Alveo U50: Xilinx bringt FPGA-Beschleuniger als Low-Profile-Karte

Mit der Alveo U50 erweitert Xilinx sein Portfolio an FPGA-Beschleunigern um eine Low-Profile-Version für eine höhere Leistungsdichte. Die Karte nutzt daher HBM2-Stapelspeicher für besonders viel Bandbreite.

Artikel veröffentlicht am 7. August 2019, 16:15 Uhr, Marc Sauter

Alveo U50 (Bild: Xilinx)

Halbe Bauhöhe, nur 75 Watt - aber dennoch flott und mit 8 GByte schnellem Speicher: Xilinx hat die Alveo U50 angekündigt, eine Low-Profile-Karte mit einem FPGA-Chip. Diese programmierbaren Schaltungen sind für eine Vielzahl von Berechnungen interessant, etwa im Finanzsektor, für Netzwerk und Storage oder für maschinelles Lernen und zur Datenanalyse.

Bisherige Alveo-Karten wie die U280 oder die U200 sind große Modelle in Dualslot-Bauweise mit 225 Watt thermischer Verlustleistung und zusätzlichen Stromanschlüssen. Die Aleveo U50 hingegen ist ein Low-Profile-Modell mit halber Bauhöhe und passiver Singleslot-Kühlung, sie bezieht die notwendigen 75 Watt aus dem PEG-Slot. Die Karte unterstützt CCIX und PCIe Gen4, sie hat einen Anschluss für ein QSFP28-Ethernet-Modul.

Um die kompakte Bauweise möglich zu machen, verwendet Xilinx für die Alveo U50 einen Zynq Ultrascale+ als FPGA und kombiniert diesen wie bei der Alveo U280 mit 8 GByte HBM2-Stapelspeicher. Anders als DDR4-Speicher braucht dieser drastisch weniger Platz auf der Platine, liefert dank 4.096-Bit-Interface aber dennoch eine Datentransfer-Rate von 460 GByte. Die Menge der LUTs für programmierbare Funktionen zur Berechnung von Workloads fällt mit 872.000 statt 1,304 Millionen deutlich geringer aus, das war aber zu erwarten.

Verglichen zu Nvidias Tesla T4, ebenfalls eine Low-Profile-Karte, soll die Alveo U50 beim Inferencing - genauer die Übersetzung gesprochener Sprache - eine drastisch geringere Latenz und einen signifikant höheren Durchsatz bei ergo besserer Effizienz erreichen. Auch im Finanzbereich mit einer Monte-Carlo-Simulation sieht sich Xilinx vor Nvidia, in diesem Fall vor einer Tesla V100. Die Netzwerk- und Storage-Beschleunigung falle zudem klar flotter als bei rein CPU-basierten Nodes.