در دنیای امروز علم و صنعت، تحلیل لحظهای دادههای حسگرها از اهمیت بالایی برخوردار است. این قابلیت به سیستمهای هوش مصنوعی امکان میدهد تا فرآیندها را تنظیم کرده، آزمایشها را هدایت کنند و به دنبال شرایط عملیاتی بهینه بگردند. با این حال، محدودیتها در سرعت انتقال و پردازش دادهها اغلب نحوه طراحی ابزارهای علمی، از الکترونیک خوانش تا زمانبندی جمعآوری، را تحتتأثیر قرار میدهد. NVIDIA با معرفی کتابخانه NVIDIA DAQIRI در تاریخ ۱۹ نوامبر ۲۰۲۶، که در وبلاگ توسعهدهندگان خود منتشر کرده، راهکاری نوآورانه برای این چالش ارائه داده است. DAQIRI یک کتابخانه نرمافزاری برای جمعآوری داده است که جریانهای پر سرعت دادههای ابزارها و حسگرها را به طور مستقیم و بومی به حافظه پردازندههای گرافیکی (GPU) منتقل میکند. این رویکرد به توسعهدهندگان امکان میدهد تا اندازهگیریها را در حین جمعآوری پردازش کنند، بدون آنکه ابتدا نیاز به نوشتن آنها در دیسک باشد.
تحول در جمعآوری دادههای علمی با DAQIRI
DAQIRI به عنوان بخشی از پلتفرم NVIDIA Holoscan، پلی بین حسگرهای بهینه شده برای اندازهگیری و پلتفرمهای GPU قابل برنامهریزی برای تحلیلهای علمی، استنتاج هوش مصنوعی و کاربردهای بازخورد ایجاد میکند. برای ابزارهای موجود با قابلیت اترنت، این فناوری فرصتهای جدیدی برای افزودن قابلیتهای پردازشی و بازخورد فراهم میآورد. یکی از برجستهترین نمونههای این کاربرد، دوربین میکروسکوپ الکترونی با دامنه دینامیکی بالا است که در آزمایشگاه ملی لارنس برکلی توسعه یافته است. این دوربین، سیگنالهای قوی و ضعیف را به طور همزمان ثبت میکند و بیش از ۵۰۰ گیگابیت بر ثانیه داده تولید میکند؛ جریانی که باید در حین جمعآوری دریافت و پردازش شود تا اندازهگیریها در لحظه مفید واقع شوند. این سرعت بیش از ۵۰۰ برابر سریعتر از جریانهای داده EELS (طیف سنجی اتلاف انرژی الکترونی) مرسوم است و اطلاعات خام حسگر را برای پردازش و تحلیل بیشتر به شدت افزایش میدهد. با استفاده از DAQIRI، بستههای داده آشکارساز مستقیماً به حافظه GPU منتقل شده و پردازش GPU فریمهای آشکارساز را مونتاژ و تصحیح میکند و آنها را به طیفهای اتلاف انرژی کاهش میدهد. این فرآیند امکان بازرسی دادهها در حین اندازهگیری و تنظیم پارامترهای جمعآوری را در لحظه فراهم میکند.
قابلیتهای جدید برای افزایش عملکرد و کاهش تأخیر
جدیدترین نسخه DAQIRI شامل ویژگیهای مهمی است که کارایی و انعطافپذیری جمعآوری داده را افزایش میدهد:
- بازآرایی سختافزاری بستهها (Hardware Packet Reordering): برای مقابله با بستههای خارج از ترتیب که میتوانند تأخیر و سربار حافظه ایجاد کنند، DAQIRI اکنون میتواند وظایف بازآرایی بسته را به کارتهای شبکه پشتیبانی شده NVIDIA ConnectX-7 یا جدیدتر واگذار کند. این قابلیت، منابع CPU و GPU را برای تحلیل آزاد میگذارد و دادههای مرتب شده را بدون نیاز به یک مرحله کپی نرمافزاری مجزا، تحویل برنامه میدهد.
- موتور ibverbs برای توان عملیاتی بالا: DAQIRI یک موتور ibverbs را برای دریافت و ارسال پر سرعت بستههای اترنت خام معرفی کرده است. این موتور که بر اساس libibverbs و NVIDIA DevX ساخته شده، به طور پیشفرض برای جریانهای اترنت خام انتخاب میشود. آزمایشها نشان دادهاند که موتور ibverbs تقریباً دو برابر توان عملیاتی در هر هسته را برای بستههای کوچک (تا ۱۰۲۴ بایت) و با نرخ دادههای بالا (بیش از ۲۰۰ گیگابیت بر ثانیه) در مقایسه با بکاند DPDK قبلی، ارائه میدهد. این بهبود به ویژه در پلتفرمهایی مانند NVIDIA DGX Spark و NVIDIA IGX Thor مشاهده شده است.
- حالت Direct Polling برای کاهش تأخیر: ابزارهای هوشمند ممکن است به بازخورد حساس به تأخیر از تحلیل GPU برای تنظیم جمعآوری یا تنظیمات کنترلی نیاز داشته باشند. حالت direct polling در DAQIRI با اجازه دادن به رشته برنامه برای دریافت و ارسال مستقیم بستهها، تأخیر ارتباطی را کاهش میدهد و نیاز به انتقال به یک کارگر I/O جداگانه را حذف میکند. در آزمایشهای حلقه بسته، تأخیر ارسال به دریافت بین ۲ تا ۴ میکروثانیه در این حالت مشاهده شده است، که برای کاربردهای حساس به زمان بسیار حیاتی است.
پیامدهای عملی و نتیجهگیری
این پیشرفتها در DAQIRI پیامدهای عملی گستردهای برای صنایع مختلف دارند. سازندگان ابزارهای علمی اکنون میتوانند پردازش را به جای ذخیرهسازی، محور طراحی دستگاههای خود قرار دهند و اطلاعات بیشتری را از اندازهگیریها استخراج کنند. این رویکرد انعطافپذیری بیشتری در نحوه جمعآوری، تحلیل و عمل بر روی دادهها به آنها میدهد. سیستمهای هوش مصنوعی میتوانند با دسترسی به دادههای پاک و مرتب شده در لحظه، تصمیمات دقیقتر و سریعتری بگیرند. نیاز به سختافزار سازگار، به ویژه کارتهای شبکه ConnectX-7 و پردازندههای گرافیکی NVIDIA، از جمله الزامات اولیه برای بهرهبرداری از این قابلیتها است. همچنین، پیادهسازی این سیستمها ممکن است به تخصص فنی در برنامهنویسی GPU و مدیریت دادههای پرسرعت نیاز داشته باشد. با این حال، مزایای بلندمدت آن از جمله تسریع اکتشافات علمی و توانمندسازی نسل جدیدی از ابزارهای خودمختار و هوشمند، قابل توجه است. برای آغاز کار با این فناوری پیشرفته، مطالعه مستندات DAQIRI و اجرای بنچمارکهای آن برای ارزیابی توان عملیاتی و تأخیر ارتباطی در پلتفرم خود، گامهای عملی و مفیدی هستند.
منبع و تاریخ خبر
Enabling Real-Time AI for Scientific Instruments with GPU-Native Data Acquisition — 2026-11-19
دیدگاهها ۰
هنوز دیدگاهی ثبت نشده؛ اولین نفر باشید!