Liqid implanta pool de memória CXL de 160 TB no PNNL dos EUA

De acordo com pt.wedoany.com-A Liqid está fornecendo a camada de memória em pool para o sistema Abaco, projetado pela Micron para o Pacific Northwest National Laboratory (PNNL) do Departamento de Energia dos EUA. A plataforma oferece mais de 160 TB de memória coerente em vários servidores, voltada para cargas de trabalho de IA e científicas onde a eficiência de acesso a dados limita mais o desempenho do que a capacidade do processador.

A capacidade de computação atual está crescendo mais rápido do que a capacidade, a largura de banda e a localidade da memória conseguem acompanhar. Modelos de grafos em larga escala, simulações científicas, cargas de trabalho moleculares e inferência de IA frequentemente ficam estagnados porque os processadores aguardam dados, ou porque os operadores dividem tarefas em torno dos limites de memória de um único servidor. O design do Abaco trata a memória como um recurso compartilhado e programável, em vez de um componente fixo permanentemente vinculado a uma única máquina. A Liqid afirma que seu design em escala de rack pode alocar até 160 TB de DRAM para um único host, ou distribuir a capacidade entre até 16 nós. A Micron é a principal contratante técnica do projeto, enquanto a Liqid fornece o hardware de expansão, a estrutura de comutação, os adaptadores de host e a camada de orquestração. Esta implantação ainda é de nível de laboratório nacional, não um sinal de que data centers convencionais estejam prontos para se reconstruir em torno de memória desagregada, mas ela leva a discussão dos diagramas de arquitetura para hardware em operação real.

A plataforma EX 5410C da Liqid suporta CXL 2.0, oferecendo até 40 TB de DRAM por chassi, e vários chassis podem formar um pool de capacidade superior a 160 TB. O software Liqid Matrix é responsável por alocar capacidade aos hosts e integra ferramentas como Kubernetes, Slurm e Ansible. A proposta central é: memória cara não deveria ser desperdiçada por estar ociosa no servidor errado. Os operadores podem alocar grandes pools para simulações, tarefas analíticas ou cargas de trabalho de inferência e, posteriormente, redirecionar essa capacidade para outras tarefas. Idealmente, isso aumenta a utilização e adia a compra de novos servidores.

Mas, na prática, a economia depende do comportamento das cargas de trabalho. O pool de memória introduz componentes de estrutura, adaptadores, software de gerenciamento e novas dependências operacionais; a DRAM local continua sendo mais simples. Aplicações altamente sensíveis à latência podem não tolerar padrões de acesso remoto, mesmo que a estrutura CXL ofereça alta largura de banda. Os compradores precisam decidir com base em medições de suas próprias tarefas, e não apenas em números agregados de capacidade. Os domínios de falha também mudam: um pool de memória compartilhado entre vários nós aumenta a flexibilidade, mas uma falha na estrutura ou no gerenciamento pode afetar mais sistemas simultaneamente. O planejamento de capacidade passa da aquisição de servidores para a estratégia de orquestração, e os processos correspondentes de monitoramento, controle de acesso e recuperação precisam ser reconstruídos.