GPU ile HBM arasındaki sınırlar çöker... Yeni Nesil HBM GPU Çekirdeklerini Gömmeye Çevirdi Grafik İşlemci Birimlerinin (GPU) yeni nesil Yüksek Bant Genişliği Belleğine (HBM) monte edilmesi yöntemi geliştirilmektedir. Bu, küresel büyük teknoloji şirketleri tarafından Yapay Zeka (YZE) performansını artırmak için denenmiş yeni bir teknolojidir. Bu, yarı iletken şirketleri arasındaki sınırların bellek ve sistem yarı iletkenlerinin birleşmesiyle yıkıldığını gösterir. 26 Kasım tarihli kapsamlı rapora göre, Meta ve NVIDIA GPU çekirdeklerini HBM'ye monte etme planlarını gözden geçiriyor. Özellikle, bu işlem GPU çekirdeklerinin HBM yığınının alt kısmında bulunan temel kalıpa yerleştirilmesini içeriyor ve şu anda SK Hynix ile Samsung Electronics ile iş birliği araştırıyorlar. Konuya aşina olan birçok sektör içinden kişi, "Yeni nesil 'özel HBM' mimarileri tartışılıyor ve bunlar arasında, GPU çekirdeklerini doğrudan HBM temel kalıbına entegre eden bir yapı geliştiriliyor." dedi. HBM, birden fazla DRAM çipinin üst üste yığılmasıyla oluşturulan yüksek performanslı bir bellektir. Bu program, büyük miktarda veri işlemesi gereken yapay zeka uygulamaları için tasarlandı. Şu anda, temel kalıp, HBM yapısının en alt kısmındaki hafıza ile dış dünya arasındaki iletişimden sorumludur. Buradan bir adım ileriye doğru olarak, HBM4'te uygulanan bir 'kontrolör' eklenmiştir. Sektör, hafızayı kontrol edebilen bir yarı iletken ekleyerek performans ve verimliliği artırmaya çalışıyor. HBM4, gelecek yıldan itibaren tam ölçekli seri üretimi planlanan bir üründür. GPU çekirdeklerinin gömülmesi, HBM4 kontrolcüsünden birkaç adım ileri bir teknoloji olarak yorumlanıyor. GPU ve CPU'larda, çekirdek bağımsız hesaplama yapabilen temel birimdir. Örneğin, 4 çekirdekli bir GPU, hesaplama yapabilen dört çekirdeğin olması anlamına gelir; Çekirdek sayısı arttıkça, hesaplama performansı o kadar çok artar. Çekirdeklerin HBM'ye konması, GPU'da yoğunlaşmış hesaplama fonksiyonlarını belleğe dağıtma çabasıdır; böylece veri hareketini azaltır ve ana GPU gövdesine yüklenen yükü azaltır. Bir sektör yetkilisi, "Yapay zeka hesaplamasında önemli bir faktör sadece hız değil, aynı zamanda enerji verimliliğidir," ve ekledi: "Bellek ile hesaplama birimleri arasındaki fiziksel mesafeyi azaltmak, hem veri aktarım gecikmesini hem de güç tüketimini azaltabilir." Ancak teknik zorluklar hâlâ devam ediyor. Through-Silicon Via (TSV) sürecinin özellikleri nedeniyle, HBM baz kalıpta GPU çekirdeklerini barındırmak için kullanılabilir alan çok sınırlıdır. Güç kaynağı ve ısı dağıtımı da önemli sorunlar. GPU hesaplama çekirdekleri yüksek enerji tüketip önemli ısı ürettiğinden, termal kontrol bir darboğaz haline gelebilir. Bu gelişme, yerli yarı iletken endüstrisi için hem bir fırsat hem de kriz olabilir. Şirketler CPU veya GPU uygulayacak dökümhane veya paketleme yeteneklerine sahipse, HBM'yi daha da geliştirmek ve yapay zeka yarı iletken pazarında liderlik etmeye devam etmek için bir fırsat olur. Ancak, yanıt yetenekleri eksik olursa, sistem yarı iletken endüstrisine tabi hale gelebilecekleri endişesi var. KAIST Elektrik Mühendisliği Fakültesi'nden profesör Kim Joung-ho, "Bellek ve sistem yarı iletkenleri arasındaki sınırın YZ ilerlemesi için çöktüğü teknolojik geçiş hızı hızlanacak," dedi ve "Yerel şirketler, ekosistemlerini hafızanın ötesine çıkararak mantık sektörüne genişletmeli, böylece yeni nesil HBM pazarını önlemediler." dedi.