EPAC加速器首次成功运行“Hello, World!”程序
欧洲处理器计划(EPI)已经成功对其基于RISC-V架构的欧洲处理器加速器(EPAC)完成了首轮测试,并宣称这代表着欧洲向本土超级计算硬件迈出了坚实的第一步。
EPI于2018年建立,旨在提高欧洲超级计算行业面对外国科技企业时的独立自主能力。其核心在于采用自由开源的RISC-V指令集架构,进而在欧洲境内开发并生产高性能芯片。
该项目的最新里程碑为成功交付143个EPAC芯片样本——这款加速器专为高性能计算应用所设计,并围绕自由开源RISC-V指令集架构构建而成。这些22纳米测试芯片(由GlobalFoundries制造而成,这是一家于2009年从AMD拆分出来的欧洲半导体制造商)旨在证明处理器的设计可行性,目前已经通过初步测试、顺利完成了裸机“hello,world”程序的运行。
这也代表着一场快速转变。EPAC设计于今年3月在FPGA上得到验证,项目本身于6月宣布进行流片测试,其面积达到26.97平方毫米,可放置1400万个实例、相当于9300万个门,其中包含991个存储器实例。
虽然这块包含完整EPAC设计功能子集的FPGA变体能够在展示中成功启动Linux操作系统,但后来的物理测试芯片目前还只能实现最基础的裸机工作负载测试——很明显,EPI还有很多工作没有完成。
作为欧盟欧洲高性能计算联合计划EuroHPC的一部分(英国并非参与),EPI已经得到有力的资金支持。其成员名册则囊括来自欧洲十个国家的科技企业与学术机构大牛,具体涵盖法国Atos、意法半导体意大利分部、德国英飞凌以及Fraunhofer-Gesellschaft(FhG)、宝马集团、巴塞罗那超级计算中心(BSC)、ETH Zürich、Instituto Superior Técnico、萨格勒布大学以及希腊研究与技术基金会(FORTH)。
EPAC 1.0芯片这样的成果离不开团队的协同努力,其中采用由SemiDynamics设计的“微片”矢量处理核心、巴塞罗那超级计算中心与萨格勒布大学的专用矢量处理单元、由Chalmers设计的“主节点”、来自FORTH的L2缓存,来自Faunhofer、ITWM与ETH Zürich的模板与张量加速器(STX),以及由CEA LIST开发的深度学习工作负载加速型可变精度处理器等等。这一切都由EXTOLL打造的片上网络与高速串行系统捆绑在一起。
而这些还只是EPI着手推进的三大技术路线之一。第二种则是通用处理器(GPP),将采用加速器作为中央处理单元核心与嵌入式FPGA(eFPGA)旁边的节点。第三条则是汽车路线,希望将通用处理器路线中得到的技术从数据中心转移至车辆之内,由此加快自动驾驶系统(ADS)的发展速度。
在降低对外国技术的依赖度方面,欧盟绝不是在孤军奋战。今年早些时候,俄罗斯公布了一项以RISC-V部件为中心的国家数字化计划,明确将国内现有Elbrus原研芯片定为发展基础;与此同时,中国也在努力开发名为XiangShan的高性能RISC-V系列芯片,并计划在明年年底之前部署2000台RISC-V笔记本电脑。印度的自供应计划“Atmanirbhar Bharat”也涉及到处理器领域,希望将RISC-V设计范围从可扩展部件延伸至类似EPI的超级计算机芯片当中。
EPI计划已经确认在着力验证芯片上的其他IP模块,目标是在现有FCBGA封装测试芯片版本中实现1 GHz工作主频,并进一步推进EPAC设计的开发与优化。但EPI并没有立即向媒体提供可供发布的技术路线图发展状态。
RISC-V国际与FOSSi基金会主管Stefan Wallentowitz在采访中表示,“开源芯片是EPI等组织的绝佳推动者。利用开源组件构建现代及未来高性能计算平台的努力,不仅全面展示出开源芯片的发展潜能、也有助于围绕开源成果建立社区。我们希望这种努力能够衍生出更多合作与开放产出。”
如果项目一切进展顺利,那么第一款RISC-V加ARM核心混合EPI通用处理器将于明年正式亮相。
好文章,需要你的鼓励
谷歌深度思维团队开发出名为MolGen的AI系统,能够像经验丰富的化学家一样自主设计全新药物分子。该系统通过学习1000万种化合物数据,在阿尔茨海默病等疾病的药物设计中表现出色,实际合成测试成功率达90%,远超传统方法。这项技术有望将药物研发周期从10-15年缩短至5-8年,成本降低一半,为患者更快获得新药治疗带来希望。
继苹果和其他厂商之后,Google正在加大力度推广其在智能手机上的人工智能功能。该公司试图通过展示AI在移动设备上的实用性和创新性来吸引消费者关注,希望说服用户相信手机AI功能的价值。Google面临的挑战是如何让消费者真正体验到AI带来的便利,并将这些技术优势转化为市场竞争力。
哈佛医学院和微软公司合作开发了一个能够"听声识病"的AI系统,仅通过分析语音就能预测健康状况,准确率高达92%。该系统基于深度学习技术,能够捕捉声音中与疾病相关的微妙变化,并具备跨语言诊断能力。研究团队已开发出智能手机应用原型,用户只需完成简单语音任务即可获得健康评估,为个性化健康管理开辟了新途径。