ဒေတာစင်တာများထဲသို့ FPGA ထိုးဖောက်ဝင်ရောက်မှု၏မလွှဲမရှောင်သာ

သင်သည် FPGAs အတွက် ပရိုဂရမ်အတွက် ချစ်ပ်ဒီဇိုင်နာဖြစ်ရန် မလိုအပ်ပါ၊ Java တွင် ကုဒ်ရေးရန် C++ ပရိုဂရမ်မာတစ်ဦးဖြစ်ရန် မလိုအပ်ပါ။ သို့သော် ဖြစ်ရပ်နှစ်ခုစလုံးတွင် ၎င်းသည် အသုံးဝင်နိုင်မည်ဖြစ်သည်။

Java နှင့် FPGA နည်းပညာများကို စီးပွားဖြစ်ပြုလုပ်ခြင်း၏ ရည်ရွယ်ချက်မှာ ယင်းပြောဆိုချက်ကို ငြင်းဆိုရန်ဖြစ်သည်။ FPGAs အတွက် သတင်းကောင်း - ပြီးခဲ့သော 35 နှစ်အတွင်း ပရိုဂရမ်မီနိုင်သော ယုတ္တိဗေဒကိရိယာကို တီထွင်ပြီးနောက် CPUs, DSPs, GPUs သို့မဟုတ် အခြားစိတ်ကြိုက် ASICs များအစား FPGAs အတွက် algorithms နှင့် data flows များကို ဖန်တီးပေးသည့် မှန်ကန်သော abstraction အလွှာများနှင့် toolset ကို အသုံးပြု၍ ဖြစ်လာသည် ပိုများလာတယ်။ ပိုလွယ်တယ်။

CPU များသည် တစ်ခုတည်းသော ကွန်ပျူတာ မော်ဂျူးအဖြစ် မရပ်တည်နိုင်တော့သည့်အချိန်တွင် ၎င်းတို့ကို ဖန်တီးမှု၏ အံ့သြဖွယ်ကောင်းသော အချိန်ကိုက်မှုကို ထင်ရှားစွာ မြင်တွေ့ရသည်။ ဒေတာစင်တာများ ကွဲပြားသော လုပ်ငန်းတာဝန်များအတွက်—ကွဲပြားသော အကြောင်းပြချက်များကြောင့်—FPGA များသည် မြင့်မားသောစွမ်းဆောင်ရည်၊ နှောင့်နှေးမှုနည်းပါးခြင်း၊ ကွန်ရက်ချိတ်ဆက်မှုနှင့် မှတ်ဉာဏ်—တို့ကို ပေးဆောင်ခြင်းဖြင့် ၎င်းတို့၏ထိရောက်မှုကို ရရှိခဲ့ပြီး—၎င်းတို့သည် လက်တွေ့တွင် ပြီးပြည့်စုံသော ကွန်ပျူတာစနစ်များဖြစ်သည်။ သို့သော်၊ FPGA များသည် hybrid စနစ်များရှိ အခြားစက်ပစ္စည်းများနှင့်လည်း အောင်မြင်စွာပေါင်းစပ်နိုင်ပြီး၊ ကျွန်ုပ်တို့၏အမြင်တွင်၊ ကွန်ပျူတာအဆင့်ဆင့်တွင် ၎င်းတို့၏မှန်ကန်သောနေရာကို ရှာဖွေတွေ့ရှိရန် စတင်လုပ်ဆောင်နေဆဲဖြစ်သည်။

ထို့ကြောင့် ကျွန်ုပ်တို့သည် ဇန်နဝါရီလ 22 ရက်နေ့တွင် San Jose တွင် The Next FPGA Platform ညီလာခံကို ကျင်းပခဲ့ပါသည်။ ပုံမှန်အားဖြင့်၊ ကမ္ဘာပေါ်ရှိ အဓိက FPGA ပေးသွင်းသူများနှင့် ဤဧရိယာတွင် ရှေ့ဆောင်တစ်ဦးမှာ Xilinx ဖြစ်သည်။ Xilinx မှအကြီးတန်းဒုတိယဥက္ကဋ္ဌနှင့်နည်းပညာအရာရှိချုပ် Ivo Bolsens သည်ညီလာခံတွင်ပြောကြားပြီးဒေတာစင်တာများအတွက် Xilinx သည်ပြောင်းလဲနိုင်သောကွန်ပျူတာစနစ်များဖန်တီးရန်မည်ကဲ့သို့ကူညီနေသည်နှင့် ပတ်သက်၍ ယနေ့ကျွန်ုပ်တို့အားကျွန်ုပ်တို့အား၎င်း၏အကြံဥာဏ်များကိုပေးခဲ့သည်။

စနစ်ဗိသုကာပညာရှင်များနှင့် ပရိုဂရမ်မာများသည် မတူညီသော ကွန်ပျူတာစွမ်းအားအမျိုးအစားများ၊ ကွန်ပျူတာ၊ သိုလှောင်မှုနှင့် ကွန်ရက်ချိတ်ဆက်မှုလုပ်ငန်းများကို ကိုင်တွယ်ခြင်းတို့ ထားရှိမည့် ကွဲပြားသည့်ဒေတာစင်တာတစ်ခုသို့ ရောက်ရှိရန် အချိန်အတော်ကြာခဲ့သည်။ CMOS ချစ်ပ်အမျိုးမျိုးဖြင့် Moore's Law ကို လိုက်နာခြင်းသည် ပိုမိုခက်ခဲလာသောကြောင့် ၎င်းသည် လိုအပ်ပုံရသည်။ ယခုအချိန်အတွက်၊ ကျွန်ုပ်တို့၏ဘာသာစကားသည် CPU-centric ဖြစ်သော်လည်း "application acceleration" အကြောင်း ကျွန်ုပ်တို့ ပြောဆိုနေကြဆဲဖြစ်ပြီး၊ ဆိုလိုသည်မှာ ပရိုဂရမ်များသည် CPU တစ်ခုတည်းတွင် လုပ်ဆောင်နိုင်သည်ထက် ပိုမိုကောင်းမွန်စွာ လည်ပတ်နိုင်သည်။ နောက်ဆုံးတွင်၊ ဒေတာစင်တာများသည် ကွန်ပျူတာစွမ်းအား၊ သိုလှောင်မှုနှင့် အရာအားလုံးကို ပေါင်းစပ်ပေးသည့် protocol များ၏ စုစည်းမှုများ ဖြစ်လာမည်ဖြစ်ပြီး "compute" နှင့် "applications" ကဲ့သို့သော အသုံးအနှုန်းများသို့ ကျွန်ုပ်တို့ ပြန်သွားပါမည်။ Hybrid computing သည် ယနေ့ခေတ် cloud ဝန်ဆောင်မှုများကဲ့သို့ ပုံမှန်ဖြစ်လာမည်ဖြစ်ပြီး၊ ၎င်းတို့သည် ရိုးရာ သို့မဟုတ် virtual စက်များတစ်ချိန်ချိန်မှာ သူတို့ရဲ့အလုပ်ကို ဖော်ပြဖို့ "computing" ဆိုတဲ့ စကားလုံးကို ရိုးရိုးရှင်းရှင်းပဲ သုံးသွားမှာပါ။ တစ်ချိန်ချိန်မှာ—ပြီးတော့ FPGA တွေဟာ ဒီခေတ်ကို စတင်ရာမှာ အရေးပါလာဖို့များပါတယ်—ကျွန်တော်တို့က ဒါကို data processing လို့ ပြန်ခေါ်ပါမယ်။

ဒေတာစင်တာများတွင် FPGAs ကိုအသုံးပြုခြင်းသည် စိတ်သဘောထားပြောင်းလဲမှုတစ်ခု လိုအပ်မည်ဖြစ်သည်။ "ယနေ့အပလီကေးရှင်းများကို အရှိန်မြှင့်ရန် နည်းလမ်းများကို စဉ်းစားသောအခါ၊ ၎င်းတို့လည်ပတ်ပုံ၊ မည်သည့်အရင်းအမြစ်များကို အသုံးပြုသည်၊ အချိန်ကုန်သည်တို့ကို အခြေခံများဆီသို့ သင်ဆင်းရပါမည်" ဟု Bolsens က ရှင်းပြသည်။ - သင်ဖြေရှင်းရန်ကြိုးစားနေသော ယေဘူယျပြဿနာကို လေ့လာရန် လိုအပ်သည်။ ယနေ့ခေတ် ဒေတာစင်တာများတွင် လည်ပတ်နေသော အပလီကေးရှင်းများစွာသည် ရင်းမြစ်အမြောက်အမြားကို စားသုံးရန်အတွက် အတိုင်းအတာတစ်ခုအထိ ကျယ်ပြန့်လာပါသည်။ ဥပမာအားဖြင့်၊ ကွန်ပြူတာခုံနံပါတ်များစွာကို အသုံးပြုသည့် machine learning ကိုယူပါ။ ဒါပေမယ့် အရှိန်မြှင့်ခြင်းအကြောင်း ပြောတဲ့အခါ၊ ကွန်ပြူတာ အရှိန်မြှင့်ဖို့သာမက အခြေခံအဆောက်အဦ အရှိန်မြှင့်ဖို့ကိုလည်း စဉ်းစားဖို့ လိုပါတယ်။”

ဥပမာအားဖြင့်၊ Bolsens သည် လက်တွေ့လေ့လာခဲ့သည့် machine learning လည်ပတ်မှုမျိုးတွင်၊ အချိန်၏ 50% ခန့်သည် dispersed computing power များကြားတွင် data များအပြန်အလှန်လွှဲပြောင်းသုံးစွဲကြပြီး ကျန်အချိန်တစ်ဝက်ကို ၎င်းတို့ကိုယ်တိုင် တွက်ချက်မှုတွင် အသုံးပြုပါသည်။

"ဒီနေရာမှာ FPGA က ကူညီနိုင်မယ်လို့ ကျွန်တော်ထင်ပါတယ်၊ ဘာဖြစ်လို့လဲဆိုတော့ အက်ပလီကေးရှင်းရဲ့ တွက်ချက်မှုဆိုင်ရာနဲ့ ဆက်သွယ်ရေးကဏ္ဍတွေကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်နိုင်တာကြောင့်ပါ။ ပြီးတော့ အလုံးစုံ အခြေခံအဆောက်အဦအဆင့်နဲ့ ချစ်ပ်အဆင့်မှာ ဒါကို ကျွန်တော်တို့ လုပ်နိုင်ပါတယ်။ ၎င်းသည် FPGAs ၏ ကြီးမားသော အားသာချက်များထဲမှ တစ်ခုဖြစ်ပြီး သင်သည် သီးခြား application လိုအပ်ချက်များအတွက် ဆက်သွယ်ရေးကွန်ရက်များကို ဖန်တီးနိုင်စေပါသည်။ AI workloads များရှိ ဒေတာလှုပ်ရှားမှုများ၏ ပုံမှန်ပုံစံများပေါ်တွင် အခြေခံ၍ ရှုပ်ထွေးသော switch-based architecture အတွက် လိုအပ်သည်ကို ကျွန်ုပ်မမြင်ပါ။ ကြီးမားသောဒေတာစီးဆင်းမှုဖြင့် ကွန်ရက်တစ်ခုကို တည်ဆောက်နိုင်သည်။ အာရုံကြောကွန်ရက် လေ့ကျင့်ရေး လုပ်ငန်းများနှင့် တူညီသည် - သင်သည် သီးခြားလုပ်ငန်းတစ်ခုနှင့် လိုက်လျောညီထွေဖြစ်စေမည့် ပက်ကတ်အရွယ်အစားများဖြင့် ကွန်ရက်တစ်ခုကို တည်ဆောက်နိုင်သည်။ FPGA ကိုအသုံးပြုခြင်းဖြင့် ဒေတာလွှဲပြောင်းခြင်းဆိုင်ရာ ပရိုတိုကောများနှင့် ဆားကစ် topologies များကို အလွန်တိကျစွာ အတိုင်းအတာနှင့် တိကျသောအက်ပ်တစ်ခုအတွက် အံဝင်ခွင်ကျဖြစ်စေနိုင်သည်။ စက်သင်ယူမှုကိစ္စတွင်၊ ကျွန်ုပ်တို့သည် တိကျမှုနှစ်ဆရှိသော floating point နံပါတ်များမလိုအပ်ကြောင်းကိုလည်း ရှင်းရှင်းလင်းလင်းသိရပြီး ၎င်းကိုလည်း ချိန်ညှိနိုင်သည်။

FPGA နှင့် CPU သို့မဟုတ် စိတ်ကြိုက် ASIC အကြား ခြားနားချက်မှာ ၎င်းတို့သည် စက်ရုံတွင် ပရိုဂရမ်ပြုလုပ်ထားခြင်းကြောင့်ဖြစ်ပြီး၊ ထို့နောက်တွင် တွက်ချက်နေသည့် ဒေတာအမျိုးအစားများ သို့မဟုတ် တွက်ချက်နေသည့် ဒြပ်စင်များ သို့မဟုတ် ဒေတာ၏ သဘောသဘာဝနှင့် ပတ်သက်၍ သင်စိတ်ပြောင်းနိုင်တော့မည် မဟုတ်ပါ။ ကိရိယာမှတဆင့်စီးဆင်း။ FPGA များသည် သင့်အား လည်ပတ်မှုအခြေအနေများ ပြောင်းလဲပါက သင့်စိတ်ကို ပြောင်းလဲစေနိုင်သည်။

အတိတ်ကာလတွင် FPGA ပရိုဂရမ်သည် စိတ်မပျက်သူများအတွက် မဟုတ်ဘဲ၊ C, C++, သို့မဟုတ် Python တွင် CPU-parallel applications များရေးသားရန် ပရိုဂရမ်မာများအသုံးပြုသည့် tools များနှင့် ပိုမိုကောင်းမွန်စွာပေါင်းစည်းရန် FPGA compilers များကိုဖွင့်ရန်နှင့် FPGAs တွင်လုပ်ထုံးလုပ်နည်းများကိုအရှိန်မြှင့်ပေးသည့်စာကြည့်တိုက်များသို့အလုပ်အချို့ကို outsource လုပ်ရန်ဖြစ်သည်။ သမားရိုးကျ AI မော်ဒယ်လ်များကို လုပ်ဆောင်ရန် သို့မဟုတ် FPGA စွမ်းရည်များ ပေါင်းထည့်ခြင်းအတွက် စာကြည့်တိုက်များပါရှိသော Caffe နှင့် TensorFlow ကဲ့သို့ ML ပလပ်ဖောင်းများကို စွမ်းအားမြှင့်ပေးသည့် Vitis machine learning stack သည် ဗီဒီယိုကူးပြောင်းခြင်း၊ ဗီဒီယိုအရာဝတ္ထုမှတ်မိခြင်း နှင့် ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းကဲ့သို့သော လုပ်ငန်းဆောင်တာများဖြစ်သည်။၊ ဘဏ္ဍာရေးအန္တရာယ်စီမံခန့်ခွဲမှုနှင့် တတိယအကြိမ်မြောက် - ပါတီစာကြည့်တိုက်များ။

ဤအယူအဆသည် လွန်ခဲ့သည့်ဆယ်စုနှစ်တစ်ခုက စတင်ခဲ့သော Nvidia ၏ CUDA ပရောဂျက်နှင့် များစွာကွာခြားမှုမရှိပါ၊ ၎င်းသည် GPU accelerators သို့မဟုတ် AMD ၏ ROCm ကိရိယာတန်ဆာပလာများမှ သို့မဟုတ် မတူညီသော CPUs, GPUs နှင့် FPGA များပေါ်တွင်လည်ပတ်သင့်သော Intel ၏ OneAPI ပရောဂျက်မှ ကတိကဝတ်များနှင့် မတူပါ။

တစ်ခုတည်းသောမေးခွန်းမှာ ဤကိရိယာများအားလုံးကို မည်သူတစ်ဦးတစ်ယောက်မှ ၎င်းတို့၏ဆုံးဖြတ်ချက်အတိုင်း ကွန်ပြူတာစွမ်းအားအစုံအလင်ကို ပရိုဂရမ်ပြုလုပ်နိုင်စေရန် ဤကိရိယာအားလုံးကို မည်ကဲ့သို့ချိတ်ဆက်မည်နည်း။ FPGA များသည် ရရှိနိုင်သော CPU များထက် များစွာပိုမိုရှုပ်ထွေးလာသောကြောင့် ၎င်းသည် အရေးကြီးပါသည်။ ၎င်းတို့ကို ခေတ်အမီဆုံး ထုတ်လုပ်မှု လုပ်ငန်းစဉ်များနှင့် ခေတ်အမီဆုံး ချစ်ပ်ထုပ်ပိုးမှု နည်းပညာများဖြင့် ထုတ်လုပ်ထားသည်။ ကျွန်ုပ်တို့သည် အချိန်၊ ငွေ၊ စွမ်းအင်နှင့် ဉာဏ်ရည်ကို မဖြုန်းနိုင်တော့သောကြောင့် ၎င်းတို့သည် ၎င်းတို့၏ နယ်ပယ်ကို ရှာဖွေကြလိမ့်မည် - ၎င်းတို့အားလုံးသည် အလွန်စျေးကြီးသော အရင်းအမြစ်များဖြစ်သည်။

"FPGAs များသည် နည်းပညာဆိုင်ရာ အားသာချက်များကို ပေးဆောင်သည်" ဟု Bolsens ကဆိုသည်။ - ဤသည်မှာ လိုက်လျောညီထွေရှိမှုနှင့် ပြန်လည်ပြင်ဆင်နိုင်မှုဆိုင်ရာ ပုံမှန်ကြော်ငြာမျှသာမဟုတ်ပါ။ အရေးကြီးသော အပလီကေးရှင်းများအားလုံးတွင် - စက်သင်ယူမှု၊ ဂရပ်ဖစ်ခွဲခြမ်းစိတ်ဖြာမှု၊ မြန်နှုန်းမြင့် ကုန်သွယ်မှုစသည် - ၎င်းတို့သည် ဒေတာဖြန့်ဝေမှုလမ်းကြောင်းသာမက မှတ်ဉာဏ်ဗိသုကာဆိုင်ရာ သီးခြားလုပ်ငန်းတာဝန်တစ်ခုသို့ လိုက်လျောညီထွေဖြစ်အောင် လုပ်ဆောင်နိုင်စွမ်းရှိသည်။ FPGA များသည် အခြားစက်ပစ္စည်းများထက် ၎င်းတို့တွင်ထည့်သွင်းထားသော memory အများအပြားရှိသည်။ အလုပ်တစ်ခုသည် FPGA တစ်ခုနှင့် မကိုက်ညီပါက၊ CPU အများအပြား သို့မဟုတ် GPUs အများအပြားတွင် လုပ်ဆောင်စရာများကို ချဲ့ထွင်သောအခါတွင် သင့်စောင့်ဆိုင်းနေသော အားနည်းချက်များကို မတွေ့ကြုံဘဲ ချစ်ပ်အများအပြားတွင် အတိုင်းအတာတစ်ခုအထိ တိုင်းတာနိုင်သည်ကိုလည်း ထည့်သွင်းစဉ်းစားသင့်သည်။

source: www.habr.com