Innoscience กำลังขับเคลื่อนเทคโนโลยีการแปลงพลังงานแบบ All-GaN แบบครบวงจรภายในระบบนิเวศ NVIDIA MGX เพื่อสนับสนุนระบบ AI ความหนาแน่นสูงรุ่นถัดไป ดีไซน์ 12kW แบบแปลงจาก 800V เป็น 48V สามารถบรรลุประสิทธิภาพสูงสุดประมาณ 99% และประสิทธิภาพที่โหลดเต็ม 98.2% โดยอุปกรณ์ GaN 150V ช่วยลดอุปกรณ์ซิงโครนัสเร็วลง 50% โซลูชันนี้ครอบคลุมช่วงแรงดันแบตเตอรี่กลางทั้งหมดตั้งแต่ 800V ถึง 48V, 12V และ 6V ส่วน GaN HEMT 15V รองรับการทำงานความถี่สูง 3 ถึง 5 MHz เพื่อลดขนาดขององค์ประกอบแม่เหล็กและตัวเก็บประจุ ในบริบทที่ภาระงาน AI กำลังขยายตัวไปสู่ระดับแร็กและศูนย์ข้อมูลทั้งหมด เทคโนโลยีเซมิคอนดักเตอร์ด้านพลังงานที่มีประสิทธิภาพสูงขึ้นกำลังทำลายขีดจำกัดความหนาแน่นกำลังไฟของแร็ก และผลักดันให้ต้นทุนการดำเนินงานของโครงสร้างพื้นฐานประสิทธิภาพสูงลดลงอย่างมีนัยสำคัญ

ผู้เขียนบทความ、ที่มา: Wall Street Journal

เมื่อภาระงานปัญญาประดิษฐ์ขยายตัวไปสู่ระบบระดับแร็คและขนาดเต็มศูนย์ข้อมูล ความสามารถในการจ่ายไฟจึงกลายเป็นข้อจำกัดหลักที่ส่งผลต่อประสิทธิภาพ ความหนาแน่น และต้นทุนการครอบครองรวมของระบบศูนย์ข้อมูล ในระบบนิเวศของสถาปัตยกรรมอ้างอิงแบบเปิดและโมดูลาร์ NVIDIA MGX กำลังเกิดการปฏิวัติด้านประสิทธิภาพที่ขับเคลื่อนด้วยเทคโนโลยีไนไตรด์ไกเนียมทั้งหมด (All-GaN) ซึ่งกำลังเปลี่ยนแปลงเส้นทางการจ่ายไฟตั้งแต่การจ่ายไฟแรงสูงจนถึงแกน GPU

ข่าวล่าสุดเกี่ยวกับการพัฒนาเทคโนโลยีนี้มาจากการเป็นสมาชิกของระบบนิเวศ NVIDIA MGX คือ Innoscience บริษัทกำลังผลักดันเทคโนโลยีการแปลงพลังงาน All-GaN แบบครบวงจร เพื่อสนับสนุนระบบ AI ความหนาแน่นสูงรุ่นถัดไป สำหรับนักลงทุนและผู้ให้บริการศูนย์ข้อมูล การอัปเกรดเทคโนโลยีเซมิคอนดักเตอร์พลังงานพื้นฐานนี้มีความสำคัญต่อการพังทลายขีดจำกัดความหนาแน่นกำลังไฟของชั้นวาง และการลดต้นทุนการดำเนินงานของโครงสร้างพื้นฐานที่มีพลังการประมวลผลสูงอย่างมีนัยสำคัญ

รูปแบบการจ่ายไฟแบบดั้งเดิมเริ่มแสดงความอ่อนล้าเมื่อเผชิญกับกำลังรุ่นที่เพิ่มสูงขึ้นอย่างต่อเนื่อง ปัญหาไม่ได้อยู่ที่การนำพลังงานไฟฟ้าเข้าสู่รุ่นเท่านั้น แต่คือวิธีการแปลงไฟฟ้าแรงสูงให้เป็นแรงดันทำงานที่ GPU ต้องการอย่างมีประสิทธิภาพและกะทัดรัด เทคโนโลยี GaN ซึ่งมีคุณสมบัติเช่น ความต้านทานการนำไฟฟ้าต่ำ ประจุเกตต่ำ และไม่มีการกู้คืนย้อนกลับ กำลังกลายเป็นเทคโนโลยีหลักที่ช่วยแก้ไขความท้าทายนี้ โดยตรงส่งผลให้เกิดชิ้นส่วนแม่เหล็กที่เล็กลง ประสิทธิภาพด้านความร้อนที่ดีขึ้น และต้นทุนการครอบครองโดยรวม (TCO) ที่ต่ำลง

ขณะที่ระบบ AI ก้าวสู่โครงสร้างการจ่ายไฟที่มีความหนาแน่นสูงขึ้น ตลาดจึงจับตาดูโซลูชันการจ่ายไฟที่สามารถข้ามข้อจำกัดด้านพื้นที่ทางกายภาพและเทอร์โมไดนามิกส์นี้ ซึ่งไม่เพียงแต่จะลดระยะเวลาในการพัฒนาด้านวิศวกรรมของระบบการคำนวณแบบเร่งความเร็ว แต่ยังจะเร่งการนำไปใช้งานเชิงพาณิชย์ในระดับใหญ่ของโรงงาน AI รุ่นถัดไปอย่างมาก

พร้อมกับกำลังไฟของชั้น AI ที่เพิ่มสูงขึ้นอย่างต่อเนื่อง ระดับการแปลงด้านหน้าจึงกลายเป็นหนึ่งในส่วนที่ท้าทายที่สุดของโครงสร้างแหล่งจ่ายไฟ

ในโครงสร้างแหล่งจ่ายไฟ 800 VDC ของ NVIDIA การส่งไฟฟ้ากระแสตรงไปยังตำแหน่งที่ใกล้กับแร็คมากขึ้นช่วยลดจำนวนขั้นตอนการแปลง แต่ต้องการให้ส่วนหน้าจัดการกับแรงดันขาเข้าสูง อ tỷการแปลงสูง และงบประมาณการระบายความร้อนและพื้นที่บนเมนบอร์ดที่จำกัด

ข้อมูลล่าสุดจาก Innoscience แสดงให้เห็นถึงผลประโยชน์โดยตรงของ GaN ในขั้นตอนนี้ ในการออกแบบระดับ 12 kW 800 V เป็น 48 V ของพวกเขา ใช้อุปกรณ์ GaN 650 V แบบระบายความร้อนสองด้าน (DSC) บนด้านปฐมภูมิ และอุปกรณ์ GaN 100 V บนด้านทุติยภูมิ ซึ่งสามารถบรรลุประสิทธิภาพสูงสุดประมาณ 99% และประสิทธิภาพเต็มโหลดที่ 98.2% ที่ความถี่การดำเนินงาน 1 MHz นอกจากนี้ อุปกรณ์ GaN 150 V ที่เปิดตัวใหม่ยังช่วยลดความซับซ้อนของการออกแบบด้านทุติยภูมิ ทำให้จำนวนอุปกรณ์ซิงโครนัสเร็วที่ต้องใช้ลดลง 50% การลดพื้นที่ใช้สอยที่เกิดจากการทำงานที่ความถี่สูงนี้ มีมูลค่าทางธุรกิจโดยตรงต่อระบบ AI ที่มุ่งเน้นความหนาแน่นของชั้นวางที่สูงขึ้น

นอกเหนือจากการแปลงหน้าก่อน 48 V เพื่อตอบสนองความต้องการที่หลากหลายของระบบการออกแบบในแง่ของพื้นที่บนบอร์ดหลักและงบประมาณด้านความร้อน การเลือกโครงสร้างการจ่ายไฟจำเป็นต้องมีความยืดหยุ่นสูงมาก Innoscience ได้ขยายโซลูชัน All-GaN ของตนให้ครอบคลุมตัวเลือกแรงดันแบตเตอรี่กลางทั้งหมดตั้งแต่ 800 V ถึง 48 V, 12 V และ 6 V

สำหรับการแปลงจาก 800 V เป็น 12 V ตลาดสามารถใช้อุปกรณ์ GaN 40 V เพื่อให้การเรียงกระแสแบบซิงโครนัสที่มีประสิทธิภาพสูงและปรับปรุงสมรรถนะด้านความร้อน; ส่วนสำหรับการแปลงจาก 800 V เป็น 6 V อุปกรณ์ GaN 15 V 作为การแก้ไขการเรียงกระแสแบบซิงโครนัส สามารถสนับสนุนโครงสร้างบัสกลางที่มีแรงดันต่ำกว่า ซึ่งช่วยลดความซับซ้อนของการแปลงสุดท้ายเป็นแรงดันหลักของ GPU ในขั้นตอนบัสกลางสำคัญจาก 48 V เป็น 12 V โซลูชัน GaN 100 V ของ Innoscience ได้รับการปรับแต่งเพื่อเพิ่มประสิทธิภาพการแปลงแบบลดแรงดันแบบหลายเฟส ภายใต้ผลประโยชน์จากขนาดใหญ่ของโรงงาน AI การเพิ่มประสิทธิภาพเพียงเล็กน้อยก็หมายถึงการลดความต้องการในการระบายความร้อนและค่าใช้จ่ายในการดำเนินงานอย่างมีนัยสำคัญ

Vertical power supply reshapes core response

ในขั้นตอนการแปลงสุดท้ายที่ใกล้เคียงกับแกนการคำนวณมากที่สุด เนื่องจากความต้องการกระแสไฟสูงมากและการตอบสนองแบบชั่ววูบมีความสำคัญอย่างยิ่ง การจ่ายไฟแบบแนวนอนแบบดั้งเดิมจึงเผชิญกับความท้าทายอย่างรุนแรงจากความสูญเสียในการจ่ายไฟและความซับซ้อนของการจัดเรียงเส้นทางบนบอร์ดแม่ ระบบจ่ายไฟแบบตั้งฉาก (VPD) กำลังกลายเป็นสถาปัตยกรรมที่เป็นไปได้ในการให้เส้นทางกระแสไฟสั้นลง ลดการสูญเสียแบบพาราซิติก และเพิ่มความหนาแน่นของกระแสไฟ

เพื่อตอบสนองต่อความต้องการของการเปลี่ยนแปลงแบบไดนามิกอย่างรวดเร็วของ GPU Innoscience ได้ยืนยันความเป็นไปได้ในการทำงานของ GaN HEMT 15 V ที่ความถี่ 3 MHz ถึง 5 MHz ซึ่งสามารถลดขนาดขององค์ประกอบแม่เหล็กและตัวเก็บประจุที่จำเป็นได้อย่างมาก ปัจจุบัน บริษัทกำลังพัฒนาโซลูชัน DrGaN โดยการสนับสนุนความถี่การสวิตช์ที่สูงขึ้นเพื่อเพิ่มแบนด์วิดธ์อย่างมีนัยสำคัญ ซึ่งจะลดการพึ่งพาตัวเก็บประจุเอาต์พุตแบบความจุสูงแบบดั้งเดิม พร้อมกับการที่ระบบ MGX AI ในอนาคตจะเพิ่มความหนาแน่นของกระแสไฟฟ้าของอุปกรณ์เร่งความเร็วอย่างต่อเนื่อง ระดับพลังงานที่รองรับ VPD จะกลายเป็นโมดูลพื้นฐานสำคัญสำหรับการจ่ายพลังงานใกล้กับแกนของ GPU

เพื่อเร่งวงจรการรับรองของลูกค้า Innoscience จัดเตรียมบอร์ดประเมินและแบบจำลองอ้างอิงหลากหลายประเภท เพื่อช่วยให้นักออกแบบระบบตรวจสอบประสิทธิภาพของ GaN ตลอดทั้งโครงสร้างการจ่ายไฟสำหรับ AI แพลตฟอร์มเหล่านี้รวมถึงบอร์ดสาธิต 800 V ถึง 48 V กำลัง 12 kW บอร์ดประเมิน GaN 4 ขั้นตอน 48 V ถึง 12 V และบอร์ดประเมิน 6 V DrGaN สำหรับสถาปัตยกรรมการจ่ายไฟแบบตั้งฉากในอนาคต

ระบบนิเวศ NVIDIA MGX กำลังผลักดันการปรับใช้โครงสร้างพื้นฐาน AI แบบโมดูลาร์และสามารถขยายขนาดได้ ในบริบทที่โครงสร้างพื้นฐาน AI กำลังเผชิญกับข้อจำกัดด้านพลังงาน การพัฒนาของเซมิคอนดักเตอร์ด้านพลังงานต้องก้าวให้ทันกับการเพิ่มขึ้นของความหนาแน่นการคำนวณ ด้วยการครอบคลุมอย่างสมบูรณ์ตั้งแต่ 800 VDC ลงมาถึงแรงดันไฟฟ้าของ GPU โครงสร้างพื้นฐานจ่ายไฟสำหรับ AI ที่มีประสิทธิภาพสูงขึ้นและมีความหนาแน่นสูงขึ้นจึงกำลังเร่งเคลื่อนจากแนวคิดสู่ความเป็นจริง