fr.wedoany.com Rapport : Liqid fournit la couche de mémoire poolisée pour le système Abaco, conçu par Micron pour le Pacific Northwest National Laboratory (PNNL) du Département de l'Énergie des États-Unis. Cette plateforme offre plus de 160 To de mémoire cohérente sur plusieurs serveurs, ciblant les charges de travail d'IA et scientifiques où l'efficacité d'accès aux données limite davantage les performances que la puissance de calcul.
La capacité de calcul actuelle croît plus rapidement que la capacité mémoire, la bande passante et la localité ne peuvent suivre. Les grands modèles graphiques, les simulations scientifiques, les charges moléculaires et l'inférence IA stagnent souvent parce que les processeurs attendent les données, ou que les opérateurs divisent les tâches en raison des limites de mémoire d'un seul serveur. La conception d'Abaco considère la mémoire comme une ressource partagée et programmable, plutôt qu'un composant fixe définitivement lié à une machine unique. Selon Liqid, sa conception à l'échelle du rack peut allouer jusqu'à 160 To de DRAM à un seul hôte, ou répartir la capacité sur jusqu'à 16 nœuds. Micron est le principal contractant technique du projet, tandis que Liqid fournit le matériel d'extension, la structure de commutation, les adaptateurs hôtes et la couche d'orchestration. Ce déploiement reste au niveau d'un laboratoire national, et ne constitue pas un signal que les centres de données grand public sont prêts à se reconstruire autour de la mémoire décomposée, mais il fait passer la discussion des schémas d'architecture au matériel réellement opérationnel.
La plateforme EX 5410C de Liqid prend en charge CXL 2.0, offrant jusqu'à 40 To de DRAM par châssis, et plusieurs châssis peuvent former un pool de capacité supérieur à 160 To. Le logiciel Liqid Matrix gère l'allocation de capacité aux hôtes et s'intègre à des outils tels que Kubernetes, Slurm et Ansible. Son argument central est le suivant : une mémoire coûteuse ne devrait pas être gaspillée en restant inactive dans un mauvais serveur. Les opérateurs peuvent allouer un grand pool à des simulations, des tâches d'analyse ou des charges d'inférence, puis réaffecter cette capacité à d'autres tâches. Idéalement, cela améliore l'utilisation et retarde l'achat de serveurs.
Mais en pratique, l'économie dépend du comportement des charges de travail. La poolisation mémoire introduit des composants de structure, des adaptateurs, des logiciels de gestion et de nouvelles dépendances opérationnelles ; la DRAM locale reste plus simple. Les applications très sensibles à la latence peuvent ne pas tolérer les schémas d'accès à distance, même si la structure CXL offre une bande passante élevée. Les acheteurs doivent décider sur la base de mesures issues de leurs propres tâches, et non seulement de chiffres de capacité agrégés. Les domaines de défaillance changent également : un pool mémoire partagé sur plusieurs nœuds améliore la flexibilité, mais une panne de structure ou de gestion peut affecter davantage de systèmes simultanément. La planification de capacité passe de l'achat de serveurs à la stratégie d'orchestration, et les processus de surveillance, de contrôle d'accès et de récupération correspondants doivent être reconstruits.
