Cihazın sürətləndirilməsi

Kriptoqrafik sürətləndirici kartı kriptoqrafik əməliyyatları daha yüksək sürətlə yerinə yetirməyə imkan verir.

Cihazın sürətləndirilməsi (ing. hardware acceleration) — cihazın müəyyən hesablama və ya emal əməliyyatlarını daha sürətli həyata keçirməsi üçün xüsusi aparat komponentlərindən istifadə edilməsidir.^[1] Prosessorların (CPU-ların) əlavə yükünü azaltmaqla yanaşı, müəyyən əməliyyatları daha səmərəli və yüksək performansla yerinə yetirməyi mümkün edir. Sürətləndirmə əsasən tətbiq olunan sahənin xüsusiyyətlərinə uyğun müxtəlif növ komponentlər vasitəsilə həyata keçirilir.^[2]

Komponentləri

Qrafik kartlar (GPU sürətləndirilməsi)

Qrafik prosessorlar (GPU-lar) paralel emal üçün yüksək optimallaşdırılmışdır və çoxsaylı nüvələri ilə eyni anda minlərlə əməliyyatı yerinə yetirə bilir.^[3] GPU-lar ilk olaraq kompüter qrafikasını və oyunları sürətləndirmək üçün hazırlanmışdır, lakin maşın öyrənməsi, dərin öyrənmə və elmi tədqiqat sahələrində də istifadə edilir. CUDA və OpenCL kimi proqramlaşdırma interfeysləri GPU-ların bu sahələrdə istifadəsini asanlaşdırır.

Sahədə proqramlaşdırılan qapı sxemləri

FPGA-lar xüsusi bir proqramlaşdırılabilir aparat təbəqəsi təqdim edərək, dizaynerlərə çox müxtəlif tətbiqlərə uyğun xüsusi arxitekturalar yaratmağa imkan verir. FPGA-lar maşın öyrənməsi, süni intellekt, şəbəkə təhlükəsizliyi və hətta video kodlama kimi sahələrdə sürətləndirmə üçün istifadə olunur. Onların çevik proqramlaşdırılabilir olması xüsusi tapşırıqlar üçün təkrarlanan emal əməliyyatlarının çox səmərəli şəkildə optimallaşdırılmasını mümkün edir.^[4]

Əsasən tətbiq olunan inteqral sxemlər (ASIC)

ASIC-lər müəyyən bir tapşırığı yerinə yetirmək üçün dizayn edilmişdir və yüksək optimallaşdırılmış aparat quruluşuna malikdirlər.^[5][6] Onlar xüsusi bir tətbiq üçün ən yüksək performans və enerji səmərəliliyini təmin edir. Məsələn, Google Tensor Processing Units (TPU) maşın öyrənməsi üçün xüsusi optimallaşdırılmış ASIC-lərdir.^[7] ASIC-lər yüksək xərc tələb etsə də, böyük miqyaslı tətbiqlərdə əvəzolunmazdırlar.

Süni intellekt və sinir şəbəkəsi sürətləndiriciləri

Maşın öyrənməsi və sinir şəbəkəsi tətbiqlərində istifadə edilən xüsusi aparat sürətləndiriciləri, sinir şəbəkəsi modellərinin emal sürətini artırmaq üçün xüsusi arxitektura ilə təchiz olunmuşdur. NVIDIA Tensor Cores kimi xüsusi strukturlar dərin öyrənmə əməliyyatlarını sürətləndirir, sinir şəbəkəsinin məşq və test mərhələlərini daha sürətli edir.^[8]

Tətbiq səviyyəsində sürətləndirici kartlar

Şəbəkə trafiki emalı, məlumat sıxılma, təhlükəsizlik funksiyaları (şifrələmə/deşifrələmə), video kodlama kimi tətbiq sahələri üçün xüsusi sürətləndirici kartlar da mövcuddur. Bu kartlar həmin funksiyaları CPU yükü olmadan daha yüksək sürətlə həyata keçirməyə imkan verir.^[9] Məsələn, video kodlama sürətləndirməsi üçün xüsusi kartlar böyük həcmli video məlumatların işlənməsini və ötürülməsini səmərəli edir.

RAM və disk sürətləndirilməsi (Cache və SSD)

Əlavə ön yaddaş (ing. cache) təbəqələrinin istifadəsi və SSD disklər kimi daha sürətli saxlama cihazlarının tətbiqi məlumatın oxuma-yazma əməliyyatlarını sürətləndirir.^[10] Cache yaddaşı CPU-nun RAM-dan daha sürətli məlumat almasına imkan verir, SSD isə ənənəvi HDD-lərlə müqayisədə oxuma və yazma sürətini qat-qat artırır.^[11]

Cihazın sürətləndirilməsi istifadəsi

Cihazın sürətləndirilməsi həm şəxsi istifadəçilərə, həm də müəssisələrə daha sürətli emal performansı, yüksək səmərəlilik və enerji qənaəti təmin edir.^[12][13][14] Bununla yanaşı, bu sürətləndirmələr daha sürətli məlumat analizi, qrafiklərin işlənməsi, maşın öyrənməsi modellərinin sürətlə inkişafı və real vaxt rejimində məlumatların emalı üçün vacibdir.^[15]

İstinadlar

1. "Embedded". 2007-10-08 tarixində orijinalından arxivləşdirilib. İstifadə tarixi: 2012-08-18. "FPGA Architectures from 'A' to 'Z'" by Clive Maxfield 2006
2. "Microsoft Supercharges Bing Search With Programmable Chips". WIRED. 16 June 2014.
3. Sinan, Kufeoglu; Mahmut, Ozkuran. Figure 5. CPU, GPU, FPGA, and ASIC minimum energy consumption between difficulty recalculation. // Energy Consumption of Bitcoin Mining. 2019. doi:10.17863/CAM.41230. 2023-11-06 tarixində arxivləşdirilib. İstifadə tarixi: 2024-10-25.
4. Kim, Yeongmin; Kong, Joonho; Munir, Arslan. "CPU-Accelerator Co-Scheduling for CNN Acceleration at the Edge". IEEE Access. 8. 2020: 211422–211433. Bibcode:2020IEEEA...8u1422K. doi:10.1109/ACCESS.2020.3039278. ISSN 2169-3536.
5. Kit Eaton. "1,000 Core CPU Achieved: Your Future Desktop Will Be a Supercomputer". 2011. [1]
6. "Scientists Squeeze Over 1,000 Cores onto One Chip". 2011. [2] Arxiv surəti 5 mart 2012 tarixindən Wayback Machine saytında Arxivləşdirilib 2012-03-05 at the Wayback Machine
7. Lin, Yibo; Jiang, Zixuan; Gu, Jiaqi; Li, Wuxi; Dhar, Shounak; Ren, Haoxing; Khailany, Brucek; Pan, David Z. "DREAMPlace: Deep Learning Toolkit-Enabled GPU Acceleration for Modern VLSI Placement". IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. 40 (4). April 2021: 748–761. doi:10.1109/TCAD.2020.3003843. ISSN 1937-4151.
8. Lyakhov, Pavel; Valueva, Maria; Valuev, Georgii; Nagornov, Nikolai. "A Method of Increasing Digital Filter Performance Based on Truncated Multiply-Accumulate Units". Applied Sciences (ingilis). 10 (24). 2020-12-18: 9052. doi:10.3390/app10249052. ISSN 2076-3417. Hardware simulation on FPGA increased the digital filter performance.
9. Mohan, Prashanth; Wang, Wen; Jungk, Bernhard; Niederhagen, Ruben; Szefer, Jakub; Mai, Ken. ASIC Accelerator in 28 nm for the Post-Quantum Digital Signature Scheme XMSS // 2020 IEEE 38th International Conference on Computer Design (ICCD). Hartford, CT, USA: IEEE. October 2020. 656–662. doi:10.1109/ICCD50377.2020.00112. ISBN 978-1-7281-9710-4. 2024-08-15 tarixində arxivləşdirilib. İstifadə tarixi: 2024-10-25.
10. Morgan, Timothy Pricket. "How Microsoft Is Using FPGAs To Speed Up Bing Search". Enterprise Tech. 2014-09-03. İstifadə tarixi: 2018-09-18.
11. "Project Catapult". Microsoft Research.
12. Vassányi, István. Implementing processor arrays on FPGAs // Field-Programmable Logic and Applications from FPGAs to Computing Paradigm. Lecture Notes in Computer Science. 1482. 1998. 446–450. doi:10.1007/BFb0055278. ISBN 978-3-540-64948-9.
13. Zhoukun WANG and Omar HAMMAMI. "A 24 Processors System on Chip FPGA Design with Network on Chip". [3] Arxiv surəti 13 aprel 2024 tarixindən Wayback Machine saytında
14. "John Kent. "Micro16 Array - A Simple CPU Array"". 2020-08-01 tarixində arxivləşdirilib. İstifadə tarixi: 2024-10-25.
15. MicroBlaze Soft Processor: Frequently Asked Questions Arxiv surəti 27 oktyabr 2011 tarixindən Wayback Machine saytında Arxivləşdirilib 2011-10-27 at the Wayback Machine

Xarici keçidlər

• Vikianbarda Cihazın sürətləndirilməsi ilə əlaqəli mediafayllar var.