Nvidia CMP 170HX memory: physical HBM, effective configuration and defects
କେଟ୍ ରିପୋର୍ଟ କରିଛନ୍ତି ଯେ Nvidia ର CMP 170HX ମାଇନିଂ ଆକ୍ସିଲେରେଟରରେ ପୂର୍ବରୁ ସ୍ଥାପିତ ମେମୋରୀକୁ ଖୋଲାଯାଇଛି।
କେଟ୍ ରିପୋର୍ଟ କରିଛନ୍ତି ଯେ Nvidia ର CMP 170HX ମାଇନିଂ ଆକ୍ସିଲେରେଟରରେ ପୂର୍ବରୁ ସ୍ଥାପିତ ମେମୋରୀକୁ ଖୋଲାଯାଇଛି। ଆଠ-ଗିଗାବାଇଟ୍ ଭାରିଆଣ୍ଟରେ ପ୍ରାୟ ଅଶୀ ଗିଗାବାଇଟ୍ ଶାରୀରିକ ଭାବରେ ରହିଛି, ଯେତେବେଳେ କି ବ୍ୟବହାର ଯୋଗ୍ୟ କ୍ଷମତା ଅକ୍ଷତ ହାର୍ଡୱେର୍ ଏବଂ ପ୍ରଭାବଶାଳୀ ବିନ୍ୟାସ ଉପରେ ନିର୍ଭର କରେ। ମାତ୍ର ଚଉଷଠି ଗିଗାବାଇଟ୍ ଅକ୍ଷତ ଥିବା ଗୋଟିଏ କାର୍ଡ ପୂର୍ବ ସଫ୍ଟୱେର୍ ଅନଲକ ତୁଳନାରେ କୌଣସି ଫ୍ରେମବଫର୍ ସୁବିଧା ପାଇଲା ନାହିଁ।
ଲିଖିତ ସଂସ୍କରଣ ପଢ଼ନ୍ତୁ (English) ↗
ଏହି ଭିଡିଓରେ କ'ଣ ଅଛି
- ଶାରୀରିକ ମେମୋରୀ, ପ୍ରଭାବଶାଳୀ ଭାବରେ ବିନ୍ୟାସିତ କ୍ଷମତା ଏବଂ ନିର୍ଭରଯୋଗ୍ୟ ଭାବରେ ବ୍ୟବହାର ଯୋଗ୍ୟ ମେମୋରୀ ଭିନ୍ନ ଅଟନ୍ତି।
- ଆଠ-ଗିଗାବାଇଟ୍ ଏବଂ ଦଶ-ଗିଗାବାଇଟ୍ CMP 170HX ଭାରିଆଣ୍ଟରେ ବିଭିନ୍ନ ଶାରୀରିକ ମେମୋରୀ ପ୍ୟାକେଜ୍ ରହିଛି।
- ପରବର୍ତ୍ତୀ ବିନ୍ୟାସ ରେକର୍ଡଗୁଡିକ ପ୍ରଭାବଶାଳୀ ସେଟିଙ୍ଗ୍ସକୁ ବଦଳାଇ ପାରିବେ ଯେତେବେଳେ କି ଶାରୀରିକ ଫ୍ୟୁଜ୍ ଚିହ୍ନ ସ୍ଥାୟୀ ରହିଥାଏ।
- କେଟ୍ଙ୍କ ରିପୋର୍ଟ କରାଯାଇଥିବା ପ୍ରଦର୍ଶନ ତୁଳନା OpenCL ରେ FP16 half2 FMA ଗାଣିତିକକୁ ମାପେ, ଯେଉଁଥିରେ କୌଣସି ନିୟନ୍ତ୍ରିତ ଅନୁମାନ-ସ୍ପିଡ୍ ତୁଳନା ନାହିଁ।
- ଏକ ବିନ୍ୟାସ ଅନଲକ ପରେ ମଧ୍ୟ ଉତ୍ପାଦନ ତ୍ରୁଟି ରହିଥାଏ; ଲେଖକଙ୍କ ଚଉଷଠି-ଗିଗାବାଇଟ୍ କାର୍ଡ କୌଣସି ଅତିରିକ୍ତ ଫ୍ରେମବଫର୍ କ୍ଷମତା ପାଇଲା ନାହିଁ।
ପ୍ରଶ୍ନ ଏବଂ ଉତ୍ତର
ଏକ ମାଇନିଂ GPU ରେ ପ୍ରୟୋଗଗୁଡ଼ିକ ବ୍ୟବହାର କରିପାରିବା ଠାରୁ ଅଧିକ ମେମୋରୀ କାହିଁକି ରହିପାରେ?
ସ୍ଥାପିତ ମେମୋରୀ ଏବଂ ପ୍ରକାଶିତ କ୍ଷମତାକୁ ପୃଥକ ଭାବରେ ନିୟନ୍ତ୍ରିତ କରାଯାଏ। କେଟ୍ଙ୍କ ଗବେଷଣା ରିପୋର୍ଟ କରିଛି ଯେ ଆଠ-ଗିଗାବାଇଟ୍ CMP 170HX ଭାରିଆଣ୍ଟରେ ପ୍ରାୟ ଅଶୀ ଗିଗାବାଇଟ୍ ଶାରୀରିକ ଭାବରେ ରହିଛି, ଯେତେବେଳେ କି ବିନ୍ୟାସ ପ୍ରତିବନ୍ଧକଗୁଡ଼ିକ ଏକ ଛୋଟ କ୍ଷମତା ପ୍ରକାଶ କରନ୍ତି। ଦଶ-ଗିଗାବାଇଟ୍ ଭାରିଆଣ୍ଟରେ ପ୍ରାୟ ଚାଳିଶ ଗିଗାବାଇଟ୍ ଶାରୀରିକ ଭାବରେ ଥିବା ଏକ ଭିନ୍ନ ପ୍ୟାକେଜ୍ ଅଛି। ବ୍ୟବହାର ଯୋଗ୍ୟ ମେମୋରୀ ତଥାପି ଅକ୍ଷତ ହାର୍ଡୱେର୍ ଏବଂ ଡ୍ରାଇଭର ପରିଚାଳନା କରିପାରୁଥିବା ଏକ ବିନ୍ୟାସ ଉପରେ ନିର୍ଭର କରେ।
ସ୍ଥାୟୀ ଇଲେକ୍ଟ୍ରୋନିକ୍ ଫ୍ୟୁଜ୍ ଗୁଡିକ କିପରି ପ୍ରଭାବଶାଳୀ ସେଟିଙ୍ଗ୍ସକୁ ବଦଳାଇବାକୁ ଅନୁମତି ଦିଅନ୍ତି?
ପରବର୍ତ୍ତୀ ବିନ୍ୟାସ ରେକର୍ଡଗୁଡ଼ିକ ଏକ ଅପରିବର୍ତ୍ତନୀୟ ଶାରୀରିକ ଇତିହାସରୁ ବ୍ୟାଖ୍ୟା କରାଯାଇଥିବା ପ୍ରଭାବଶାଳୀ ମୂଲ୍ୟଗୁଡ଼ିକୁ ବଦଳାଇ ପାରିବେ। କେଟ୍ GA100 ଗବେଷଣାରେ ଏହି ଭିନ୍ନତା ବର୍ଣ୍ଣନା କରନ୍ତି, ଏବଂ Nvidia ର ଉତ୍ସ-ସଂଯୁକ୍ତ ପେଟେଣ୍ଟ ଅତିକ୍ରମଣୀୟ ଫ୍ୟୁଜ୍ ରେକର୍ଡ ପାଇଁ ଧାରଣାଗତ ପ୍ରସଙ୍ଗ ପ୍ରଦାନ କରେ। ଏକ ଫୁଟି ଯାଇଥିବା ଶାରୀରିକ ଫ୍ୟୁଜ୍ ଫୁଟି ରହିଥାଏ। ଏହି ଏପିସୋଡ୍ ବୈଦ୍ୟୁତିକ ପ୍ରଣାଳୀ, ହାର୍ଡୱେର୍ ଠିକଣା କିମ୍ବା ଏକ ପରିବର୍ତ୍ତନ ରେସିପି ପ୍ରଦାନ ନକରି ବ୍ୟାଖ୍ୟା କରେ।
ରିପୋର୍ଟ କରାଯାଇଥିବା ଗାଣିତିକ ବେଞ୍ଚମାର୍କ ଦ୍ରୁତ AI ଅନୁମାନ ସ୍ଥାପନ କରେ କି?
ରିପୋର୍ଟ କରାଯାଇଥିବା ତୁଳନା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଅର୍ଦ୍ଧ-ସଠିକତା ଗାଣିତିକ ଅପରେସନ୍ ମାପେ। ProjectPhysX OpenCL FP16 half2 FMA ମାଇକ୍ରୋବେଞ୍ଚମାର୍କରେ କେଟ୍ଙ୍କ ହାର୍ଡୱେର୍-ଅନଲକ ହୋଇଥିବା ଉଦାହରଣ ଏକ ଖୁଚୁରା A100 ଠାରୁ ପ୍ରାୟ ଅଠର ପ୍ରତିଶତ ଆଗରେ କାର୍ଯ୍ୟ କରେ। ଏହି ଆର୍ଟିକିଲ୍ କୌଣସି ନିୟନ୍ତ୍ରିତ ଟୋକେନ୍-ପ୍ରତି-ସେକେଣ୍ଡ ତୁଳନା ପ୍ରଦାନ କରେ ନାହିଁ। ମଡେଲ୍ ଫିଟ୍, ଗାଣିତିକ ଥ୍ରୁପୁଟ୍ ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ଆପ୍ଲିକେସନ୍ ପ୍ରଦର୍ଶନ ପାଇଁ ପୃଥକ ପ୍ରମାଣ ଆବଶ୍ୟକ, ଏବଂ ମାପଗୁଡ଼ିକ ଲେଖକଙ୍କ ଫଳାଫଳ ରହିଥାଏ।
ଗୋଟିଏ ଅନଲକ ହୋଇଥିବା କାର୍ଡ ଅତିରିକ୍ତ ବ୍ୟବହାର ଯୋଗ୍ୟ ମେମୋରୀ କାହିଁକି ପାଇଲା ନାହିଁ?
ସେହି ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଡରେ ମାତ୍ର ଚଉଷଠି ଗିଗାବାଇଟ୍ ଅକ୍ଷତ ଥିଲା। କେଟ୍ ରିପୋର୍ଟ କରିଛନ୍ତି ଯେ ଏହାର ହାର୍ଡୱେର୍ ଅନଲକ ପୂର୍ବର ସଫ୍ଟୱେର୍ ଅନଲକ ତୁଳନାରେ କୌଣସି ଫ୍ରେମବଫର୍ ସୁବିଧା ଦେଲାନାହିଁ, ଯାହା ପୂର୍ବରୁ ସେହି କ୍ଷମତାକୁ ପହଞ୍ଚିଥିଲା। ଏକ ପ୍ରତିବନ୍ଧକକୁ ବଦଳାଇବା କ୍ଷତିଗ୍ରସ୍ତ ହାର୍ଡୱେର୍ କୁ କ୍ଷତିଗ୍ରସ୍ତ ଛାଡିଦେଲା। ଏହି ପ୍ରତି-ଉଦାହରଣ ଦର୍ଶାଏ ଯେ ଏକ ବ୍ୟକ୍ତିଗତ କାର୍ଡ ପାଇଁ ଶାରୀରିକ ଭାବରେ ସ୍ଥାପିତ ମେମୋରୀ ଏବଂ ନିର୍ଭରଯୋଗ୍ୟ ଭାବରେ ବ୍ୟବହାର ଯୋଗ୍ୟ କ୍ଷମତାକୁ କାହିଁକି ପୃଥକ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରିବା ଆବଶ୍ୟକ।
ଏକ ସଂଶୋଧିତ ମାଇନିଂ ଆକ୍ସିଲେରେଟର ଉପରେ ନିର୍ଭର କରିବା ବିଷୟରେ The Daily Diff ର ରାୟ କ'ଣ ଥିଲା?
The Daily Diff ର ରାୟ ଥିଲା NEEDS REVIEW। ନିକୋ ଏକ ମାଇନିଂ କାର୍ଡକୁ ଆକ୍ସିଲେରେଟର ଭାବରେ ନିର୍ଭର କରିବା ପୂର୍ବରୁ ସ୍ୱାଧୀନ କାର୍ଯ୍ୟଭାର ଏବଂ ନିର୍ଭରଯୋଗ୍ୟତା ପରୀକ୍ଷା ଚାହିଁବେ। ଏହି ଏପିସୋଡ୍ କେଟ୍ଙ୍କ ପ୍ରକାଶିତ ଗବେଷଣାକୁ ଶ୍ରେୟ ଦିଏ ଯେତେବେଳେ କି ଲେଖକଙ୍କ ମାପ ସୀମା ଏବଂ ତ୍ରୁଟିଯୁକ୍ତ-କାର୍ଡ ପ୍ରତି-ଉଦାହରଣକୁ ସୁରକ୍ଷିତ ରଖେ। ଏହା ସୋ ଦ୍ୱାରା କରାଯାଇଥିବା କୌଣସି ସ୍ୱାଧୀନ ହାର୍ଡୱେର୍ ପରିବର୍ତ୍ତନ, ପୁନରୁତ୍ପାଦନ କିମ୍ବା ଆପ୍ଲିକେସନ୍ ବେଞ୍ଚମାର୍କ ରିପୋର୍ଟ କରେ ନାହିଁ।
ଅନୁବାଦିତ ଟ୍ରାନ୍ସକ୍ରିପ୍ଟ
ମୂଳ ଇଂରାଜୀ ବର୍ଣ୍ଣନାରୁ ଅନୁବାଦିତ। ଉପଲବ୍ଧ ଅଡିଓ ଏବଂ କ୍ୟାପ୍ସନ୍ଗୁଡ଼ିକ YouTube ଦ୍ୱାରା ନିୟନ୍ତ୍ରିତ।
ଅତିରିକ୍ତ ମେମୋରୀ କେଉଁଠାରୁ ଆସିଲା?
0:00 ଏକ ଆଠ ଗିଗାବାଇଟ୍ GPU ଆଠ ଗିଗାବାଇଟ୍ ହାର୍ଡୱେର୍ ପରି ଲାଗେ। ଗବେଷକ କେଟ୍ ରିପୋର୍ଟ କରିଛନ୍ତି ଯେ ଏକ Nvidia ମାଇନିଂ କାର୍ଡ ଭିତରେ ଅଶୀଟି ଶାରୀରିକ ଭାବରେ ଉପସ୍ଥିତ ଅଛି। ଏହି ଭିଡିଓରେ, ମେମୋରୀ କେଉଁଠାରେ ଲୁଚି ରହିଥିଲା? ଏହାକୁ ଅନଲକ କରିବା ପରେ ବି ଆପଣ କାହିଁକି କମ୍ ପାଇବେ? ଆଜି ବୁଧବାର, ନଭେମ୍ବର ଏଗାର, ଏବଂ ଏହା ହେଉଛି The Daily Diff। ଏବଂ କେଟ୍ଙ୍କ ଗୋଟିଏ କାର୍ଡ ଦର୍ଶାଏ ଯେ ମାଗଣା ଅପଗ୍ରେଡ୍ କେଉଁଠାରେ ଶେଷ ହୁଏ। CMP 170HX ହେଉଛି Nvidia ର Ethereum ମାଇନିଂ ଆକ୍ସିଲେରେଟର,
ଏହି ମାଇନିଂ କାର୍ଡ ଭିତରେ କ'ଣ ଅଛି?
0:22 ଯାହା A100 ପରି ସମାନ GPU ଡାଏକୁ ନେଇ ନିର୍ମିତ। କେଟ୍ ରିପୋର୍ଟ କରିଛନ୍ତି ଯେ ବିନ୍ୟାସ ପ୍ରତିବନ୍ଧକଗୁଡିକ ପ୍ୟାକେଜରେ ପୂର୍ବରୁ ଥିବା ମେମୋରୀକୁ ଲୁଚାଇ ରଖନ୍ତି। ବ୍ୟବହାର ଯୋଗ୍ୟ କ୍ଷମତା ଅକ୍ଷତ ହାର୍ଡୱେର୍ ଏବଂ ଏକ ବିନ୍ୟାସ ଉପରେ ନିର୍ଭର କରେ ଯାହାକୁ ଡ୍ରାଇଭର ପରିଚାଳନା କରିପାରିବ। କେଟ୍ ନଭେମ୍ବର 10 ରେ ଗବେଷଣା ପ୍ରକାଶ କରିଥିଲେ। ଆଜି Hacker News ର ପାଠକମାନେ ଲୁକ୍କାୟିତ ହାର୍ଡୱେର୍ ଏବଂ ଉତ୍ପାଦନ ତ୍ରୁଟି ବିଷୟରେ ଯୁକ୍ତି କରିଥିଲେ। ଉଭୟ ଉତ୍ପାଦ ବିଭାଜନ ଏବଂ ଉତ୍ପାଦନ ଉତ୍ପାଦନ ଏଠାରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ। ମନ୍ତବ୍ୟ ବିଭାଗ ପୂର୍ବରୁ ସେମି-କଣ୍ଡକ୍ଟର ଗୁଣବତ୍ତା
0:46 ନିଶ୍ଚିତତାକୁ ପ୍ରୋତ୍ସାହିତ କରିଛି। ମହଙ୍ଗା ଅଂଶ ପୂର୍ବରୁ ସେଠାରେ ଅଛି।
ସ୍ଥାପିତ ମେମୋରୀ କିପରି ଅଦୃଶ୍ୟ ରହିପାରେ?
0:48 ଅଧିକ ବ୍ୟାଣ୍ଡୱିଥ୍ ମେମୋରୀ, ବା HBM, ପ୍ୟାକେଜରେ GPU ଡାଏ ପାଖରେ ରହିଥାଏ। Nvidia ର ସ୍ଥାପତ୍ୟ ବର୍ଣ୍ଣନା ସମ୍ପୂର୍ଣ୍ଣ ଚିପ୍ କୁ A100 ଭାବରେ ବିକ୍ରି ହୋଇଥିବା ବିନ୍ୟାସ ଠାରୁ ପୃଥକ କରେ। ସମ୍ବନ୍ଧିତ ହାର୍ଡୱେର୍ ବିଭିନ୍ନ ଉତ୍ପାଦ ହୋଇପାରେ। କେଟ୍ ଦୁଇଟି ସଂସ୍କରଣ ଚିହ୍ନଟ କରିଛନ୍ତି। ଆଠ ଗିଗାବାଇଟ୍ କାର୍ଡରେ ଶାରୀରିକ ଭାବରେ ପ୍ରାୟ ଅଶୀଟି ସ୍ଥାପିତ ହୋଇଛି। ଦଶ ଗିଗାବାଇଟ୍ କାର୍ଡରେ ପ୍ରାୟ ଚାଳିଶଟି ଅଛି। ସେଗୁଡ଼ିକ ଭିନ୍ନ ପ୍ୟାକେଜ୍, ତେଣୁ ବୃହତ ଉତ୍ପାଦ ଲେବଲ୍ କମ୍ ମେମୋରୀ ସହିତ ଆସିପାରେ।
1:10 ମଡେଲ ନାମ ଅନୁଯାୟୀ କିଣିବା ମାତ୍ରେ ଏକ ସାଇଡ୍ କ୍ୱେଷ୍ଟ୍ ହାସଲ ହେଲା। ଉତ୍ପାଦନ ଏକ ଚିପ୍ ର ଅଂଶକୁ ତ୍ରୁଟିଯୁକ୍ତ କରିପାରେ। କେଟ୍ ଏକ ଫିଚର୍ କୁ ଅକ୍ଷମ କରୁଥିବା ବିନ୍ୟାସକୁ ତ୍ରୁଟିଯୁକ୍ତ ହାର୍ଡୱେର୍ ଚିହ୍ନଟ କରୁଥିବା ରେକର୍ଡ ଠାରୁ ଅଲଗା କରେ। ତ୍ରୁଟିଯୁକ୍ତ ହାର୍ଡୱେର୍ ଚିହ୍ନଟ କରୁଥିବା ରେକର୍ଡ ଠାରୁ ଅଲଗା କରେ। କିଛି ଅକ୍ଷମ ହୋଇଥିବା ଉତ୍ସଗୁଡ଼ିକ ପ୍ରକାଶିତ ହେଲେ କାମ କରନ୍ତି। ଏକ ଶାରୀରିକ ଭାବରେ ଭଙ୍ଗା ମେମୋରୀ ବ୍ୟାଙ୍କ ଭଙ୍ଗା ରହିଥାଏ, ତୁମର GitHub readme ଯେତେ ପ୍ରଭାବଶାଳୀ ହେଉନା କାହିଁକି। ଇଲେକ୍ଟ୍ରୋନିକ୍ ଫ୍ୟୁଜ୍ ଗୁଡିକ ଛୋଟ ଶାରୀରିକ ସଂରଚନା ଯାହା ସ୍ଥାୟୀ ଭାବରେ
ଏକମୁଖୀ ଫ୍ୟୁଜ୍ କାହିଁକି ଏକ ନୂତନ ବିନ୍ୟାସକୁ ଅନୁମତି ଦିଅନ୍ତି?
1:31 ସେଟିଙ୍ଗ୍ସ ରେକର୍ଡ କରେ। ଏକ ଫୁଟି ଯାଇଥିବା ଫ୍ୟୁଜ୍ ଫୁଟି ରହିଥାଏ। ପ୍ରଭାବଶାଳୀ ସେଟିଙ୍ଗ୍ସ ବିନ୍ୟାସ ରେକର୍ଡ ମାଧ୍ୟମରେ ଏନକୋଡ୍ ହୋଇପାରିବ। କେଟ୍ ପୂର୍ବ ପ୍ରଭାବଶାଳୀ ମୂଲ୍ୟଗୁଡ଼ିକୁ ବଦଳାଉଥିବା ପରବର୍ତ୍ତୀ ରେକର୍ଡଗୁଡ଼ିକୁ ବର୍ଣ୍ଣନା କରନ୍ତି। ଶାରୀରିକ ଇତିହାସ ରହିଥାଏ, ଯେତେବେଳେ କି ଏଥିରୁ ବ୍ୟାଖ୍ୟା କରାଯାଇଥିବା ବିନ୍ୟାସ ପରିବର୍ତ୍ତନ ହୁଏ। ଏକ ଦଲିଲକୁ କଳ୍ପନା କରନ୍ତୁ ଯେଉଁଥିରେ ଏକ ମୂଳ ନିର୍ଦ୍ଦେଶ ଏବଂ ପରବର୍ତ୍ତୀ ସଂଶୋଧନ ଅଛି। ସଂଶୋଧନ ଯୋଡିବା ଦ୍ୱାରା କେଉଁ ନିର୍ଦ୍ଦେଶ ପ୍ରଯୁଜ୍ୟ ହୁଏ ତାହା ବଦଳିଯାଏ, ଯେତେବେଳେ କି ମୂଳ କାଳି ରହିଥାଏ।
1:51 ସ୍ଥାପିତ ମେମୋରୀ ଅପରିବର୍ତ୍ତିତ ଅଛି। କେହି ଜଣେ ଫ୍ୟୁଜ୍ କୁ ପୁଣି ବଢ଼ିବାକୁ ପ୍ରବର୍ତ୍ତାଇ କ୍ଷତିଗ୍ରସ୍ତ HBM କୁ ମରାମତି କରିନାହିଁ। କେଟ୍ ଅସୁବିଧାଜନକ ପରିଣାମକୁ ସୂଚାଇ ଦିଅନ୍ତି। ଅଧିକ ଫ୍ୟୁଜ୍ ଜାଳିବା ଦ୍ୱାରା କିଛି ପ୍ରତିବନ୍ଧକ କୋହଳ ହୋଇପାରେ। କେଉଁଠାରେ, ଏକ ସମ୍ପୂର୍ଣ୍ଣ ଯୁକ୍ତିଯୁକ୍ତ ଡିଜାଇନ୍ ସମୀକ୍ଷା ଆବିଷ୍କାର କରୁଛି ଯେ 'ସ୍ଥାୟୀ' ଶବ୍ଦ ପାଇଁ ସ୍ପ୍ରେଡସିଟରେ ଦ୍ୱିତୀୟ କଲମ ଆବଶ୍ୟକ ଥିଲା। ଗବେଷଣା ରିପୋର୍ଟ କରିଛି ଯେ ଏକ ସଂକ୍ଷିପ୍ତ ବୈଦ୍ୟୁତିକ ବିଭ୍ରାଟ କଣ୍ଟ୍ରୋଲରର ଯାଞ୍ଚକୁ ବାଧା ଦେଇ ସ୍ଥାୟୀ ବିନ୍ୟାସ ପରିବର୍ତ୍ତନକୁ ଅନୁମତି ଦେଇଥାଏ।
2:13 ଆମେ ସେହି ବ୍ୟାଖ୍ୟାକୁ ଧାରଣାଗତ ରଖିବା। ହାର୍ଡୱେର୍ ପ୍ରଣାଳୀଗୁଡ଼ିକୁ ପୁନରୁତ୍ପାଦନ କରିବା ଏକ କାର୍ଡକୁ ନଷ୍ଟ କରିପାରେ। ଏହି ଫଳାଫଳ ପଢ଼ିବା ଦ୍ୱାରା ଆପଣଙ୍କୁ ଏକ ମାନସିକ ମଡେଲ୍ ମିଳିଥାଏ; ଏହା ଆପଣଙ୍କୁ କୌଣସି ୱାରେଣ୍ଟି ଦିଏ ନାହିଁ। CMP unlocker ନାମକ ଏକ ସଫ୍ଟୱେର୍ ଅନଲକ ପୂର୍ବରୁ ବିଦ୍ୟମାନ ଥିଲା।
ପୂର୍ବର ସଫ୍ଟୱେର୍ ଅନଲକ ପୂର୍ବରୁ କ'ଣ କରିପାରୁଥିଲା?
2:24 କେଟ୍ଙ୍କ ତୁଳନା ଆଠ ଗିଗାବାଇଟ୍ ସଂସ୍କରଣକୁ ଚଉଷଠି ବ୍ୟବହାର ଯୋଗ୍ୟ ଗିଗାବାଇଟ୍ରେ ରଖେ। ହାର୍ଡୱେର୍ ଅନଲକ ମେମୋରୀ ଅକ୍ଷତ ଥିଲେ ଅଶୀରେ ପହଞ୍ଚିପାରେ। କେଟ୍ ଏହି ହାର୍ଡୱେର୍ ଫଳାଫଳଗୁଡ଼ିକୁ ରିପୋର୍ଟ କରନ୍ତି; ମାଇନିଂ ହାର୍ଡୱେର୍ ର ପୁନଃଉପଯୋଗୀକରଣର ଏକ ଲମ୍ବା ଇତିହାସ ଅଛି। କେଟ୍ ରିପୋର୍ଟ କରିଛନ୍ତି ଯେ GPU କ୍ୟାଶ୍ ସଫା କରିବା ପରେ ପୂରା ମେମୋରୀରେ ଡାଟା ଲେଖି ଏବଂ ତାହାକୁ ପୁଣି ପଢ଼ି ପୂରା ମେମୋରୀ ଯାଞ୍ଚ କରିଛନ୍ତି। ଏହି ଆର୍ଟିକିଲ୍ କାର୍ଯ୍ୟକ୍ଷମ ଅନୁମାନ କାର୍ଯ୍ୟଭାର ମଧ୍ୟ ରିପୋର୍ଟ କରେ। ସେଗୁଡ଼ିକ ହେଉଛି ଲେଖକଙ୍କ ପରୀକ୍ଷା, ଯାହା କ୍ଷମତା ପଢ଼ିବା ଠାରୁ ଅଧିକ ଶକ୍ତିଶାଳୀ। ଆମେ ଏକ ସଂଶୋଧିତ କାର୍ଡକୁ ସ୍ୱାଧୀନ ଭାବରେ ପରୀକ୍ଷା କରିନାହୁଁ।
2:49 ଖୁଚୁରା A100 ରେ ଏକ ଶହ ଆଠଟି ଷ୍ଟ୍ରିମିଂ ମଲ୍ଟିପ୍ରୋସେସର ଅଛି,
A100 ଠାରୁ ଅଧିକ ଦ୍ରୁତ ଫଳାଫଳ କ'ଣ ମାପେ?
2:53 କାମ କରୁଥିବା ଗୋଷ୍ଠୀଗୁଡ଼ିକ। କେଟ୍ ଅଧିକ କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀକୁ ସକ୍ଷମ କରିବା ବିଷୟରେ ରିପୋର୍ଟ କରନ୍ତି। ମାପା ଯାଇଥିବା କାର୍ଡରେ ଏକ ଶହ ଚବିଶଟି ଅଛି। କେଉଁ ଗୋଷ୍ଠୀ କାର୍ଯ୍ୟ କରନ୍ତି ତାହା ବ୍ୟକ୍ତିଗତ ଡାଏ ଉପରେ ନିର୍ଭର କରେ। କେଟ୍ଙ୍କ ଅର୍ଦ୍ଧ-ସଠିକତା ଗାଣିତିକ ମାଇକ୍ରୋବେଞ୍ଚମାର୍କ ହାର୍ଡୱେର୍ ଅନଲକ ହୋଇଥିବା କାର୍ଡକୁ ଏକ ଖୁଚୁରା A100 ଠାରୁ ପ୍ରାୟ ଅଠର ପ୍ରତିଶତ ଆଗରେ ରଖେ। ଏହା OpenCL ରେ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ପୁନରାବୃତ୍ତି ଅପରେସନ୍ ମାପେ।
3:10 ସମସ୍ତ AI ମଡେଲ୍ ପାଇଁ ଏକ ବୃଦ୍ଧି ଭାବରେ ଏହାକୁ ପଢ଼ିବା ଦ୍ୱାରା ଚାର୍ଟକୁ ଏକ ପ୍ରୋମୋସନ୍ ମିଳିଥାଏ ଯାହା ଏହା ଅର୍ଜନ କରିନାହିଁ। Hacker News ପାଠକମାନେ କାରଖାନା ପରୀକ୍ଷା ଏବଂ ନିର୍ଭରଯୋଗ୍ୟତା ବିଷୟରେ ଉଠାଇଥିଲେ। ସେମାନଙ୍କର ପ୍ରତିଯୋଗୀ ତତ୍ତ୍ୱଗୁଡ଼ିକ କୌଣସି ସ୍ୱାଧୀନ ପୁନରୁତ୍ପାଦନ ପ୍ରଦାନ କରନ୍ତି ନାହିଁ। ମୁଁ ଇଞ୍ଜିନିୟରିଂକୁ ପ୍ରଶଂସା କରିପାରେ ଏବଂ ତଥାପି କାର୍ଯ୍ୟଭାର ମାପ ଏବଂ ଲମ୍ବା ସ୍ଥିରତା ଚାହେଁ ଯାହାକୁ ମୁଁ ଗୁରୁତ୍ୱ ଦେଉଥିବା ଏକ କାର୍ଯ୍ୟ ସହିତ ହାର୍ଡୱେର୍ କୁ ବିଶ୍ୱାସ କରିବା ପୂର୍ବରୁ। ଅତିରିକ୍ତ ବ୍ୟବହାର ଯୋଗ୍ୟ ମେମୋରୀ ଏକ ମଡେଲ୍ କାର୍ଡରେ ଫିଟ୍ ହେବ କି ନାହିଁ ତାହା ନିର୍ଣ୍ଣୟ କରିପାରେ।
ଏହାକୁ ଏକ ସମର୍ଥିତ ଆକ୍ସିଲେରେଟର ଠାରୁ କ'ଣ ଅଲଗା କରେ?
3:30 ଗତି ମଧ୍ୟ କାର୍ଯ୍ୟଭାର ଏବଂ ସିଷ୍ଟମ୍ ମାଧ୍ୟମରେ ଡାଟା ଗତି କରିବା ଉପରେ ନିର୍ଭର କରେ। ଏହି ଆର୍ଟିକିଲ୍ କୌଣସି ନିୟନ୍ତ୍ରିତ ଟୋକେନ୍ ପ୍ରତି ସେକେଣ୍ଡ ତୁଳନା ପ୍ରଦାନ କରେ ନାହିଁ। ମଡେଲ୍ କ୍ଷମତା, ଗାଣିତିକ ଥ୍ରୁପୁଟ୍ ଏବଂ ଆପ୍ଲିକେସନ୍ ପ୍ରଦର୍ଶନକୁ ପୃଥକ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରନ୍ତୁ। କେଟ୍ କୁହନ୍ତି ଯେ ଇମେଜ୍ ଏବଂ ଭିଡିଓ ଡିକୋଡିଂ ଫିଚର୍ ଏବଂ ମଲ୍ଟି-ଇନଷ୍ଟାନ୍ସ GPU ମୋଡ୍ ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବରେ ପରୀକ୍ଷା କରାଯାଇ ନଥିଲା। ଇଣ୍ଟରକନେକ୍ଟ ଏବଂ ଦ୍ରୁତ PCI ଏକ୍ସପ୍ରେସ ସଂଯୋଗ ପାଇଁ ଅତିରିକ୍ତ ପରିବର୍ତ୍ତନ ଆବଶ୍ୟକ। ବୋର୍ଡ, ଫର୍ମୱେର୍ ଏବଂ କାର୍ଯ୍ୟକ୍ଷମ ହାର୍ଡୱେର୍ ତଥାପି ନିର୍ଣ୍ଣୟ କରନ୍ତି କ'ଣ ବ୍ୟବହାର ଯୋଗ୍ୟ ହେବ। କେଟ୍ କୁହନ୍ତି ଯେ ଫଳାଫଳଗୁଡ଼ିକ ପ୍ରକାଶନ ପୂର୍ବରୁ Nvidia ର ଉତ୍ପାଦ ସୁରକ୍ଷା ଦଳକୁ ଯାଇଥିଲା।
3:58 ଏହି ପୋଷ୍ଟ ଅନ୍ୟ ଜଣେ ଗବେଷକଙ୍କୁ ସ୍ୱାଧୀନ ଭାବରେ ଦୁର୍ବଳତା ଖୋଜିଥିବାର ଶ୍ରେୟ ଦିଏ। ଆମେ କୌଣସି ସର୍ବସାଧାରଣ Nvidia ପ୍ରତିକ୍ରିୟା କିମ୍ବା ପରୀକ୍ଷିତ ଫିକ୍ସ ଏଠାରେ ଯାଞ୍ଚ କରିନାହୁଁ। ସ୍ଥାୟୀ ବିନ୍ୟାସ ପରିବର୍ତ୍ତନ ହାର୍ଡୱେର୍ କୁ ସ୍ଥାୟୀ ଭାବରେ ଅଟକାଇ ପାରେ। ଏକ ସଫଳ ଅନଲକ ତଥାପି କୁଲିଂ, ପାୱାର ଏବଂ ନିର୍ଭରଯୋଗ୍ୟତା ମୂଲ୍ୟାଙ୍କନ କରିବାକୁ ଛାଡିଦିଏ। ଜଣେ ବିକ୍ରେତାଙ୍କ ଚମତ୍କାର ହେଡଲାଇନ ଏକ ନମୁନା ବିଷୟରେ ଏକ ଦାବି ଅଟେ। ଏକ କ୍ଷମତା ସ୍କ୍ରିନସଟ୍ ଆପଣଙ୍କୁ ଏହାକୁ ଯାଞ୍ଚ କରିବା ପାଇଁ ଏକ ଆରମ୍ଭ ବିନ୍ଦୁ ଦିଏ।
ଗୋଟିଏ କାର୍ଡ କାହିଁକି ଅତିରିକ୍ତ ମେମୋରୀ ପାଇଲା ନାହିଁ?
4:19 ବର୍ତ୍ତମାନ କାର୍ଡ ଯାହା ମାଗଣା ଅପଗ୍ରେଡ୍ କଳ୍ପନାକୁ ନଷ୍ଟ କରେ। କେଟ୍ ଙ୍କ ପାଖରେ ଗୋଟିଏ କାର୍ଡ ଥିଲା ଯେଉଁଥିରେ ମାତ୍ର ଚଉଷଠି ଗିଗାବାଇଟ୍ ଅକ୍ଷତ ଥିଲା। ହାର୍ଡୱେର୍ ଅନଲକ ଏହାକୁ ସଫ୍ଟୱେର୍ ଅନଲକ ତୁଳନାରେ କୌଣସି ମେମୋରୀ ସୁବିଧା ଦେଲାନାହିଁ। ପ୍ରତିବନ୍ଧକ ବଦଳିଲା; କ୍ଷତିଗ୍ରସ୍ତ ହାର୍ଡୱେର୍ କ୍ଷତିଗ୍ରସ୍ତ ରହିଲା। ତାହା ହେଉଛି ଉପଯୋଗୀ କିଣିବା ଶିକ୍ଷା। ଶାରୀରିକ ଭାବରେ ସ୍ଥାପିତ କ୍ଷମତା ଏବଂ ନିର୍ଭରଯୋଗ୍ୟ ଭାବରେ ବ୍ୟବହାର ଯୋଗ୍ୟ କ୍ଷମତା ବହୁତ ଭିନ୍ନ ସଂଖ୍ୟା ହୋଇପାରେ। ଯଦି ଆପଣ ମୋତେ ଏହା କହିବା ଶୁଣିବା ଅପେକ୍ଷା ଏହାକୁ ପଢ଼ିବାକୁ ପସନ୍ଦ କରନ୍ତି, ପ୍ରତିଦିନ ସକାଳେ diff ଆପଣଙ୍କ ଇନବକ୍ସରେ ଆସିବ, daily diff dot dev ରେ ମାଗଣା,
4:42 ତଳେ ଲିଙ୍କ୍। ତେଣୁ, ଆଜିର ରାୟ, NEEDS REVIEW।
ଅନଲକ ଉପରେ ନିଷ୍ପତ୍ତି କ'ଣ?
4:44 ମୁଁ ସ୍ୱାଧୀନ କାର୍ଯ୍ୟଭାର ଏବଂ ନିର୍ଭରଯୋଗ୍ୟତା ପରୀକ୍ଷା ଚାହେଁ, ଏକ ସଂଶୋଧିତ ମାଇନିଂ କାର୍ଡକୁ ଏକ ନିର୍ଭରଯୋଗ୍ୟ ଆକ୍ସିଲେରେଟର ଭାବରେ ବ୍ୟବହାର କରିବା ପୂର୍ବରୁ। କେଟ୍ଙ୍କ ଗବେଷଣା ଲୁକ୍କାୟିତ ହାର୍ଡୱେର୍ କୁ ବୁଝିବା ସହଜ କରେ। ଏକ ନିର୍ଭରଯୋଗ୍ୟ ଫଳାଫଳ କିଣିବା ପାଇଁ ଅଧିକ ପ୍ରମାଣ ଆବଶ୍ୟକ। ଏବଂ ତାହା ହେଉଛି ଆଜିର diff। ମୁଁ Axrisi ରୁ ନିକୋ। ଦାୟିତ୍ୱର ସହିତ ମର୍ଜ କରନ୍ତୁ।
ଉତ୍ସଗୁଡ଼ିକ
- Using voltage glitching to unleash the A100 in my mining cardKate's blog
- NVIDIA Ampere Architecture In-DepthNVIDIA Developer
- OpenCL-BenchmarkProjectPhysX
- GA100VFI research provenanceKate
- Earlier CMPunlocker projectAmogh Munikote
- Integrated circuit having an enhanced fuseless fuse structureNVIDIA patent
- November 11 discussion of Kate's researchHacker News
- Jensen Huang at Stanford, April 30, 2026 — AnderseidesvikWikimedia Commons
- Portrait and complete artwork licence: CC BY-SA 4.0Creative Commons
- Toy Story process-commentary still sourceImgflip / Pixar-Disney media
- Futurama fictional sceptical reaction sourceGiphy / Gifsee
- Futurama GIF linked sourceGifsee



