การเติบโตอย่างรวดเร็วของภาระงานปัญญาประดิษฐ์ได้เปลี่ยนแปลงข้อกำหนดการออกแบบระบบจ่ายพลังงานสำหรับเซิร์ฟเวอร์อย่างลึกซึ้ง ทั้ง GPU, CPU และตัวเร่งความเร็วเฉพาะทางสำหรับปัญญาประดิษฐ์ (xPUs) ต่างเพิ่มจำนวนทรานซิสเตอร์ลงในชิปเดียวอย่างต่อเนื่อง ทำให้กำลังไฟฟ้าที่จ่ายให้กับอุปกรณ์เหล่านี้บนแผงวงจรเพิ่มสูงขึ้นถึงหลายร้อยวัตต์ หรือแม้แต่หลายพันวัตต์ต่อซ็อกเก็ต เพื่อให้ทันต่อแนวโน้มนี้ โมดูลควบคุมแรงดัน (VRMs) และตัวแปลงจ่ายไฟแบบจุดใช้งาน (PoL) ที่จ่ายพลังงานให้กับโปรเซสเซอร์เหล่านี้จึงถูกผลักดันให้มีความหนาแน่นของกระแสไฟฟ้าสูงขึ้น และตอบสนองต่อการเปลี่ยนแปลงของโหลดได้รวดเร็วขึ้นกว่าที่เคยมีมาในประวัติศาสตร์ของเซิร์ฟเวอร์
ที่ศูนย์กลางของแต่ละขั้นตอนการจ่ายพลังงานเหล่านี้ คือ ชิ้นส่วนที่ดูเรียบง่ายอย่างหลอกลวง: คอยล์เหนี่ยวนำ (inductor) ซึ่งไม่ใช่ชิ้นส่วนทั่วไปแต่อย่างใด แต่กลับกลายเป็นองค์ประกอบสำคัญที่ขับเคลื่อนระบบได้จริง หากเลือกใช้ไม่เหมาะสม ก็อาจกลายเป็นจุดคอขวดหลักของสถาปัตยกรรมระบบจ่ายพลังงานสำหรับเซิร์ฟเวอร์ปัญญาประดิษฐ์ (AI server power architecture) บทความนี้จะวิเคราะห์การเปลี่ยนแปลงของระบบจ่ายพลังงานสำหรับเซิร์ฟเวอร์ปัญญาประดิษฐ์ ความต้องการที่เกิดขึ้นจากแนวโน้มดังกล่าวต่อคอยล์เหนี่ยวนำ พารามิเตอร์ที่วิศวกรจำเป็นต้องพิจารณาอย่างรอบคอบที่สุดในระหว่างการเลือกใช้งาน และวิธีที่ตระกูลคอยล์เหนี่ยวนำที่ออกแบบมาเฉพาะ เช่น ซีรีส์ CSBA และ CSHN ของ CODACA ตอบสนองความต้องการเหล่านี้ในการใช้งานจริง
ระบบจ่ายพลังงานแบบดั้งเดิมสำหรับเซิร์ฟเวอร์กำลังถูกแทนที่ด้วยสถาปัตยกรรมที่สร้างขึ้นรอบแนวโน้มสี่ประการที่เกิดขึ้นพร้อมกัน
◾การจ่ายกระแสตรงแรงดันสูง แร็กเซิร์ฟเวอร์ปัญญาประดิษฐ์รุ่นใหม่จำนวนมากกำลังเปลี่ยนไปใช้บัสบาร์กระแสตรง 48 โวลต์ แทนระบบจ่ายพลังงานแบบ 12 โวลต์แบบเดิม ซึ่งช่วยลดการสูญเสียพลังงานจากความต้านทาน (I²R losses) บนแผงวงจรหลัง (backplane) ก่อนที่พลังงานจะถูกปรับแรงดันลงที่ระดับบอร์ด
◾การแปลงพลังงานแบบกระจายที่จุดใช้งาน (distributed point-of-load conversion) แทนที่จะใช้ตัวแปลงแบบรวมศูนย์เพียงตัวเดียว ปัจจุบันพลังงานถูกควบคุมใกล้กับโปรเซสเซอร์แต่ละตัวผ่านขั้นตอนการจ่ายพลังงานแบบ PoL หลายขั้นตอน โดยแต่ละขั้นตอนมีธนาคารตัวเหนี่ยวนำเป็นของตนเอง
◾การควบคุมแบบดิจิทัล ตัวควบคุม PWM แบบดิจิทัลที่มีวงจรตอบสนองแบบรวดเร็วช่วยให้ตัวแปลงสามารถปรับตัวต่อการเปลี่ยนแปลงโหลดอย่างรุนแรงซึ่งเป็นลักษณะเฉพาะของการทำงานของ GPU
◾การจัดการพลังงานอัจฉริยะ ขั้นตอนการจ่ายพลังงานที่ขับเคลื่อนด้วยข้อมูลเทเลเมตรีสามารถปรับจำนวนเฟสและพฤติกรรมการสลับสัญญาณได้แบบไดนามิกตามเงื่อนไขโหลดแบบเรียลไทม์
ทุกการเปลี่ยนแปลงเชิงโครงสร้างล้วนก่อให้เกิดความต้องการประสิทธิภาพใหม่ๆ ต่อตัวเหนี่ยวนำ ทำให้การเลือกตัวเหนี่ยวนำกลายเป็นการตัดสินใจหลักในการออกแบบ ไม่ใช่สิ่งที่พิจารณาภายหลัง ทำไมตัวเหนี่ยวนำจึงสำคัญต่อระบบจ่ายพลังงานในเซิร์ฟเวอร์ AI
ตัวเหนี่ยวนำสำหรับจ่ายพลังงานตั้งอยู่ที่จุดเริ่มต้นของห่วงโซ่การจ่ายพลังงานให้ชิป โดยส่งกระแสไฟฟ้าที่มีเสถียรภาพและมีสัญญาณรบกวนต่ำไปยังชิปซิลิคอนซึ่งทำหน้าที่ประมวลผล AI จริงๆ ตัวเหนี่ยวนำทำหน้าที่หลายประการพร้อมกันตลอดเส้นทางการจ่ายพลังงานในเซิร์ฟเวอร์ AI
◾ การเก็บพลังงานและการควบคุมแรงดันไฟฟ้า ในโครงสร้างวงจรแปลงแบบ buck, multiphase และ TLVR ที่จ่ายพลังงานให้กับ GPU, CPU และการ์ดเร่งความเร็ว
◾ การเรียบคลื่นริปเปิล เพื่อให้ขั้นตอนการแปลงไฟฟ้าแบบดีซี-ดีซีที่สลับความถี่สูงสามารถจ่ายกระแสขาออกที่สะอาดและมีเสถียรภาพ แทนที่จะเป็นคลื่นรบกวนที่อาจทำให้ลอจิกดิจิทัลที่ไวต่อสัญญาณเกิดความไม่เสถียร
◾ การกรองสัญญาณและการลดสัญญาณรบกวน โดยใช้ช็อกโค้มแบบคอมมอนโมด์และอินดักเตอร์แบบดิฟเฟอเรนเชียลมอด์ร่วมกับคาปาซิเตอร์ เพื่อกำจัดคลื่นริปเปิลความถี่สูงออกจากขั้นตอนการแปลงเอซี-ดีซีหลัก และรักษาความสมบูรณ์ของสัญญาณความเร็วสูง
เนื่องจากอินดักเตอร์ปรากฏอยู่ในแทบทุกขั้นตอนของการแปลงพลังงานภายในเซิร์ฟเวอร์ปัญญาประดิษฐ์ — ตั้งแต่ส่วนหน้าแปลงเอซี-ดีซีระดับแร็ก ไปจนถึงรางแรงดันหลักใต้ 1 โวลต์ของโปรเซสเซอร์ — คุณสมบัติทางไฟฟ้าและทางความร้อนของอินดักเตอร์จึงมีอิทธิพลอย่างมากต่อประสิทธิภาพ ความเสถียร และความน่าเชื่อถือโดยรวมของระบบ
เมื่อเปรียบเทียบกับอินดักเตอร์ที่ใช้ในเซิร์ฟเวอร์ทั่วไป อินดักเตอร์สำหรับเซิร์ฟเวอร์ปัญญาประดิษฐ์ต้องตอบสนองข้อกำหนดที่เข้มงวดกว่าและเชื่อมโยงกันอย่างซับซ้อนยิ่งขึ้น
2.1 ความต้านทานกระแสตรงต่ำ (DCR) สำหรับการใช้งานที่ต้องการกระแสสูง การดึงกระแสไฟฟ้าของตัวเร่งการทำงานของปัญญาประดิษฐ์รุ่นใหม่เพิ่มขึ้นอย่างมาก ทำให้ขดลวดเหนี่ยวนำจำเป็นต้องส่งผ่านกระแสไฟฟ้านั้นโดยมีการสูญเสียจากความต้านทานน้อยที่สุด การมีค่า DCR สูงจะส่งผลโดยตรงให้เกิดความร้อนจาก I²R มากขึ้น หากความร้อนนั้นไม่ได้รับการจัดการอย่างมีประสิทธิภาพ วัสดุแม่เหล็กอาจเสื่อมสภาพ หรือขดลวดเหนี่ยวนำอาจล้มเหลวอย่างสิ้นเชิง ซึ่งจะส่งผลกระทบต่อความมั่นคงของรางจ่ายไฟฟ้า ดังนั้น การออกแบบให้มีค่า DCR ต่ำจึงถือเป็นพารามิเตอร์พื้นฐานของการออกแบบ ไม่ใช่เพียงคุณสมบัติเสริม
2.2 การดำเนินงานที่ความถี่สูงพร้อมการสูญเสียแกนแม่เหล็กต่ำ แหล่งจ่ายไฟสำหรับเซิร์ฟเวอร์ปัญญาประดิษฐ์มักกำหนดให้มีประสิทธิภาพการแปลงเข้าใกล้ร้อยละ 99 เมื่อความถี่การสลับเพิ่มสูงขึ้นเพื่อส่งกำลังไฟฟ้ามากขึ้นผ่านพื้นที่ขนาดเล็กลง การสูญเสียทั้งจากแกนแม่เหล็กและขดลวดก็จะเพิ่มขึ้นตามไปด้วย เว้นแต่ว่าจะมีการปรับแต่งวัสดุแม่เหล็กและรูปทรงของขดลวดให้เหมาะสมโดยเฉพาะสำหรับการดำเนินงานที่ความถี่สูง
2.3 การลดขนาดให้เล็กลงโดยไม่ลดทอนประสิทธิภาพ พื้นที่บนบอร์ดภายในเซิร์ฟเวอร์ AI มีจำกัดอย่างยิ่ง และขั้นตอนการจ่ายพลังงานจำเป็นต้องวางให้ใกล้กับโปรเซสเซอร์มากที่สุดเท่าที่จะทำได้ เพื่อลดความเหนี่ยวนำแบบไม่ตั้งใจให้น้อยที่สุด สิ่งนี้ผลักดันให้นักออกแบบอินดักเตอร์หันไปใช้วัสดุแม่เหล็กที่มีความหนาแน่นสูง และโครงสร้างแบบโมลด์แบบชิ้นเดียว ซึ่งช่วยลดพื้นที่ครอบครองและระดับความสูงของชิ้นส่วน ขณะเดียวกันยังคงความสามารถในการรองรับกระแสไฟฟ้าไว้ได้ — ซึ่งเป็นปัจจัยสำคัญสำหรับการติดตั้งแบบ surface-mount ที่มีความหนาแน่นสูง
◾ ความน่าเชื่อถือที่สูงอย่างต่อเนื่อง เซิร์ฟเวอร์ AI ทำงานที่ระดับการใช้งานสูงเกือบตลอด 24 ชั่วโมง อินดักเตอร์ในสภาพแวดล้อมเช่นนี้จึงต้องรักษาประสิทธิภาพทางไฟฟ้าให้คงที่ตลอดอายุการใช้งานที่ยาวนานภายใต้ความเครียดจากความร้อนและแรงดันไฟฟ้าอย่างต่อเนื่อง
◾ การยับยั้งสัญญาณรบกวนแม่เหล็กไฟฟ้า (EMI) ที่มีประสิทธิภาพสูง โครงสร้างที่มีการป้องกันสนามแม่เหล็กอย่างมีประสิทธิภาพจะกักเก็บเส้นแรงแม่เหล็กไว้ภายในตัวชิ้นส่วนเอง ทำให้ลดการรบกวนแบบแผ่รังสีลง และช่วยให้ระบบโดยรอบสามารถปฏิบัติตามข้อกำหนดด้านความเข้ากันได้ทางแม่เหล็กไฟฟ้า (EMC) ได้ — ซึ่งเป็นประเด็นที่มีความสำคัญเพิ่มขึ้นเรื่อย ๆ เนื่องจากความหนาแน่นของพลังงานบนบอร์ดมีแนวโน้มสูงขึ้น
เมื่อคัดกรองตัวเลือกของอินดักเตอร์สำหรับเซิร์ฟเวอร์ปัญญาประดิษฐ์ (AI) และบอร์ดการประมวลผลประสิทธิภาพสูง วิศวกรมักพิจารณาพารามิเตอร์ทางไฟฟ้าหลักสามประการ ได้แก่ กระแสที่ทำให้แกนแม่เหล็กอิ่มตัว (saturation current), ความต้านทานแบบตรง (DCR), และกระแสที่ทำให้อุณหภูมิเพิ่มขึ้น (temperature-rise current) ซึ่งรองรับด้วยเกณฑ์ด้านความน่าเชื่อถือและการรบกวนที่กว้างขึ้น
โหลดที่ประมวลผลโดย GPU มีชื่อเสียงในเรื่องการเปลี่ยนแปลงอย่างฉับพลัน; อัตราการเปลี่ยนแปลงของกระแส (di/dt) ระหว่างการเปลี่ยนโหลดอาจสูงถึงประมาณ 100 แอมแปร์ต่อไมโครวินาที หากแกนแม่เหล็กของอินดักเตอร์อิ่มตัวภายใต้สภาวะดังกล่าว ค่าอินดักแตนซ์จะลดลงอย่างรวดเร็ว และวงจรควบคุมของตัวแปลงไฟฟ้าอาจสูญเสียความสามารถในการควบคุม ซึ่งส่งผลต่อความมั่นคงของระบบ ดังนั้น ค่าระยะเผื่อของกระแสที่ทำให้แกนแม่เหล็กอิ่มตัว (headroom on saturation current) — ไม่ใช่เพียงแค่ค่ากระแสที่ระบุไว้สำหรับสภาวะคงที่ — จึงเป็นเกณฑ์สำคัญในการเลือกอินดักเตอร์สำหรับขั้นตอนการจ่ายพลังงานในเซิร์ฟเวอร์ปัญญาประดิษฐ์
DCR เป็นปัจจัยหลักที่ส่งผลต่อการสูญเสียพลังงานในรูปของความร้อนจากทองแดง และโดยผลต่อเนื่องจึงส่งผลต่อประสิทธิภาพโดยรวมของตัวแปลงไฟฟ้า เนื่องจากความสัมพันธ์โดยตรงนี้กับประสิทธิภาพ วิศวกรจึงเริ่มให้ความนิยมกับขดลวดเหนี่ยวนำที่ผลิตด้วยลวดแบนมากกว่าขดลวดแบบเดิมที่ใช้ลวดกลม โดยการออกแบบด้วยลวดแบนสามารถลดค่า DCR ได้มากกว่า 30% เมื่อเปรียบเทียบกับขดลวดแบบลวดกลมที่มีขนาดพื้นที่ครอบครองใกล้เคียงกัน ส่งผลโดยตรงให้เกิดการสูญเสียพลังงานน้อยลงและอุณหภูมิในการทำงานต่ำลง
เซิร์ฟเวอร์ AI มักทำงานภายใต้ภาระงานสูงตลอด 24 ชั่วโมงทุกวัน ดังนั้นระยะขอบด้านอุณหภูมิจึงไม่ใช่ทางเลือก แต่เป็นสิ่งจำเป็น การเลือกขดลวดเหนี่ยวนำจึงต้องมั่นใจว่าค่ากระแสไฟฟ้าที่ทำให้อุณหภูมิเพิ่มขึ้นตามมาตรฐานของขดลวดนั้นสูงกว่าค่ากระแสไฟฟ้าสูงสุดที่วงจรจะต้องใช้งานอย่างต่อเนื่อง โดยยังคงเหลือระยะขอบการออกแบบที่เพียงพอสำหรับสภาวะแวดล้อมและอัตราการไหลของอากาศที่เลวร้ายที่สุด
ความถี่ในการสลับของ VRM ในเซิร์ฟเวอร์ AI เปลี่ยนจากประมาณ 300 กิโลเฮิร์ตซ์ในแบบดั้งเดิมไปเป็นช่วง 1–3 เมกะเฮิร์ตซ์ และสูงกว่านั้น ผลโดยตรงคือ ค่าอินดักแตนซ์ที่จำเป็น — และดังนั้นขนาดทางกายภาพของอินดักเตอร์ — ลดลงอย่างมาก อย่างไรก็ตาม ในสภาพแวดล้อมที่มีกระแสไฟฟ้าสูงและมีความหนาแน่นของกำลังไฟสูง ซึ่งพบได้ทั่วไปในเซิร์ฟเวอร์ AI การเพิ่มความถี่ในการสลับยังทำให้เกิดการสูญเสียทั้งในส่วนของขดลวด (AC loss) และในส่วนของแกนแม่เหล็ก (core loss) เพิ่มขึ้นด้วย ดังนั้น ประโยชน์จากการใช้ความถี่สูงจึงต้องจับคู่กับวัสดุแม่เหล็กที่ออกแบบมาเฉพาะเพื่อให้มีการสูญเสียต่ำที่ความถี่สูง
นอกเหนือจากพารามิเตอร์หลักทั้งสี่ประการนี้ วิศวกรยังพิจารณาโครงสร้างการป้องกันสนามแม่เหล็ก ข้อมูลความน่าเชื่อถือระยะยาว และความหนาแน่นของกำลังไฟที่สามารถบรรลุได้ภายในพื้นที่จำกัด เป็นส่วนหนึ่งของการประเมินโดยรวม ในการปฏิบัติจริง อินดักเตอร์ที่เหมาะสมจะขึ้นอยู่กับการจับคู่โปรไฟล์โหลดเฉพาะ ขนาดกระแสไฟฟ้า ความถี่ในการสลับ และสภาพแวดล้อมด้านความร้อนของแต่ละสายส่งพลังงานในเซิร์ฟเวอร์ AI กับผลิตภัณฑ์ที่ออกแบบมาเพื่อชุดเงื่อนไขเหล่านั้นโดยเฉพาะ
ขั้นตอนต่าง ๆ ของห่วงโซ่การจ่ายไฟเซิร์ฟเวอร์ AI ต้องการเทคโนโลยีการสร้างขดลวดเหนี่ยวนำที่แตกต่างกัน:
◾ อินดักเตอร์กำลังสูง เป็นขดลวดเหนี่ยวนำหลักสำหรับระบบจ่ายไฟการ์ด GPU, CPU และอุปกรณ์เร่งความเร็ว โดยเน้นประสิทธิภาพกระแสอิ่มตัวที่แข็งแกร่ง การรองรับกระแสสูงอย่างต่อเนื่องโดยมีการเพิ่มอุณหภูมิน้อยที่สุด คุณสมบัติการสูญเสียที่ดีในช่วงความถี่สูง และวัสดุแม่เหล็กที่สูญเสียน้อย เช่น เฟอร์ไรต์ หรือผงโลหะผสม
◾ หม้อแปลงพลังงาน รวมขดลวดและแกนเข้าด้วยกันอย่างสมบูรณ์ผ่านกระบวนการขึ้นรูปแบบอัดด้วยผงแม่เหล็ก ซึ่งช่วยลดการรั่วไหลของฟลักซ์แม่เหล็กและปรับปรุงพฤติกรรมกระแสอิ่มตัว โครงสร้างแบบนี้มักให้ความหนาแน่นพลังงานสูงกว่าและสามารถลดสัญญาณรบกวนแม่เหล็กไฟฟ้า (EMI) ได้ดีกว่าขดลวดเหนี่ยวนำแบบม้วนทั่วไป จึงเหมาะอย่างยิ่งสำหรับวงจรแปลงไฟแบบ DC-DC กำลังสูง และรางจ่ายไฟ CPU/GPU ที่พื้นที่บนแผงวงจรมีค่ามาก
◾ ขดลวดเหนี่ยวนำ TLVR (Trans-Inductor Voltage Regulator) ใช้โครงสร้างขดลวดคู่แบบเชื่อมโยงกันเพื่อทำให้การออกแบบตัวแปลงไฟหลายเฟสเรียบง่ายขึ้น และลดจำนวนชิ้นส่วนบนแผงวงจรพิมพ์ (PCB) สำหรับรางจ่ายไฟแรงดันต่ำ กระแสสูง และตอบสนองอย่างรวดเร็ว ซึ่งพบได้ทั่วไปในตัวเร่งความเร็วปัญญาประดิษฐ์ (AI accelerators) การออกแบบ TLVR สามารถปรับปรุงการตอบสนองต่อสภาวะเปลี่ยนผ่าน ลดสัญญาณรบกวนที่ออกจากรางจ่ายไฟ (output ripple) และลดความจุของตัวเก็บประจุที่ต้องใช้ ซึ่งส่งผลให้ประหยัดต้นทุนและพื้นที่โดยรวมของระบบ
CODACA ได้พัฒนาพอร์ตโฟลิโอขดลวดเหนี่ยวนำให้สอดคล้องกับข้อกำหนดที่ระบุข้างต้นอย่างแม่นยำ โดยพัฒนาวัสดุแกนแม่เหล็กจากผงโลหะผสมเฉพาะทาง และกระบวนการผลิตแบบขึ้นรูปแบบชิ้นเดียว (molded, one-piece) เพื่อตอบโจทย์ความต้องการของเซิร์ฟเวอร์ปัญญาประดิษฐ์และอุปกรณ์การประมวลผลอัจฉริยะอื่น ๆ ที่ต้องการกระแสสูง ความสามารถในการระบมสูง (high-saturation) ประสิทธิภาพสูงที่ความถี่สูงแต่สูญเสียพลังงานต่ำ และขนาดเล็กเป็นพิเศษ ซีรีส์สองซีรีส์ต่อไปนี้แสดงให้เห็นว่าหลักการออกแบบเหล่านี้ถูกแปลงเป็นชิ้นส่วนจริงสำหรับรางจ่ายไฟในระบบปัญญาประดิษฐ์อย่างไร
The ซีรีส์ CSBA ถูกพัฒนาขึ้นโดยใช้วัสดุแกนแม่เหล็กจากผงโลหะผสมที่ CODACA พัฒนาขึ้นเอง โดยมีจุดมุ่งหมายเพื่อการใช้งานที่ต้องการพื้นที่บนแผงวงจรให้น้อยที่สุดและประสิทธิภาพที่ความถี่สูงสุด
The ซีรีส์ CSBA แกนผงโลหะผสมแบบเฉพาะของบริษัท ซึ่งมีการสูญเสียพลังงานในแกนต่ำมาก ลักษณะกระแสเซตตัวแบบนุ่มนวล (Soft-saturation) เพื่อให้ทำงานได้อย่างเสถียรภายใต้ภาระที่เปลี่ยนแปลงอย่างรวดเร็ว การสูญเสียพลังงานต่ำที่ความถี่สูง เหมาะสำหรับโซลูชันพลังงานที่ใช้ทรานซิสเตอร์ GaN ชุด CSBA จึงเหมาะอย่างยิ่งสำหรับตัวแปลงไฟฟ้าแบบ DC-DC และตัวควบคุมสวิตช์ที่ทำงานที่ความถี่สูงซึ่งพบได้ทั่วไปในขั้นตอน VRM ของเซิร์ฟเวอร์ AI รุ่นใหม่ รวมถึงการออกแบบระบบจ่ายพลังงานที่ใช้ GaN
5.2 ซีรีส์ CSHN แม่พิมพ์กำลังดูด สำหรับแอคเซเลอเรเตอร์ AI
The ซีรีส์ CSHN เป็นช็อกโค้กแบบโมลด์ดิ้งสำหรับรางจ่ายไฟแรงดันต่ำพิเศษและกระแสสูง ซึ่งวางอยู่ใกล้กับไดเอลของโปรเซสเซอร์ AI มากที่สุด ซีรีส์ CSHN ช่วงค่าอินดักแตนซ์อยู่ระหว่าง 56 ถึง 82 นาโนเฮนรี โดยมีค่า DCR ต่ำสุดประมาณ 0.19 มิลลิโอห์มในตัวอย่างชิ้นส่วนที่เป็นตัวแทน ด้วยค่าอินดักแตนซ์ที่ต่ำมาก ค่า DCR ที่ต่ำยิ่งกว่า และความสามารถในการรองรับกระแสไฟฟ้าสูงภายในพื้นที่ขนาดเล็กแบบโมลด์ดิ้ง ซีรีส์ CSHN จึงออกแบบมาเพื่อตอบโจทย์การย่อส่วนและการติดตั้งแบบหนาแน่นสูงของโมดูลจ่ายพลังงานสำหรับชิป AI โดยช่วงอุณหภูมิในการทำงานที่กว้างขึ้นยังสนับสนุนการใช้งานภายใต้ภาระความร้อนอย่างต่อเนื่องซึ่งพบได้ทั่วไปในฮาร์ดแวร์การประมวลผลอัจฉริยะ
5.3 การเลือกอินดักเตอร์ให้สอดคล้องกับการใช้งาน
สำหรับวิศวกรที่ออกแบบรางจ่ายพลังงานสำหรับเซิร์ฟเวอร์ AI ประเด็นสำคัญที่ควรนำไปปฏิบัติคือ การเลือกอินดักเตอร์ควรเริ่มต้นจากโปรไฟล์ทางไฟฟ้าและทางความร้อนของรางจ่ายพลังงานเฉพาะนั้น ๆ มากกว่าการค้นหาแบบทั่วไปว่าเป็น "อินดักเตอร์กระแสสูง"
◾ในตำแหน่งที่ติดตั้งบนแชสซีหรือแผงวงจรซึ่งมีพื้นที่จำกัดอย่างมาก แต่ยังคงต้องการกระแสไฟฟ้าและความถี่สูง อินดักเตอร์กระแสสูงแบบขนาดกะทัดรัด เช่น ตระกูล ซีรีส์ CSBA เป็นตัวเลือกที่มีศักยภาพสูง
◾สำหรับรางจ่ายไฟแรงดันต่ำพิเศษ ความเหนี่ยวนำต่ำ และกระแสสูง ที่จ่ายไฟโดยตรงให้กับชิปปัญญาประดิษฐ์ (AI) — โดยที่การลดขนาดพื้นผิวและการลดค่า DCR ถือเป็นสิ่งสำคัญที่สุด — ตัวเหนี่ยวนำแบบชิปขึ้นรูป (molded chip inductor) เช่น ซีรีส์ CSHN เหมาะสมกว่าต่อความต้องการนี้
◾สำหรับรางจ่ายไฟแกน GPU แบบหลายเฟสที่ต้องตอบสนองต่อการเปลี่ยนแปลงอย่างรวดเร็ว (fast-transient) ตัวเหนี่ยวนำที่ใช้เทคโนโลยี TLVR อาจให้ข้อได้เปรียบในระดับระบบด้านการตอบสนองต่อสภาวะเปลี่ยนผ่าน (transient response) และจำนวนตัวเก็บประจุขาออก (output capacitor count) ซึ่งตัวเหนี่ยวนำแบบขดลวดเดี่ยวทั่วไปไม่สามารถเทียบเคียงได้
ระบบจ่ายไฟให้เซิร์ฟเวอร์ AI ได้เปลี่ยนผ่านอย่างชัดเจนไปสู่การจ่ายไฟแรงดันสูงขึ้น การแปลงพลังงานแบบกระจายใกล้จุดใช้งาน (distributed point-of-load conversion) และความถี่การสลับงานที่สูงถึงหลายเมกะเฮิร์ตซ์ — ทั้งหมดนี้ดำเนินการภายใต้สภาวะการใช้งานอย่างต่อเนื่องและหนักหนา ชุดเงื่อนไขดังกล่าวจึงสร้างความต้องการพร้อมกันต่อตัวเหนี่ยวนำจ่ายไฟ ทั้งในด้านค่า DCR ต่ำ กระแสอิ่มตัวสูง การสูญเสียที่ความถี่สูงต่ำ ขนาดเล็กกะทัดรัด การป้องกันสัญญาณรบกวนแม่เหล็กไฟฟ้า (EMI shielding) ที่มีประสิทธิภาพสูง และความน่าเชื่อถือในระยะยาว
การเลือกตระกูลอินดักเตอร์ที่เหมาะสม และรุ่นที่เหมาะสมภายในตระกูลนั้น สำหรับแต่ละสายไฟพลังงาน ไม่ใช่เพียงการตัดสินใจตามรายการวัสดุ (BOM) แบบทั่วไปอีกต่อไป แต่เป็นปัจจัยสำคัญที่ช่วยยกระดับประสิทธิภาพการแปลงพลังงานในเซิร์ฟเวอร์ปัญญาประดิษฐ์ (AI) และความมั่นคงโดยรวมของระบบ ผลิตภัณฑ์ที่ออกแบบมาเฉพาะทาง เช่น ซีรีส์ CSBA และ CSHN ของ CODACA — รวมถึงเทคโนโลยีอินดักเตอร์แบบกระแสสูง แบบขึ้นรูป (molded) และแบบ TLVR ที่กว้างขึ้นซึ่งซีรีส์เหล่านี้เป็นตัวแทน — แสดงให้เห็นว่าผู้จัดจำหน่ายอุปกรณ์แม่เหล็กไฟฟ้าตอบสนองความต้องการนี้อย่างไร ขณะที่การประมวลผลด้วยปัญญาประดิษฐ์ยังคงขยายตัวต่อเนื่อง
สำหรับข้อมูลจำเพาะทางไฟฟ้าโดยละเอียด แผนผังขนาด และคำขอตัวอย่าง โปรดเข้าชม เว็บไซต์ทางการของ CODACA ：https://www.codaca.com.cn/.
EN