520NX PCIe-Karte mit Intel Stratix 10 NX FPGA
PCIe FPGA Card 520NX Stratix 10 AI-optimized FPGA with HBM2 AI-Optimized for High-Bandwidth, Low-Latency AI Acceleration Overview Designed to tackle the most demanding artificial intelligence
Leistung
Warum FPGAs für die Rechenbeschleunigung verwenden?
Die Kunden setzen zunehmend heterogene Plattformen ein, die eine Mischung aus sich ergänzenden Technologien enthalten, die zusammenarbeiten.
FPGAs bieten hohe Leistung, flexible Arbeitslasten und energieeffizienten Betrieb für eine Reihe von HPC-Anwendungen.
CORE FPGA Vorteile für HPC
Das FPGA-Nutzenversprechen für HPC hat sich in den letzten Jahren deutlich verbessert.
Dies sind entscheidende Vorteile, die in unserem BWNN-Whitepaper aufgezeigt werden:
Leistung Beschleunigung
Zusammen mit CPUs sind FPGAs Teil eines heterogenen Ansatzes für die Datenverarbeitung. Bei bestimmten Arbeitslasten bieten FPGAs einen erheblichen Geschwindigkeitsvorteil gegenüber CPUs - in diesem Fall eine 50-fache Beschleunigung bei maschinellen Lernverfahren.
Flexibilität bei der Anpassung der Anwendung
FPGAs verfügen über eine Reihe von Tools zur optimalen Anpassung an die Anwendung. Die Hardware-Fabric passt sich an, um nur das zu verwenden, was benötigt wird, einschließlich gehärteter Fließkommablöcke, falls erforderlich. Für die Gewichte von BWNN haben wir nur ein einziges Bit plus einen mittleren Skalierungsfaktor verwendet und trotzdem eine akzeptable Genauigkeit erreicht, wobei wir erhebliche Ressourcen eingespart haben.
Energie-Effizienz
Die Leistung pro Watt ist nicht nur am Rande wichtig, sondern auch im Energiebudget von Rechenzentren, sowohl was den Platz als auch die Energiekosten betrifft. FPGAs können auf einzigartige Weise die neuesten effizienten Bibliotheken bereitstellen, und das bei weitaus geringerem Stromverbrauch pro Watt als CPUs.
Software-basierte Entwicklung
Mit dem exklusiven, optimierten OpenCL-BSP von BittWare können Sie sowohl auf softwareorientierte Entwickler als auch auf die neuesten Softwarebibliotheken zurückgreifen. So konnten wir das YOLOv3-Framework schnell anpassen, das eine bessere Leistung als ältere ML-Bibliotheken bietet.
Tieferes Eintauchen in HPC
Lesen Sie das 2D FFT White Paper
Sehen Sie, wie HBM2 eine 2D-FFT-Anwendung mit unserer 520N-MX-Karte beschleunigt
Lesen Sie das 2D FFT White Paper
Hier klicken
Lesen Sie das BWNN-Weißbuch
Erfahren Sie, wie wir OpenCL verwendet haben, um das YOLOv3-Framework für maschinelles Lernen an eine unserer FPGA-Karten anzupassen
Lesen Sie das BWNN-Weißbuch
Hier klickenAnwendungen
Wir zielen auf Anwendungen ab, bei denen der Bedarf an Speicherplatz größer ist als bei herkömmlichen Architekturen mit CPUs.
Künstliche Intelligenz/Maschinelles Lernen Inferenz
Wissenschaftliche Simulationen
Bild-/Videoverarbeitung
Modellierung der Teilchenphysik
Gen-Sequenzierung
Molekulare Dynamik
Wann werden FPGAs für HPC eingesetzt?
Mit FPGAs können Kunden anwendungsspezifische Hardware-Implementierungen erstellen, die die folgenden Eigenschaften aufweisen:
- Hochgradig parallele Implementierungen
- Speicherzugriffsmuster, die nicht Cache-freundlich sind
- Datentypen, die nicht von Haus aus von CPUs oder GPUs unterstützt werden
- Geringe Latenzzeit oder deterministischer Betrieb
- Bedarf an einer Schnittstelle zu externen E/A
Zwei Kunden verwenden BittWare-Karten im HPC
Video abspielen
Video abspielen
Durchsuchen Sie unsere Produkte zur Rechenbeschleunigung
Kaufen Sie Ihre Karten vorintegriert mit TeraBox
Haben Sie eine Frage?
Erhalten Sie Antworten auf Ihre HPC-Fragen von unseren technischen Mitarbeitern.
