innebär bristande tillförlitlighet.
1.2 Distribuerad strömarkitektur (DPA)
Distribuerad effektsarkitektur har blivit det föredragna valet för stora AI-servrar. Kärnan är användningen av en 48 V mellanledningsmatning. Nätaggregat levererar 48 V likström och utnyttjar egenskaperna hos hög överföringsspänning och låg överföringsström för att avsevärt minska energiförluster i distributionsvägarna. I närheten av kärnbelastningar som CPU:er och GPU:er placeras belastningsnära omvandlare (POL) för att direkt omvandla 48 V till de nödvändiga låga spänningarna (t.ex. 0,8 V–1,8 V), vilket uppnår lokaliserad och finindelad strömförsörjning och därmed i hög grad förbättrar hastigheten vid transient respons och precisionen i spänningsreglering.
48 V distribuerad effektsarkitektur (Bildkälla: Internet)
1.3 Flerväges buck-omvandlingsarkitektur
Det är den specifika implementeringslösningen för POL att driva extremt högpresterande laster (såsom CPU:er/GPU:er). Genom att växelvis driva flera parallella synkrona buck-kretsar för att mata en enda processor, uppnås fördelar såsom: minskad strömbelastning och termiska förluster per fas efter strömfördelning; effektiv utjämning av utströmsvågning genom flerfasig interlevingsdrift, vilket minskar beroendet av avkopplingskondensatorer; samt dynamisk aktivering/avaktivering av antalet faser baserat på processorns effektförbrukning för att optimera verkningsgraden vid lägre belastning.
1.4 Digital strömstyrningsarkitektur
Genom att ersätta vissa analoga kretsar med digitala signalprocessorer (DSP) eller mikrostyrkretsar (MCU) uppnås intelligent effekthantering. Det möjliggör inte bara mer komplexa och flexibla regleralgoritmer för att optimera dynamisk respons och energieffektivitet, utan stöder även realtidsövervakning, parameterjusteringar, felförutsägelse och fjärrstyrning (till exempel baserat på PMBus/I2C-protokoll) via programvara. Avancerade konstruktioner använder ofta en hybridmod av digital hantering + analog snabbrespons, vilket balanserar intelligens och hastighet.
1.5 Modulär strömförsörjning
Används brett i AI-servrar på datacenternivå. Standardiserade strömförsörjningsmoduler (till exempel CRPS) stöder hett byte, N+1-redundans och onlinemaintenance, vilket säkerställer extremt hög tillgänglighet för affärsdrift. Deras intelligenta funktioner möjliggör dynamisk justering av antalet aktiverade moduler baserat på belastningsförhållanden, undviker ineffektiv drift vid lätt belastning och förbättrar datacentrens totala energieffektivitet avsevärt.
2- Utmaningar som ställs på induktorer av utvecklingen inom AI-serverns strömförsörjningsarkitektur
Innovation inom AI-serverns strömförsörjningsarkitektur har ställt strängare krav på induktorens prestanda, vilket driver induktortekniken att hålla takten med utvecklingen inom strömförsörjningsdesign. Induktorsprodukter måste uppfylla följande krav.
① Låg DC-resistans: De nuvarande kraven på högpresterande AI-servrar har ökat avsevärt, vilket kräver att induktorer har stark strömbärförmåga och utmärkt värmeledningsförmåga. När induktorer bär stora strömmar genererar de värme. Dålig värmeavgivning kan leda till försämrad prestanda eller till och med haveri av induktormaterialet, vilket påverkar strömförsörjningens stabilitet. Därför har design med låg likströmsresistans (DCR) blivit en avgörande parameter för induktorer, eftersom den effektivt minskar energiförluster och temperaturstegring, och därmed gör att induktorn visar excellent driftsäkerhet i högströmsapplikationer.
② Högfrekvent, låg förlust Modern AI-servernätaggregat kräver verkningsgrader på 97 % eller till och med 99 %, där induktiva transformatorer utgör en betydande del av förlusterna i systemet. När omvandlingsfrekvenserna fortsätter att öka måste induktorer balansera högfrekvensprestanda med hög verkningsgrad, samtidigt som virvelströms- och hystereseförluster minimeras. De ökade förlusterna orsakade av högfrekventa strömmar kräver kontinuerlig optimering av induktormaterial och -strukturer för att möta kraven på ett brett frekvensområde och hög verkningsgrad.
③ Miniatyrisering och tunt design: AI-servrar har begränsat utrymme inuti, vilket kräver ytterligare minskning av induktorns storlek samtidigt som prestanda bibehålls. Miniatyrisering och tunnprofilsgestaltning är framtida trender inom induktorutveckling. Genom användning av magnetkärnor med hög densitet och avancerade formningsmetoder kan induktorer göras mindre samtidigt som vikten minskas, vilket underlättar montering med hög densitet och effektivt sparar viktig PCB-yta. Dessa konstruktioner måste dessutom balansera mekanisk hållfasthet och termisk prestanda för att förhindra försämring av prestanda i komplexa miljöer.
④ Hög tillförlitlighet: AI-servrar arbetar vanligtvis under brett temperaturintervall och vid långvarig kontinuerlig belastning. Induktorer måste därför ha god anpassningsförmåga till temperatur och pålitlig stabilitet, samt kunna effektivt motstå effekterna av höga temperaturer och förändringar i miljön för att säkerställa kontinuerlig och stabil drift av utrustningen.
5 EMI-prestanda: Den magnetiska skärmskyddskonstruktionen kan effektivt minska skador orsakade av elektromagnetisk störning på närliggande komponenter eller signalledningar, vilket säkerställer att servern exakt bearbetar svaga signaler. Induktorer med hög EMI-prestanda kan minska elektromagnetisk miljöförorening och förbättra hela systemets störsäkerhet.
6 Design med lågt brus: Med ökade krav på bullerstyrning i servrar har surrande ljud från induktorer också blivit en viktig fråga. Det surrande ljudet som alstras av vibrationer i induktorn själv påverkar datacentermiljön och användarupplevelsen. Särskilt i storskaliga moln-datacenters serverrum kan inte betydelsen av lågbullrig design förbises. Molerad induktorteknik och justering av resonansfrekvens erbjuder effektiva lösningar för att minska surrande ljud, vilket avsevärt förbättrar anpassningsförmågan hos serverns strömförsörjning.
Sammanfattningsvis står induktorer inför flera utmaningar i AI-serverns strömförsörjningssystem, inklusive hög ström, liten storlek, hög frekvens, stark störavvisning, brett temperaturintervall och låg brusnivå. För att möta de stränga kraven i nya tillämpningar är det nödvändigt med kontinuerlig förbättring genom materialinnovation, strukturell optimering och processuppgraderingar.
3- Användning och urvalskriterier för induktorer i AI-serverströmförsörjning
Induktorer i AI-serverströmförsörjning utför flera funktioner såsom filtrering, choke, stabilisering av spänning och ström samt undertryckning av brus. För att uppfylla de höga prestanda- och tillförlitlighetskraven på AI-servrar i nya trender är det avgörande att välja rätt induktor. Codaca har fokuserat på högpresterande induktorslösningar och har lanserat flera högpresterande induktorprodukter för AI-servrar och relaterade intelligenta enheter, vilka täcker olika kategorier såsom superhögströms effektinduktorer, kompakta högströms effektinduktorer samt formsprutade låginduktans högströmsinduktorer.
Bland dem, den kompakt högströmskraftinduktorn CSBA-serie använder Codacas egenutvecklade magnetpulverkärnmaterial, med mycket låga kärnförluster, utmärkta mjuka mättnadscurrensegenskaper och högfrekventa lågförlustegenskaper. Dess slanka design sparar monteringsyta, vilket gör den lämplig för krav på hög täthet vid montering. Driftstemperaturomfång från -55 ℃ till +170 ℃, vilket gör att den kan anpassas till högtemperaturmiljöer. CSBA-seriens induktorer uppfyller prestandakraven för GaN-strömförsörjning vad gäller induktorer med högfrekventa lågförluster, hög effekttäthet och brett temperaturintervall, och används flitigt i kärnmoduler såsom DC-DC-omvandlare och switchade regulatorer.
Den formade induktorer i CSHN-serien , som är speciellt utformade för AI-applikationer, har en formad struktur med ultralågt brummande ljud. De kännetecknas av ultralåg induktans, extremt låg DC-motstånd, utmärkta mjuka mättnadsegenskaper och hög strömbärförmåga. Produkterna använder en slank design för att möta kraven på miniatyrisering och hög täthet i förpackning för AI-chips och effektmoduler. Driftstemperaturområdet är -40℃ till +125℃, vilket uppfyller de stränga kraven från intelligenta beräkningsenheter.
När ingenjörer väljer komponenter måste de ta hänsyn till lastegenskaper, ström, storlek, arbetsfrekvens och kylförhållanden i AI-servern för att välja den mest lämpliga induktormodellen. Till exempel, i kompakta serverchassin med begränsat utrymme, skulle CSBA-serien av kompakta högströms effektinduktorer vara ett idealiskt val. För att möta kraven från AI-applikationer på låg induktans, hög ström och liten storlek, är AI-formad induktor CSHN-serien kan väljas. Korrekt matchade högpresterande induktorprodukter kan maximera effektomvandlingseffektiviteten och systemstabiliteten i AI-servrar.