Badania naukowe na krawędzi – pamięć masowa o dużej pojemności umożliwia szybsze uzyskiwanie wniosków dzięki sztucznej inteligencji

W erze, w której badania naukowe szybko przekraczają granice naszych możliwości technologicznych, znaczenie pamięci masowej o dużej pojemności zyskuje na znaczeniu. Uzbrojeni w wydajny system do przechwytywania obiektów głębokiego nieba, zestaw dysków SSD Solidigm P5336 QLC o pojemności 61.44 TB oraz nasz nowy, ulubiony, wytrzymały serwer Dell PowerEdge XR7620, badamy potrzebę solidnej i ekonomicznej pamięci masowej, aby sprostać gwałtownie rosnącym wymaganiom dotyczącym danych w badaniach naukowych opartych na sztucznej inteligencji i opartych na rozwiązaniach brzegowych.

Przechwytywanie danych brzegowych

W ostatnich latach obliczenia naukowe i przetwarzanie danych przeszły ogromną przemianę, odchodząc od tradycyjnych, scentralizowanych modeli obliczeniowych w stronę bardziej dynamicznego obszaru przetwarzania brzegowego. Ta zmiana to nie tylko zmiana preferencji obliczeniowych, ale także odpowiedź na zmieniające się potrzeby i złożoność współczesnej eksploracji przetwarzania danych.

W swojej istocie, edge computing oznacza przetwarzanie danych w pobliżu miejsca ich generowania, w przeciwieństwie do polegania na scentralizowanym magazynie danych. Ta zmiana jest coraz bardziej istotna w dziedzinach, w których przetwarzanie danych w czasie rzeczywistym i podejmowanie decyzji mają kluczowe znaczenie. Edge computing jest atrakcyjny w badaniach naukowych, zwłaszcza w dyscyplinach wymagających szybkiego gromadzenia i analizy danych.

Czynniki napędzające przetwarzanie brzegowe

Kilka czynników napędza rozwój przetwarzania brzegowego w badaniach naukowych. Po pierwsze, ogrom danych generowanych przez współczesne eksperymenty naukowe jest oszałamiający. Tradycyjne metody przetwarzania danych, polegające na przesyłaniu ogromnych zbiorów danych do centralnego serwera w celu analizy, stają się niepraktyczne i czasochłonne.

Po drugie, potrzeba analizy w czasie rzeczywistym jest bardziej widoczna niż kiedykolwiek. W wielu scenariuszach badawczych czas potrzebny na przesłanie danych do przetworzenia może sprawić, że staną się one nieaktualne, co sprawia, że ​​natychmiastowa analiza na miejscu staje się niezbędna.

Wreszcie, bardziej zaawansowane technologie gromadzenia danych wymusiły rozwój równie zaawansowanych możliwości przetwarzania danych. Edge computing odpowiada na tę potrzebę, przybliżając potężne możliwości obliczeniowe do źródeł danych, zwiększając tym samym wydajność i efektywność badań naukowych.

Badania naukowe, będące przedmiotem naszego zainteresowania w zakresie przetwarzania brzegowego w tym artykule, koncentrują się szczególnie na przechowywaniu jak największej ilości surowych danych zbieranych przez nowoczesne, zaawansowane czujniki. Monitorowanie i analiza zebranych danych w czasie rzeczywistym za pomocą akceleratorów, takich jak NVIDIA L4, na brzegu sieci, zapewnia odpowiednie podsumowania. Nic jednak nie zastąpi rejestrowania i przechowywania wszystkich danych do celów przyszłych, bardziej dogłębnych analiz. Właśnie tutaj z pomocą przychodzą ultragęste dyski SSD Solidigm QLC .

Instalator

Astrofotografia, czyli praktyka rejestrowania obrazów ciał niebieskich i rozległych obszarów nocnego nieba, jest doskonałym przykładem dziedziny, która znacząco korzysta z przetwarzania brzegowego. Tradycyjnie astrofotografia to dyscyplina wymagająca cierpliwości, długich czasów naświetlania i intensywnej obróbki obrazów w celu wydobycia wartościowych danych. W przeszłości rozważaliśmy przyspieszenie tego procesu za pomocą klastra NUC. Teraz nadszedł czas, aby przenieść go na wyższy poziom.

Serwer Edge

Jako główną platformę serwerową na brzegu sieci wykorzystaliśmy wzmocniony serwer Dell PowerEdge XR7620 . Te zoptymalizowane serwery charakteryzują się krótką głębokością, dwoma gniazdami i kompaktową obudową, oferując rozwiązania zorientowane na akcelerację. W przeciwieństwie do typowych serwerów brzegowych, serwer XR7620 odpowiada na szybki rozwój sztucznej inteligencji i uczenia maszynowego (AI/ML), obsługując najbardziej wymagające obciążenia, takie jak automatyzacja przemysłowa, wideo, analityka punktów sprzedaży, wnioskowanie AI oraz agregacja urządzeń brzegowych.

Kluczowe dane techniczne Dell PowerEdge XR7620

Pełną listę specyfikacji można znaleźć w naszej recenzji tutaj: Dell PowerEdge XR7620.

Cecha	Specyfikacja techniczna
Procesor	Dwa skalowalne procesory Intel® Xeon® czwartej generacji z maksymalnie 32 rdzeniami na procesor
Pamięć	16 gniazd DDR5 DIMM, obsługa pamięci RDIMM do 1 TB, prędkość do 4800 MT/s. Obsługuje tylko zarejestrowane moduły DIMM DDR5 ECC.
wnęki na napędy	Zatoki przednie: do 4 dysków SSD SAS/SATA/NVMe 2.5 cala, maks. 61.44 TB, do 8 dysków bezpośrednich E3.S NVMe, maks. 51.2 TB

Ten serwer Dell PowerEdge to nie byle jaki sprzęt. Został stworzony, aby sprostać najtrudniejszym warunkom, jakie oferuje dzicz. Pomyśl o temperaturach poniżej zera, wyjących wiatrach i izolacji, przez którą słowo „odległy” wydaje się niedopowiedzeniem. Jednak pomimo przeciwności losu, serwer okazał się wydajny i nieustępliwy, napędzając badania mocą najnowocześniejszych procesorów i monstrualną wydajnością w zakresie analizy danych.

Posiadanie wytrzymałego serwera eliminuje konieczność utrzymania go w bezpiecznym i ciepłym stanie. Nie chodzi tylko o jego umiejscowienie; istotne jest również, aby serwer wytrzymał wyczerpującą podróż z bezpiecznej lokalizacji do zimnego, odosobnionego miejsca na odludziu.

Teleskop

Do tego testu wybraliśmy lokalizację wzdłuż Wielkich Jezior, w sercu odległej dziczy, z dala od inwazyjnego blasku miejskich świateł. Sercem naszego zestawu astrofotograficznego jest 11-calowy teleskop Celestron Nexstar. Dzięki aperturze f/1.9 i ogniskowej 540 mm, teleskop ten idealnie nadaje się do astrofotografii w warunkach słabego oświetlenia, oferując niezwykłe szczegóły podczas eksploracji głębokiego nieba. W głębokiej ciszy dziczy teleskop ten stoi niczym strażnik, z soczewką skierowaną w niebo, gotowy uchwycić ten niebiański spektakl.

Kamera jednorazowa

Do Nexstara dołączona jest kolorowa kamera ZWO ASI6200MC Pro One Shot. Zaprojektowana wyłącznie do astrofotografii, kamera ta umożliwia wykonywanie zdjęć obiektów astronomicznych o wysokiej rozdzielczości i bogatych kolorach. Wybór kolorowej kamery One Shot upraszcza proces obrazowania, rejestrując pełnokolorowe obrazy w ramach jednej ekspozycji bez potrzeby stosowania dodatkowych filtrów. Ta funkcja jest nieoceniona w odległych rejonach, gdzie prostota i wydajność są najważniejsze.

Specyfikacja	Szczegół
Czujnik	Matryca CMOS SONY IMX455
Rozmiar	Pełnowymiarowe
Rozkład	62 megapiksele 9576×6388
Rozmiar piksela	3.76μm
Wzór Bayera	RGB
Bufor DDR3	256MB
Interfejs	USB3.0 / USB2.0

ZWO ASI6200MC Pro to specjalnie zaprojektowana kamera astrofotograficzna wyposażona w matrycę CMOS SONY IMX455, oferującą imponującą rozdzielczość 62 megapikseli na pełnoklatkowym przetworniku obrazu. Rozmiar piksela wynosi 3.76 μm, co pozwala na wykonywanie szczegółowych i rozległych zdjęć nieba z maksymalną liczbą klatek na sekundę 3.51 kl./s przy pełnej rozdzielczości.

Kamera posiada zintegrowany system chłodzenia – regulowany, dwustopniowy termoelektryczny układ chłodzenia – który obniża temperaturę sensora, zapewniając optymalną wydajność poprzez utrzymanie temperatury o 30–35°C poniżej temperatury otoczenia, redukując szum elektroniczny i zapewniając dokładniejsze obrazy. Dzięki takim funkcjom jak migawka tocząca, szeroki zakres ekspozycji i pojemny bufor DDR3 o pojemności 256 MB, kamera ta została zaprojektowana z myślą o dostarczaniu wyjątkowej jakości obrazów zarówno astronomom amatorom, jak i profesjonalistom.

Utrzymanie niezawodnego połączenia danych w odległych rejonach nie jest dziś tak trudne dzięki Starlinkowi. Ta satelitarna usługa internetowa zapewnia szybką łączność, niezbędną do przesyłania danych i odbierania aktualizacji w czasie rzeczywistym, ale ze znacznymi ograniczeniami przepustowości, co utrudnia przesyłanie ogromnych zestawów danych do laboratorium.

Pamięć masowa o dużej pojemności

Zachowanie każdej podkategorii w astrofotografii jest kluczowe dla badaczy, ponieważ odblokowuje bogactwo informacji niezbędnych do pogłębiania wiedzy astronomicznej. Każda podkatalog pozwala uchwycić stopniowe zmiany i niuanse zjawisk niebieskich, co jest kluczowe dla szczegółowej analizy i zrozumienia. Takie podejście poprawia jakość obrazu poprzez redukcję szumów i gwarantuje niezawodność danych, zapewniając redundancję do weryfikacji oraz wspomagając korekcję błędów i kalibrację.

Specyfikacja	Solidigm D5-P5336 7.68 TB
Pojemność	7.68TB
Sekwencyjny odczyt/zapis	Do 6.8 GB/s odczytu / 1.8 GB/s zapisu
Losowe IOPS odczytu 4K/zapisu 16K	Do 770 tys. operacji wejścia/wyjścia na sekundę (IOPS) przy odczycie / 17.9 tys. operacji wejścia/wyjścia na sekundę (IOPS) przy zapisie
Zapisy na dysku dziennie (DWPD)	0.42 DWPD z 16 tys. odczytów i zapisów
Gwarancja	5 Lata

Dodatkowo korzystamy z dysku twardego Solidigm D5-P5336 o pojemności 61.44 TB

Specyfikacja	Solidigm D5-P5336 61.44 TB
Pojemność	61.44TB
Sekwencyjny odczyt/zapis	Do 7 GB/s odczytu / 3 GB/s zapisu
Losowe IOPS odczytu 4K/zapisu 16K	Do 1 mln IOPS odczytu / 42.6 tys. IOPS zapisu
Zapisy na dysku dziennie (DWPD)	0.58 DWPD z 16 tys. odczytów i zapisów
Gwarancja	5 Lata

Naszym głównym celem jest posiadanie kompleksowego zbioru danych, który umożliwia zastosowanie zaawansowanych technik obliczeniowych, takich jak uczenie maszynowe i sztuczna inteligencja, w celu odkrywania wzorców i spostrzeżeń, które mogą zostać pominięte w analizie manualnej lub tradycyjnych metodach. Utrzymanie tych podramek zabezpiecza również badania przed przyszłością, umożliwiając ich ponowne przetwarzanie z wykorzystaniem rozwijających się technologii. Stanowi on również historyczny zapis dla długoterminowych badań i wspólnych wysiłków, co czyni go nieocenionym źródłem.

Innowacyjne podejście StorageReview

Przesunęliśmy granice w zakresie przetwarzania brzegowego i jego znaczenia – i to nie tylko w przypadku typowych rynków, takich jak zastosowania przemysłowe i detaliczne. Zabierając nasz sprzęt w odległe miejsca i dokumentując wszystkie fazy astrofotografii, rejestrowania i kompilacji obrazów, pomagamy nam zrozumieć, jak sztuczna inteligencja pomaga nam w wielu różnych aspektach życia. Być może pamiętacie naszą recenzję Extreme Edge z zeszłego roku, kiedy to rozstawiliśmy nasz sprzęt na pustyni, aby uchwycić nocne niebo, nie martwiąc się o wpływ sztucznego światła na nasze zdjęcia.

Dążąc do poszerzenia granic astrofotografii, szczególnie na granicy, gdzie kluczowe znaczenie mają wysoka pojemność pamięci masowej i wydajność obliczeniowa, nowatorskie podejście do dekonwolucji obrazu rewolucjonizuje nasze możliwości uchwycenia kosmosu z niespotykaną dotąd klarownością. Aby osiągnąć ten cel, wprowadziliśmy przełomową architekturę splotowej sieci neuronowej (CNN), która znacząco redukuje artefakty tradycyjnie kojarzone z procesami dekonwolucji obrazu.

Głównym wyzwaniem w astrofotografii jest zwalczanie zniekształceń wprowadzanych przez interferencję atmosferyczną, błędy montażu i prowadzenia oraz ograniczenia sprzętu obserwacyjnego. Optyka adaptacyjna łagodzi te problemy, ale jej wysoki koszt i złożoność pozostawiają wiele obserwatoriów w potrzebie. Dekonwolucja obrazu, czyli proces szacowania i odwracania efektów funkcji rozmycia punktu (PSF) w celu uzyskania klarownych obrazów, jest kluczowym narzędziem w arsenale astronoma. Jednak tradycyjne algorytmy, takie jak algorytm Richardsona-Lucy'ego i dekonwolucja statystyczna, często wprowadzają dodatkowe artefakty, obniżając wierność obrazu.

Poznaj innowacyjne rozwiązanie zaproponowane we współpracy z Vikramadityą R. Chandrą: dostosowaną architekturę sieci neuronowej (CNN) zaprojektowaną specjalnie do odtwarzania obrazów astronomicznych. Architektura ta nie tylko szacuje PSF z niezwykłą dokładnością, ale także stosuje algorytm dekonwolucji Richardsona-Lucy'ego, wzmocniony technikami głębokiego uczenia, aby zminimalizować wprowadzanie artefaktów. Nasze badania wykazują wyższą wydajność niż istniejące metodologie, dzięki trenowaniu tego modelu na obrazach uzyskanych przez nas oraz z Archiwum Dziedzictwa Hubble'a, co stanowi jasną ścieżkę do obrazów astronomicznych wolnych od artefaktów.

Sercem tej architektury jest podejście dwufazowe: początkowo splotowa sieć neuronowa szacuje PSF, który następnie jest wykorzystywany w zmodyfikowanym algorytmie Richardsona-Lucy'ego do dekonwolucji obrazu. W drugiej fazie wykorzystywana jest kolejna głęboka sieć neuronowa (CNN), wytrenowana w celu identyfikacji i eliminacji artefaktów resztkowych, zapewniając, że obraz wyjściowy pozostaje jak najbardziej wierny oryginalnemu obiektowi astronomicznemu. Osiąga się to bez stosowania technik nadmiernego uproszczenia, takich jak rozmycie Gaussa, które może również wprowadzać niepożądane efekty, takie jak „dzwonienie”.

Znaczenie tego modelu wykracza poza jego bezpośrednie zastosowania w astrofotografii. W przypadku przetwarzania brzegowego, gdzie moc obliczeniowa i pojemność pamięci masowej są na wagę złota, wydajność i efektywność tej nowatorskiej architektury CNN zapowiada nową erę obrazowania o wysokiej wierności. Możliwość przetwarzania i przechowywania ogromnych ilości danych optycznych na brzegu sieci otwiera nowe możliwości badawcze, umożliwiając analizę w czasie rzeczywistym i podejmowanie decyzji w kampaniach obserwacyjnych w całej branży.

Postęp w technikach dekonwolucji, realizowany w naszym laboratorium, stanowi przełomowy moment w obrazowaniu wszelkiego rodzaju. Dzięki innowacyjnemu wykorzystaniu głębokiego uczenia, stoimy u progu uwolnienia dodatkowego potencjału obrazu cyfrowego, co zostało zademonstrowane poprzez uchwycenie wszechświata z klarownością i precyzją, wcześniej zarezerwowaną jedynie dla najbardziej zaawansowanych konfiguracji. Trenujemy ten model w naszym laboratorium od dłuższego czasu, więc wkrótce opublikujemy pełny raport.

Co to oznacza dla astrofotografii

Rozwój nowatorskiej architektury splotowych sieci neuronowych (CNN) do odtwarzania obrazów astronomicznych w porównaniu z tradycyjnymi technikami dekonwolucji stanowi przełom w astrofotografii. W przeciwieństwie do konwencjonalnych metod, które często wprowadzają artefakty, takie jak szumy i obrazy zjawy, podejście CNN minimalizuje te problemy, zapewniając wyraźniejsze i dokładniejsze obrazy nieba.

Technika ta poprawia klarowność obrazu i umożliwia precyzyjniejszą ekstrakcję danych z obserwacji astronomicznych. Wykorzystując głębokie uczenie, znacząco poprawiamy wierność astrofotografii, torując drogę do głębszego wglądu w kosmos przy minimalnych kompromisach w przetwarzaniu obrazu.

Dwa przypadki użycia wnioskowania w badaniach naukowych opartych na technologii Edge i przyspieszonych przez sztuczną inteligencję

Metody przetwarzania i obsługi danych odgrywają kluczową rolę w badaniach naukowych, szczególnie w dziedzinach wymagających rozległego gromadzenia i analizy danych, takich jak astrofotografia. Postanowiliśmy przyjrzeć się dwóm typowym przypadkom użycia wnioskowania, wykorzystującym rozwiązania pamięci masowej Solidigm o dużej pojemności oraz zaawansowaną infrastrukturę obliczeniową firmy Dell do zarządzania i interpretowania ogromnych zbiorów danych generowanych na brzegu sieci.

Przypadek 1: Podejście z siatką na buty sportowe

Podejście Sneaker Net to sprawdzona metoda przesyłania danych, która polega na lokalnym przechwytywaniu danych na nośnikach o dużej pojemności, a następnie fizycznym przesyłaniu tych nośników do centralnego centrum danych lub ośrodka przetwarzania. Metoda ta nawiązuje do początków informatyki, gdzie dane były przenoszone ręcznie z powodu braku lub powolnych połączeń sieciowych. W badaniach naukowych opartych na sztucznej inteligencji, opartych na krawędzi sieci, podejście to może być korzystne w sytuacjach, gdy transmisja danych w czasie rzeczywistym jest utrudniona przez ograniczenia przepustowości lub zawodne połączenie internetowe.

Główną zaletą podejścia Sneaker Net jest jego prostota i niezawodność. Dyski SSD o dużej pojemności mogą przechowywać ogromne ilości danych, zapewniając bezpieczne przesyłanie dużych zbiorów danych bez ciągłego połączenia z internetem. Ta metoda jest szczególnie korzystna w odległych lub trudnych warunkach, gdzie często wykonuje się astrofotografię, takich jak odległe obszary dzikiej przyrody z dala od konwencjonalnych usług internetowych.

Jednak podejście Sneaker Net ma również istotne ograniczenia. Najbardziej oczywistym z nich jest opóźnienie w przetwarzaniu i analizie danych, ponieważ transport fizyczny zajmuje dużo czasu, co utrudnia uzyskanie potencjalnych wniosków z danych. Istnieje również zwiększone ryzyko utraty lub uszkodzenia danych podczas transportu. Co więcej, metoda ta nie wykorzystuje potencjału analizy i podejmowania decyzji w czasie rzeczywistym, jakie oferuje przetwarzanie brzegowe, co może prowadzić do utraty aktualnych wniosków i interwencji.

Przypadek 2: Wnioskowanie krawędziowe

Wnioskowanie brzegowe (edge ​​inferencing) to nowocześniejsze podejście do przetwarzania danych w badaniach naukowych, szczególnie dostosowane do potrzeb projektów akcelerowanych przez sztuczną inteligencję (AI). Proces ten polega na gromadzeniu danych w terenie i wykorzystaniu serwera brzegowego wyposażonego w procesor NVIDIA L4 do przeprowadzania wnioskowania w pierwszym przebiegu. Metoda ta pozwala na natychmiastową analizę danych w miarę ich generowania, umożliwiając podejmowanie decyzji w czasie rzeczywistym i szybkie dostosowywanie strategii gromadzenia danych w oparciu o wstępne ustalenia.

Serwery brzegowe zostały zaprojektowane do pracy w trudnych warunkach, często spotykanych w badaniach terenowych, zapewniając moc obliczeniową niezbędną dla algorytmów sztucznej inteligencji i uczenia maszynowego bezpośrednio u źródła danych. Ta możliwość jest kluczowa dla zadań wymagających natychmiastowej analizy danych, takich jak identyfikacja określonych zjawisk astronomicznych w rozległych zbiorach danych rejestrowanych podczas sesji astrofotograficznych.

Zalety wnioskowania brzegowego są liczne. Znacznie zmniejsza ono opóźnienia w przetwarzaniu danych, umożliwiając natychmiastowe wyciąganie wniosków i dokonywanie korekt. Ta analiza w czasie rzeczywistym może poprawić jakość i trafność pozyskiwanych danych, zwiększając efektywność i efektywność badań. Wnioskowanie brzegowe zmniejsza również zapotrzebowanie na transmisję danych, oszczędzając przepustowość niezbędną do komunikacji.

Jednak wnioskowanie brzegowe również wiąże się z wyzwaniami. Początkowa konfiguracja i utrzymanie infrastruktury przetwarzania brzegowego może być skomplikowane i kosztowne, wymagając znacznych inwestycji w sprzęt i oprogramowanie. Potrzebna jest również specjalistyczna wiedza, aby skutecznie zarządzać systemami przetwarzania brzegowego i je obsługiwać.

Co więcej, chociaż wnioskowanie brzegowe zmniejsza zapotrzebowanie na transmisję danych, nadal wymaga metody długoterminowego przechowywania danych i dalszej analizy, co wymusza hybrydowe podejście łączące przetwarzanie lokalne z centralną analizą danych. Dzięki udoskonalonym technologiom obliczeniowym, pamięci masowej i GPU, wyzwania te stają się mniej dotkliwe.

Zarówno podejście Sneaker Net, jak i wnioskowanie brzegowe oferują cenne metody zarządzania ogromnymi zbiorami danych generowanymi w badaniach naukowych opartych na technologii brzegowej i akcelerowanych przez sztuczną inteligencję. Wybór między tymi metodami zależy od specyficznych wymagań projektu badawczego, w tym potrzeby analizy w czasie rzeczywistym, dostępności zasobów obliczeniowych w terenie oraz uwarunkowań logistycznych związanych z transportem danych. Wraz z postępem technologicznym, potencjał innowacyjnych rozwiązań tych wyzwań obiecuje dalszą poprawę wydajności i efektywności badań naukowych na brzegu sieci.

Ekstremalne warunki środowiskowe

W ramach naszego stale rozwijającego się zaangażowania w poszerzanie granic technologii i zrozumienie jej ograniczeń, wyruszyliśmy w wyjątkową podróż testową z serwerem Dell PowerEdge XR7620 i dyskami SSD Solidigm QLC. Warto zauważyć, że przekraczanie określonych parametrów operacyjnych dowolnej technologii nie jest zalecane i może spowodować unieważnienie gwarancji lub, co gorsza, awarię sprzętu. Jednak ze względu na naukową ciekawość i rzeczywiste zrozumienie solidności naszego sprzętu, zachowaliśmy ostrożność.

Nasze testy w ramach tego projektu przeprowadziliśmy w surowej zimie, przy temperaturach spadających do -15°C i poniżej, w trakcie nieustającej śnieżycy. Warunki te znacznie wykraczają poza normalne środowisko pracy większości urządzeń elektronicznych, zwłaszcza zaawansowanego sprzętu serwerowego i dysków SSD przeznaczonych do zadań wymagających dużej ilości danych. Celem była ocena wydajności i niezawodności serwera oraz pamięci masowej w obliczu ekstremalnego zimna i wilgoci, jakie panują w takich warunkach pogodowych.

Co godne uwagi, zarówno serwer, jak i dyski SSD działały bez zarzutu. Nie zaobserwowano żadnych negatywnych skutków dla ich działania, uszkodzeń danych ani awarii sprzętu. Ta wyjątkowa wydajność w takich warunkach testowych świadczy o jakości wykonania i odporności tych urządzeń. Dell PowerEdge XR7620, dzięki swojej wzmocnionej konstrukcji, oraz dyski SSD Solidigm, dzięki zaawansowanej technologii, udowodniły, że są w stanie wytrzymać obciążenia środowiskowe wykraczające poza przytulne przestrzenie centrów danych.

Choć test ten prezentuje trwałość i niezawodność sprzętu, nie należy go traktować jako zachęty do używania sprzętu poza zalecanymi parametrami. Był to kontrolowany eksperyment, mający na celu zbadanie granic możliwości tych urządzeń. Nasze wyniki potwierdzają wagę wyboru wysokiej jakości, wytrzymałego sprzętu do krytycznych aplikacji, zwłaszcza w środowiskach przetwarzania brzegowego, gdzie warunki mogą być nieprzewidywalne i dalekie od ideału.

Myśli końcowe

Jesteśmy zafascynowani dyskami SSD klasy korporacyjnej o dużej pojemności, odkąd QLC NAND wszedł na rynek w znaczący sposób. Większość obciążeń nie jest tak intensywna pod względem zapisu, jak uważa branża; jest to tym bardziej prawdziwe w przypadku gromadzenia danych na brzegu sieci. Przypadki użycia gromadzenia danych na brzegu sieci i wnioskowania wiążą się z zupełnie innym zestawem wyzwań.

Podobnie jak w przypadku zastosowania astrofotografii, które tutaj opisaliśmy, są one zazwyczaj w jakiś sposób ograniczone w porównaniu z tym, co można znaleźć w centrum danych. Podobnie jak w przypadku naszych badań i działań w zakresie sztucznej inteligencji brzegowej, serwer Dell ma tylko cztery zatoki, więc potrzeba maksymalizacji ich wykorzystania do przechwytywania danych jest kluczowa. Podobnie jak w przypadku innych analizowanych przez nas zastosowań brzegowych, takich jak autonomiczne prowadzenie pojazdów , możliwość przechwytywania większej ilości danych bez zatrzymywania się jest kluczowa.

Wnioski z naszych badań nad unikalnymi zastosowaniami dysków SSD o dużej pojemności dla przedsiębiorstw, w szczególności technologii QLC NAND, podkreślają zasadniczą zmianę w naszym podejściu do gromadzenia i przetwarzania danych na brzegu sieci. Dyski SSD, których użyliśmy w naszych testach, wyróżniają się jako szczególnie interesujące ze względu na ich pojemność i parametry wydajności, otwierając nowe możliwości badawcze, które wcześniej były ograniczone przez możliwości pamięci masowej.

Nasza podróż przez zawiłości gromadzenia danych brzegowych i przypadków użycia wnioskowania, ujęte w projekcie astrofotografii, ujawnia niuanse w rozumieniu potrzeb pamięci masowej wykraczających poza centrum danych. W projektach takich jak ten, gdzie każdy bajt zebranych danych, fragment kosmosu, ma wartość. Ze względu na warunki pogodowe i ograniczenia czasowe, luksus posiadania rozległych macierzy pamięci masowej i szaf z całym sprzętem nie zawsze jest dostępny.

Ten scenariusz nie jest unikalny dla astrofotografii, ale występuje w różnych aplikacjach przetwarzania brzegowego i dyscyplinach badawczych. W tym przypadku gromadzenie i analiza ogromnych ilości danych w locie jest kluczowe. Dla wielu branż przerywanie transferu danych to luksus, na który nie można sobie pozwolić ani go uzasadnić. Dyski SSD rozwiązują ten dylemat dzięki swojej dużej pojemności. Umożliwiają one dłuższe okresy gromadzenia danych bez częstych przerw na transfer danych, zapewniając tym samym ciągłość i integralność procesu badawczego.

Te dyski SSD o dużej pojemności otwierają nowe horyzonty badawcze, obsługując intensywne przetwarzanie danych przez algorytmy sztucznej inteligencji i uczenia maszynowego bezpośrednio na krawędzi sieci. Ta możliwość jest kluczowa dla przetwarzania danych i wnioskowania w czasie rzeczywistym, umożliwiając natychmiastowe wyciąganie wniosków i podejmowanie działań w oparciu o zebrane dane. Niezależnie od tego, czy chodzi o udoskonalenie parametrów przechwytywania danych na podstawie wstępnej analizy, czy zastosowanie złożonych algorytmów do filtrowania szumu astronomicznego w celu dokonania odkryć astronomicznych, rola tych dysków SSD jest nie do przecenienia.

Dyski SSD Solidigm to nie tylko rozwiązania pamięci masowej, ale także czynniki sprzyjające innowacjom. Stanowią one krok naprzód w rozwiązywaniu wyjątkowych wyzwań związanych z przetwarzaniem brzegowym (edge ​​computing), umożliwiając badania, które przesuwają granice możliwości. Znaczenie solidnych, wydajnych i pojemnych rozwiązań pamięci masowej będzie rosło w miarę jak będziemy nadal eksplorować ogrom kosmosu i zawiłości naszego świata poprzez badania naukowe oparte na technologii edge computing i wspomagane przez sztuczną inteligencję. Technologie te nie tylko wspierają bieżące potrzeby badawcze, ale także przewidują przyszłość, kładąc podwaliny pod przyszłe odkrycia.

Solidigm AI

Niniejszy raport jest sponsorowany przez firmę Solidigm. Wszystkie poglądy i opinie wyrażone w niniejszym raporcie opierają się na naszej obiektywnej ocenie rozpatrywanego produktu/produktów.