FOF明星PV王出任君联资本新任:“专业LP的需求正在改变”
06-18
国际能源署(IEA)的数据显示,数据中心每年的用电量约占全球总用电量的2%,约为太瓦时。
如今,加密货币和人工智能/机器学习 (AI/ML) 等能源密集型应用正在兴起,这些技术通常需要部署大量高性能图形处理单元 (GPU)。
因此,数据中心功耗将持续上升。
人工智能应用扩展的速度令人震惊。
ChatGPT上线仅5天,用户数就达到1万,2个月内突破1亿。
这一增速远远超过 TikTok 和 Instagram。
GPT-4 训练包含超过 1.7 万亿个参数和 13 万亿个令牌,总共使用 25,000 个 NVIDIA AGPU,每台服务器消耗约 6.5 kW。
据 OpenAI 称,GPT-4 的训练需要数天时间,消耗约 50 GWh 的能源,成本达 1 亿美元。
在当前环境下很难准确估计未来的功耗,其中部署用于支持人工智能的GPU消耗了大部分功耗。
国际能源署保守预测,到2020年,数据中心能耗将至少达到TWh,甚至可能超过1TWh。
人工智能数据中心的架构演进 早期的数据中心将电网电压集中转换为12V,然后通过总线将电力传输到服务器,然后通过逻辑电平转换器将电压转换为3.3/5V。
然而,电力需求不断增加,这种供电方式的电力损耗变得不可接受。
因此,母线电压提高到48V,电流降低到原来的1/4,损耗降低到原来的1/16。
当前的处理器电压已进一步降低,从 3.3V 降至 1V 以下的亚伏水平。
这时就需要使用多个功率相对较大的电压轨。
这又产生了两级电压转换方案。
该解决方案使用DC-DC转换器作为中间母线转换器(IBC),首先将48V电压转换为12V本地母线电压,然后将其转换为所需的低电压。
图1:典型服务器电源架构——中间总线 人工智能数据中心需要高效节能的电源转换 功耗带来双重挑战,不仅造成能源浪费和运营成本增加,还会产生大量的热量,进而占用更多的空间并消耗更多的成本。
运营超大规模人工智能数据中心时,机架功率要求为千瓦。
将电网电力转换为 GPU 使用的电压的能效约为 88%,这意味着会产生约 15 kW 的废热,需要通过液冷进行高效冷却。
在服务器电源设计中,能效和功率密度是两个重要的概念,并且它们是相辅相成的。
我们必须尽可能高效地将电网的能量转化为有用的电力并减少损失。
为此,电源拓扑不断发展,业界不断开发同步整流等技术,并在整流器中使用 MOSFET 来取代有损耗的二极管。
改进拓扑只是成功的一半。

为了优化能源效率,还需要使所有组件尽可能高效,尤其是对转换过程至关重要的 MOSFET。
MOSFET不是无损耗器件,在导通和开关过程中也会产生损耗。
随着服务器电源工作频率不断提高、尺寸不断缩小,开关损耗成为优化的重点。
高效PowerTrench? MOSFET ON Semi的中低压T10 PowerTrench? MOSFET采用新型屏蔽栅沟槽技术,降低了开关损耗和传导损耗,从而显着降低了其Qg,RDS(ON)也降至1mOhm以下。
先进的软恢复体二极管可缓解振铃、过冲和噪声问题,同时降低 Qrr 损耗,为快速开关应用找到性能和恢复时间之间的平衡。
与早期器件相比,这些新型 MOSFET 可将开关损耗降低高达 50%,将传导损耗降低 30% 以上。
图2:PowerTrench的优势? T10 MOSFET ON Semiconductor 的新型 40V 和 80V T10 PowerTrench 器件具有出色的 RDS(on) 性能。
NTMFWS1D5N08X(80 V、1.43 mΩ、5 mm x 6 mm SO8-FL 封装)和 NTTFSSCH1D3N04XL(40 V、1.3 mΩ、3.3?? mm x 3.3 mm 源极向下双热封装)具有出色的品质因数 (FOM),并且非常适合人工智能数据中心电源装置 (PSU) 和中间总线转换器应用。
T10 PowerTrenchMOSFET 符合超过 97.5% 的严格 Open Rack V3 能效标准。
版权声明:本文内容由互联网用户自发贡献,本站不拥有所有权,不承担相关法律责任。如果发现本站有涉嫌抄袭的内容,欢迎发送邮件 举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。
标签:
相关文章
06-17
06-06
06-06
最新文章
PCBA质检员的日常工作内容
美国法院裁定VoIP不属于电信服务,需征税
雷达嵌入式工控主板如何使用?工控主板故障分析
摩托罗拉在西班牙促销Z8手机
中宇买下了一台三星机型,品牌和规模是合作的主要原因
舰载军用加固计算机热设计
谷歌开始对仍由HTC生产的谷歌手机进行内部测试
英国EE分享LTE发展经验教训,面临终端-语音-回传三大挑战