జావాలో కోడ్ రాయడానికి మీరు C++ ప్రోగ్రామర్ కానవసరం లేనట్లే, FPGAల కోసం ప్రోగ్రామ్ చేయడానికి మీరు చిప్ డిజైనర్ కానవసరం లేదు. అయితే, రెండు సందర్భాల్లో ఇది బహుశా ఉపయోగకరంగా ఉంటుంది.
జావా మరియు ఎఫ్‌పిజిఎ సాంకేతికతలను వాణిజ్యీకరించే లక్ష్యం రెండో దావాను తిరస్కరించడం. FPGAలకు శుభవార్త - ప్రోగ్రామబుల్ లాజిక్ పరికరం కనిపెట్టినప్పటి నుండి గత 35 సంవత్సరాలలో సరైన సంగ్రహణ లేయర్‌లు మరియు టూల్‌సెట్‌ను ఉపయోగించడం, CPUలు, DSPలు, GPUలు లేదా ఏదైనా ఇతర కస్టమ్ ASICలకు బదులుగా FPGAల కోసం అల్గారిథమ్‌లు మరియు డేటా ఫ్లోలను సృష్టించడం. మరింత సాధారణం. సులభం.
CPUలు అనేక పనులను నిర్వహించడానికి డేటా సెంటర్‌ల యొక్క ఏకైక కంప్యూటింగ్ మాడ్యూల్‌గా మిగిలిపోలేనప్పుడు - వివిధ కారణాల వల్ల - FPGAలు వాటి ప్రభావాన్ని సాధించాయి, వేగం, తక్కువ జాప్యం, నెట్‌వర్కింగ్ సామర్థ్యాలను అందిస్తాయి. మరియు మెమరీ - ఆధునిక FPGA SoCల యొక్క భిన్నమైన కంప్యూటింగ్ సామర్థ్యాలు, ఇవి దాదాపు పూర్తి స్థాయి కంప్యూటింగ్ సిస్టమ్‌లు. అయినప్పటికీ, FPGAలు హైబ్రిడ్ సిస్టమ్‌లలోని ఇతర పరికరాలతో కూడా విజయవంతంగా మిళితం చేయబడ్డాయి మరియు మా అభిప్రాయం ప్రకారం, అవి కంప్యూటింగ్ సోపానక్రమంలో తమ సరైన స్థానాన్ని కనుగొనడం ప్రారంభించాయి.
అందుకే మేము జనవరి 22న శాన్ జోస్‌లో తదుపరి FPGA ప్లాట్‌ఫారమ్ సమావేశాన్ని నిర్వహించాము. సహజంగానే, ప్రపంచంలోని ప్రధాన FPGA సరఫరాదారులలో ఒకరు మరియు ఈ ప్రాంతంలో ఒక మార్గదర్శకుడు Xilinx. Xilinx సీనియర్ వైస్ ప్రెసిడెంట్ మరియు చీఫ్ టెక్నాలజీ ఆఫీసర్ Ivo Bolsens, సమావేశంలో మాట్లాడారు మరియు డేటా సెంటర్‌ల కోసం మార్చగలిగే కంప్యూటింగ్ సిస్టమ్‌లను రూపొందించడంలో Xilinx ఎలా సహాయపడుతుందో ఈ రోజు మాకు అందించారు.
కంప్యూటింగ్, స్టోరేజ్ మరియు నెట్‌వర్కింగ్‌లో సమస్యలను పరిష్కరించే వివిధ రకాల కంప్యూటర్ పవర్‌లను కలిగి ఉండే ఒక భిన్నమైన డేటా సెంటర్‌తో ముందుకు రావడానికి సిస్టమ్ ఆర్కిటెక్ట్‌లు మరియు ప్రోగ్రామర్‌లకు చాలా సమయం పట్టింది. వివిధ CMOS పరికరాలను ఉపయోగించి మూర్ యొక్క చట్టాన్ని అనుసరించడం చాలా కష్టంగా మారుతున్నందున ఇది అవసరమని అనిపిస్తుంది. ప్రస్తుతానికి, మా భాష ఇప్పటికీ CPU-కేంద్రంగా ఉంది మరియు మేము ఇప్పటికీ “అప్లికేషన్ యాక్సిలరేషన్” గురించి మాట్లాడుతాము, అంటే CPUలలో మాత్రమే చేయగలిగిన దానికంటే ప్రోగ్రామ్‌లను మెరుగ్గా అమలు చేయడం. కాలక్రమేణా, డేటా సెంటర్లు కంప్యూటింగ్ పవర్, డేటా స్టోరేజ్ మరియు ప్రోటోకాల్‌ల సేకరణలుగా మారతాయి, ఇవి అన్నింటినీ కలిపి ఉంచుతాయి మరియు మేము "కంప్యూటింగ్" మరియు "అప్లికేషన్స్" వంటి నిబంధనలకు తిరిగి వస్తాము. హైబ్రిడ్ కంప్యూటింగ్ అనేది డెస్క్‌టాప్ లేదా వర్చువల్ మెషీన్‌లలో నడుస్తున్న నేటి క్లౌడ్ సేవల వలె సాధారణం అవుతుంది మరియు అవి ఎలా పని చేస్తాయో వివరించడానికి మేము "కంప్యూటింగ్" అనే పదాన్ని ఉపయోగిస్తాము. ఏదో ఒక సమయంలో - మరియు ఈ యుగంలో FPGAలు సహాయపడే అవకాశం ఉంది - మేము దానిని డేటా ప్రాసెసింగ్ అని మళ్లీ పిలుస్తాము.
డేటా సెంటర్లలో ఎఫ్‌పిజిఎలను అడాప్ట్ చేయడానికి ఆలోచనా విధానంలో మార్పు అవసరం. "నేటి అప్లికేషన్‌లను వేగవంతం చేసే మార్గాల గురించి ఆలోచిస్తున్నప్పుడు, అవి ఎలా రన్ అవుతున్నాయి, ఏ వనరులు ఉపయోగించబడుతున్నాయి, ఎక్కడ సమయం వెచ్చిస్తారు అనే ప్రాథమిక అంశాలకు మీరు దిగిరావాలి" అని బోల్సెన్స్ వివరించాడు. - మీరు పరిష్కరించడానికి ప్రయత్నిస్తున్న సాధారణ సమస్యను అధ్యయనం చేయాలి. డేటా సెంటర్లలో నడుస్తున్న అనేక అప్లికేషన్లు నేడు పెద్ద మొత్తంలో వనరులను వినియోగించుకోవడానికి స్కేల్ చేస్తున్నాయి. యంత్ర అభ్యాసాన్ని తీసుకోండి, ఉదాహరణకు, ఇది భారీ సంఖ్యలో కంప్యూటింగ్ నోడ్‌లను ఉపయోగిస్తుంది. కానీ మేము త్వరణం గురించి మాట్లాడేటప్పుడు, కంప్యూటింగ్‌ను వేగవంతం చేయడం గురించి మాత్రమే కాకుండా, మౌలిక సదుపాయాలను వేగవంతం చేయడం గురించి కూడా మనం ఆలోచించాలి.
ఉదాహరణకు, బోల్సెన్స్ ఆచరణలో అధ్యయనం చేసిన మెషిన్ లెర్నింగ్ ఆపరేషన్‌లలో, దాదాపు 50% సమయం చెదరగొట్టబడిన కంప్యూటింగ్ పవర్ మధ్య డేటాను ముందుకు వెనుకకు బదిలీ చేయడానికి వెచ్చిస్తారు మరియు మిగిలిన సగం సమయం మాత్రమే గణనలకే వెచ్చిస్తారు.
"ఇక్కడే FPGA సహాయపడగలదని నేను భావిస్తున్నాను, ఎందుకంటే అప్లికేషన్ యొక్క గణన మరియు కమ్యూనికేషన్ అంశాలు రెండూ ఆప్టిమైజ్ చేయబడిందని మేము నిర్ధారించగలము. మరియు మేము దీన్ని మొత్తం మౌలిక సదుపాయాల స్థాయిలో మరియు చిప్ స్థాయిలో చేయవచ్చు. ఇది FPGAల యొక్క గొప్ప ప్రయోజనాల్లో ఒకటి, నిర్దిష్ట అప్లికేషన్ అవసరాల కోసం కమ్యూనికేషన్ నెట్‌వర్క్‌లను సృష్టించడానికి మిమ్మల్ని అనుమతిస్తుంది. AI వర్క్‌లోడ్‌లలో డేటా కదలిక యొక్క సాధారణ నమూనాల ఆధారంగా, సంక్లిష్టమైన స్విచ్-ఆధారిత ఆర్కిటెక్చర్ అవసరం నాకు కనిపించడం లేదు. మీరు పెద్ద డేటా ఫ్లోతో నెట్‌వర్క్‌ని నిర్మించవచ్చు. న్యూరల్ నెట్‌వర్క్ శిక్షణా పనులకు కూడా ఇది వర్తిస్తుంది - మీరు నిర్దిష్ట పనికి అనుగుణంగా ప్యాకెట్ పరిమాణాలతో మెష్ నెట్‌వర్క్‌ను నిర్మించవచ్చు. FPGAని ఉపయోగించి, డేటా బదిలీ ప్రోటోకాల్‌లు మరియు సర్క్యూట్ టోపోలాజీలు చాలా ఖచ్చితంగా స్కేల్ చేయబడతాయి మరియు నిర్దిష్ట అప్లికేషన్‌కు అనుగుణంగా ఉంటాయి. మరియు మెషిన్ లెర్నింగ్ విషయంలో, మనకు డబుల్-ప్రెసిషన్ ఫ్లోటింగ్ పాయింట్ నంబర్‌లు అవసరం లేదని కూడా స్పష్టంగా తెలుస్తుంది మరియు మేము దానిని కూడా సర్దుబాటు చేయవచ్చు.
FPGA మరియు CPU లేదా కస్టమ్ ASIC మధ్య వ్యత్యాసం ఏమిటంటే, రెండోది ఫ్యాక్టరీలో ప్రోగ్రామ్ చేయబడి ఉంటుంది మరియు ఆ తర్వాత మీరు లెక్కించబడుతున్న డేటా రకాలు లేదా గణించబడుతున్న మూలకాల గురించి లేదా డేటా స్వభావం గురించి మీ మనసు మార్చుకోలేరు. పరికరం ద్వారా ప్రవహిస్తుంది. FPGAలు ఆపరేటింగ్ పరిస్థితులు మారితే మీ మనసు మార్చుకోవడానికి మిమ్మల్ని అనుమతిస్తాయి.
గతంలో, ఈ ప్రయోజనం FPGA ప్రోగ్రామింగ్ గుండె యొక్క మూర్ఛ కోసం కానప్పుడు ఖర్చుతో వచ్చింది. C, C++, లేదా Pythonలో CPU-సమాంతర అప్లికేషన్‌లను వ్రాయడానికి ప్రోగ్రామర్లు ఉపయోగించే టూల్స్‌తో మెరుగ్గా ఏకీకృతం కావడానికి FPGA కంపైలర్‌లను తెరవడం మరియు FPGAలపై ప్రక్రియలను వేగవంతం చేసే లైబ్రరీలకు కొంత పనిని అవుట్‌సోర్స్ చేయడం అవసరం. విటిస్ మెషిన్ లెర్నింగ్ స్టాక్ చేసేది, Caffe మరియు TensorFlow వంటి ML ప్లాట్‌ఫారమ్‌లను శక్తివంతం చేస్తుంది, సంప్రదాయ AI మోడల్‌లను అమలు చేయడానికి లేదా వీడియో ట్రాన్స్‌కోడింగ్, వీడియో ఆబ్జెక్ట్ రికగ్నిషన్ మరియు డేటా అనలిటిక్స్ వంటి పనులకు FPGA సామర్థ్యాలను జోడించడం కోసం లైబ్రరీలను అందిస్తుంది. , ఫైనాన్షియల్ రిస్క్ మేనేజ్‌మెంట్ మరియు ఏదైనా మూడవది -పార్టీ లైబ్రరీలు.
ఈ భావన దశాబ్దం క్రితం ప్రారంభించబడిన Nvidia యొక్క CUDA ప్రాజెక్ట్‌కి భిన్నంగా లేదు, ఇది GPU యాక్సిలరేటర్‌లకు లేదా AMD యొక్క ROCm టూల్‌కిట్ నుండి లేదా విభిన్న CPUలు, GPUలు మరియు FPGAలలో అమలు చేయబడే Intel యొక్క OneAPI ప్రాజెక్ట్ యొక్క వాగ్దానం నుండి సమాంతర కంప్యూటింగ్‌ను ఆఫ్‌లోడ్ చేస్తుంది.
ఏ వ్యక్తి అయినా వారి అభీష్టానుసారం కంప్యూటింగ్ పవర్‌ల సమితిని ప్రోగ్రామ్ చేయడానికి ఈ సాధనాలన్నీ ఎలా అనుసంధానించబడతాయి అనేది ఏకైక ప్రశ్న. ఇది ముఖ్యమైనది ఎందుకంటే FPGAలు అందుబాటులో ఉన్న CPUల కంటే చాలా క్లిష్టంగా మారాయి. అవి అత్యంత అధునాతన తయారీ ప్రక్రియలు మరియు అత్యంత ఆధునిక చిప్ ప్యాకేజింగ్ టెక్నాలజీలను ఉపయోగించి తయారు చేయబడ్డాయి. మరియు వారు తమ సముచిత స్థానాన్ని కనుగొంటారు, ఎందుకంటే మనం ఇకపై సమయం, డబ్బు, శక్తి మరియు తెలివితేటలను వృధా చేయలేము - ఇవన్నీ చాలా ఖరీదైన వనరులు.
"FPGAలు సాంకేతిక ప్రయోజనాలను అందిస్తాయి" అని బోల్సెన్స్ చెప్పారు. - మరియు ఇది అనుకూలత మరియు పునర్నిర్మాణం గురించి సాధారణ ప్రకటన మాత్రమే కాదు. అన్ని ముఖ్యమైన అప్లికేషన్‌లలో - మెషిన్ లెర్నింగ్, గ్రాఫ్ అనాలిసిస్, హై-స్పీడ్ ట్రేడింగ్ మొదలైనవి. - వారు డేటా పంపిణీ మార్గం మాత్రమే కాకుండా, మెమరీ ఆర్కిటెక్చర్ - చిప్‌లో డేటా ఎలా కదులుతుంది అనే నిర్దిష్ట పనికి అనుగుణంగా ఉండే సామర్థ్యాన్ని కలిగి ఉంటారు. FPGAలు ఇతర పరికరాల కంటే చాలా ఎక్కువ మెమరీని కలిగి ఉంటాయి. ఒక పని ఒక FPGAకి సరిపోకపోతే, బహుళ CPUలు లేదా GPUలలో టాస్క్‌లను స్కేలింగ్ చేసేటప్పుడు మీకు ఎదురుచూసే ప్రతికూలతలను ఎదుర్కోకుండా మీరు దానిని బహుళ చిప్‌లలో స్కేల్ చేయవచ్చు అని కూడా పరిగణనలోకి తీసుకోవాలి.
మూలం: www.habr.com