Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
07 2025 Elektronik 39 ISSCC 2025 Für künftige Anforderungen jenseits von 1 bis 2 kW reicht die MBVR-Architektur nicht mehr aus Dieses Problem kann gelöst werden indem die Hochspannungswandlung 12 Vdirekt ins Gehäuse integriert wird Bild 3 Besonders effektiv ist ein zwei stufiger Ansatz ein 12-V-SCVR kombiniert mit einem nachgelagerten IVR 1 8 bis 2 4 V Leistungsdichte und Effizienz dieser zweistufigen Architektur hängen von hochwertigen passiven Komponenten ab – zum Beispiel eingebetteten Deep-Trench-Kondensatoren eDTC und magnetischen Induktivitäten zusammen mit On-Die-Kondensatoren Galliumnitrid GaN ermöglicht Hochspannungswandler mit höherer Effizienz und Dichte als siliziumbasierte Lösungen Da reine GaN-Prozesse keine integrierten Treiber mit hohen Schaltfrequenzen erlauben ist eine Kombination mit CMOS erforderlich Intel hat eine GaNon-Silizium-Technologie entwickelt dank der sich GaN-Leistungstransistoren und CMOS-Treiber auf demselben 300-mm-Wafer fertigen lassen Shahriari » Diese Technologie kann Hochspannungs-IVR-Optionen mit einer Eingangsspannung von bis zu 12 Vunterstützen um eine Leistungsskalierung über 1 bis 2 kW hinaus zu ermöglichen « Architektur und Software Rechenarchitekturen der nächsten Generation müssen exponentielle Verbesserungen bei Systemkennzahlen wie Leistung pro Watt pro Dollar und pro mm² ermöglichen und zugleich die Heraus forderungen in den Bereichen thermische und Power-Integrity meistern Neue Ansätze sollten aus Shahriaris Sicht also kohärente Systeme ermöglichen in denen Wafer und Chiplets durch fortschrittliche Ver packungsund Siliziumprozesse gestapelt und verbunden werden Zudem müssen sie die nahtlose Integration von benutzerdefinierten Beschleunigern für verschiedene Arbeitslasten unterstützen Software spielt in der Innovationsmatrix ebenfalls eine entscheidende Rolle Shahriari fordert dass sie durch Zusammenarbeit Standardisierung und Interoperabilität in Open-Source-Ökosystemen weiterentwickelt wird Automatisierung solle die Sicherheit erhöhen und Prozesse optimieren während optimierte Software die Hardware bestmöglich ausnutzen können soll Die Verteilung von Software auf Tausende von GPUs stellt hohe Anforderungen an Bandbreite und Latenz KIgestützte Software hilft Systeme besser abzustimmen und die Integration zu verbessern Blick über die klassische Datenverarbeitung hinaus Technologien wie neuromorphe und Quantencomputer sind entscheidend für zukünftige Durchbrüche bei Effizienz und Geschwindigkeit Seit 2018 haben die Loihi-Forschungschips von Intel die in mehr als 250 Forschungslaboren weltweit eingesetzt werden gezeigt dass neuromorphe Chips die mit CMOS-Prozesstechnologie hergestellt werden bei einer Vielzahl von Beispielalgorithmen und -anwendungen eine Leistungssteigerung um Größenordnungen ermöglichen können Viele dieser Beispiele basieren auf neuartigen vom Gehirn inspirierten Algorithmen die mit heutigen Softwareund KI-Methoden nicht kompatibel sind Eine neue Klasse von Ansätzen deutet laut Shahriari jedoch darauf hin dass in naher Zukunft eine 1000-fache Steigerung für die heute weit verbreiteten Deep-Learningund Transformationsmethoden erreichbar sein wird Quantencomputer wiederum können hochkomplexe Probleme exponentiell schneller als herkömmliche Computer lösen Sie können nach Ansicht von Shahriari zukünftig Branchen revolutionieren und Pro bleme wie Klimawandel Arzneimittelentwicklung und -forschung etc schneller lösen Allerdings sei diese Hardware nicht ausreichend skalierbar und robust und es sei entscheidend diese Technologie aus dem Labor in den Bereich der Technik zu überführen Eine weitere Herausforderung für KI mit Quantencomputern besteht seiner Aussage nach darin große Datenmengen in diese komplexen Maschinen einzuspeisen Intels Ansatz in der Quantenforschung umfasst den gesamten Computing-Stack einschließlich der Qubit-Herstellung über Kryo-CMOS-Technologien zur Steuerung der Qubits bis hin zu Software Compiler Algorithmen und Anwendungen Der Vorteil für die KI ist eindeutig Quantencomputer können komplexe Berechnungen schneller durch führen als klassische Computer was ein kürzeres Training und eine schnellere Analyse von KI-Modellen ermöglichen könnte Zwei der wichtigsten Prinzipien des Quanten computings sind Superposition und Verschränkung die die gleichzeitige Suche nach Lösungen ermöglichen was sich direkt auf das Training und die Optimierung von KI-Modellen auswirken könnte Die Möglichkeit große Datenmengen parallel zu analysieren kann auch die Fähigkeit Bild 3 Die Entwicklung der Stromversorgung von Off-Package zu On-Package um den steigenden Leistungsbedarf zu unterstützen Bild Intel