Валидация на киловатт: почему проверка AI-ускорителей стала сложнее, чем кажется
Киловаттное энергопотребление AI-чипов заставляет инженеров полностью пересматривать подход к тестированию — оказывается, проблема не только в кремнии.
Киловатт на даташите — это не одно рабочее состояние, а бесконечное множество комбинаций нагрузки, температуры, времени и местоположения горячих точек на кристалле. И проверить их все в лаборатории физически невозможно.
Когда на спецификации AI-ускорителя указано «максимальное энергопотребление 1 кВт», кажется, что инженерам нужно просто проверить чип при этой нагрузке — и дело в шляпе. Реальность оказывается куда запутаннее. Оказывается, два разных рабочих процесса могут потреблять одинаковую мощность, но нагружать совершенно разные вычислительные блоки, интерфейсы памяти и цепи питания. Число на ваттметре не меняется, а тепловая картина внутри кристалла — меняется.
Это ставит перед индустрией полупроводникового тестирования задачу, к которой она оказалась не вполне готова.
Почему киловатт — это не просто число
Представьте себе электрический чайник. Он потребляет, скажем, 2 кВт, и вся эта энергия превращается в тепло в одном месте — в нагревательном элементе. С чипом для AI всё иначе: та же киловаттная мощность рассредоточена по кристаллу площадью в несколько квадратных сантиметров, и «горячие точки» возникают там, где в данный момент работают самые активные блоки.
Кристофер Рэнд из Nordson Test & Inspection прямо говорит: при киловаттных мощностях инженеры валидируют не просто чип, а всю систему целиком — корпус, охлаждение и даже само тестовое оборудование. Всё, через что проходит ток и тепло, становится частью эксперимента.
Брент Буллок из Advantest дополняет картину: раньше индустрия сосредотачивалась на так называемом «покрытии отказов» — то есть на том, способны ли тестовые паттерны выявить дефекты в логике чипа. Теперь этого мало. Нужно одновременно смотреть на электрическое покрытие и на термическое — как распределяется тепло, как долго оно держится и какие последствия оставляет.
Нагрузка врёт, если смотреть только на среднее
Одна из главных ловушек — агрегированные показатели. Суммарная потребляемая мощность в 1 кВт ничего не говорит о том, где именно на кристалле сконцентрированы горячие точки. Допустим, вся мощность ушла в небольшой блок умножителей матриц — локальная температура в этой зоне может быть критической, хотя общая температура корпуса выглядит вполне безопасной.
Лэнг Лин из Synopsys формулирует это чётко: инженеры должны перестать довольствоваться данными «максимальная мощность при такой-то температуре». Нужно знать, где именно на кристалле распределены эти 1000 ватт, потому что общая цифра сама по себе не значит ничего. Табличка в Excel тут не помощник — необходимо моделировать реальную рабочую нагрузку, подавать реальные стимулы и измерять температуру в каждой точке кристалла.
Звучит как очевидный совет, но на практике это требует перехода к совершенно другим методологиям. Традиционное сканирование (scan-тестирование), которое годами использовалось для поиска структурных дефектов, при киловаттных нагрузках начинает врать — одновременное переключение слишком многих логических элементов создаёт условия, которые не соответствуют реальной работе устройства. Нужны тесты, приближённые к реальным рабочим сценариям, — так называемые mission-mode тесты.
Время работает против тестировщика
Ещё одна сложность — временнáя шкала. При киловаттной нагрузке разные проблемы проявляются в разное время, и ни один тест не может покрыть их все.
Некоторые отказы возникают за сотни микросекунд. Буллок из Advantest описывает это красноречиво: чип может уйти в тепловой разгон (thermal runaway) буквально за несколько сотен микросекунд. Система должна мгновенно отреагировать — отслеживать падение напряжения на контактах и при первых признаках разгона отключать питание, пока ущерб не стал катастрофическим.
Но пережить первую миллисекунду — не значит пройти тест. При длительном протекании тока нагреваются не только кристалл, но и контактные иглы, через которые подаётся питание. Нагрев увеличивает их сопротивление, что меняет условия, в которых работает чип. Контакт, который прекрасно прошёл начальную проверку на целостность, может отказать, когда через него потечёт реальный рабочий ток.
Гленн Каннингем из Modus Test обращает внимание на то, что ток распределяется по контактам неравномерно — у каждого своё сопротивление. Если несколько контактов разогреются и их сопротивление вырастет, основная нагрузка может перекинуться на один-единственный контакт с низким сопротивлением. Это приводит к электрической перегрузке (EOS), которая уничтожает контакт, разъём и само тестируемое устройство.
А есть ещё эффекты, которые проявляются только после тысяч циклов нагрева и охлаждения. Бред Бут из NLM Photonics признаётся без обиняков: контрактные сборщики (OSAT) просто не могут позволить себе бесконечно испытывать киловаттные устройства. Базовый тест, ускоренный прогон — и отправляйте на рынок, потому что скорость поставок критична.
Тестовое оборудование становится частью проблемы
Исторически инженеры могли разделять нагрузочную плату, тестер, зондовую станцию и корпус — каждый элемент проверялся и калибровался отдельно. При киловаттных мощностях это перестаёт работать. Всё тестовое окружение — от контактных игл до системы охлаждения — влияет на то, какие условия реально «видит» чип.
Дамиан Мегна из Teradyne описывает ситуацию как «тройственный танец»: заказчики ждут решений от производителей тестового оборудования, но те зависят от поставщиков систем обработки и охлаждения. Все должны работать вместе, но эволюция продвинутых корпусов с их растущими тепловыми требованиями опережает развитие тестовых решений.
Это ещё и экономическая проблема. Если тест показывает отказ — виноват ли чип, или контактная пластина разогрелась и изменила условия? Без детальной характеризации всей тестовой цепочки под нагрузкой отличить одно от другого невозможно.
Корпус помнит больше, чем кажется
Отдельная глава — это корпуса современных чипов. Киловаттная нагрузка создаёт локальный нагрев, который меняет не только электрическое поведение транзисторов, но и физическую структуру вокруг них. Синтетика Лин из Synopsys описывает это как замкнутый цикл: мощность влияет на температуру, температура — на механические напряжения, напряжения — на подвижность носителей в транзисторах, а те — снова на мощность и быстродействие.
Мелкие дефекты, которые не видны при первичном электрическом тесте, могут стать точками роста повреждений при повторных циклах нагрева. Пустоты (voids) в припое мешают отводить тепло и создают порочные круги: хуже отвод → выше температура → больше напряжение → шире пустота. Расслоения и микротрещины на границах раздела материалов тоже проявляются не сразу.
Кристофер Рэнд из Nordson добавляет важный нюанс: механическая деформация корпуса при нагреве может исчезнуть, как только чип остынет, — но повреждения, которые она вызвала, останутся. То есть проверить изделие «после» может быть уже поздно: базовый снимок состояния до стресс-тестирования становится критически важным.
Корреляция как новая головная боль
Современные ускорители генерируют огромные объёмы данных при тестировании — электрических, температурных, временных. Но собрать данные — полдела. Нужно ещё понять, какие из них действительно указывают на проблему, а какие — нормальная вариация.
Алекс Бурлак из proteanTecs перечисляет факторы, влияющие на временной запас (timing margin): падение напряжения в цепях питания (IR drop), температура, технологический разброс, деградация со временем. Небольшое отклонение по одному параметру может быть безобидным, но если несколько параметров начинают смещаться одновременно — это уже тревожный сигнал.
Рэнд формулирует это точно: речь не о простых правилах «если вижу X, значит будет Y». Нужно выявлять статистические тренды — комбинации отклонений, которые указывают на вероятный отказ в будущем. Для этого нужны модели, способные учесть взаимодействия, которые неочевидны при раздельном анализе.
Валидация не заканчивается на заводе
Есть предел тому, что можно проверить в лаборатории. Никакое ускоренное тестирование не воспроизведёт годы работы в реальных условиях, при всём разнообразии нагрузок и системных конфигураций. Некоторые corner cases обнаружатся только в поле.
Бурлак из proteanTecs подчёркивает: мониторинг должен продолжаться после развёртывания. Недостаточно собирать напряжение и температуру — нужно отслеживать временные запасы, просадки питания, джиттер от цикла к циклу. Только так можно заметить деградацию до того, как она приведёт к отказу.
Для пользователя это означает, что надёжность киловаттных AI-ускорителей — это не столько вопрос качества чипа на выходе с завода, сколько вопрос системы мониторинга и управления на протяжении всего жизненного цикла. Дата-центры всё чаще используют встроенную телеметрию для отслеживания здоровья ускорителей, и это уже не маркетинговая надстройка, а инженерная необходимость.
Что это значит на практике
Киловаттный рубеж в энергопотреблении AI-ускорителей — это не просто ещё одна строчка в спецификации. Это качественный сдвиг в сложности тестирования, который затрагивает всю цепочку: от проектирования и моделирования до сборки, тестирования и эксплуатации.
Индустрия вынуждена отказываться от привычного подхода «проверяем электрику — значит, проверили всё». Теперь покрытие должно быть одновременно электрическим, термальным, нагрузочным, пространственным и временным. Нужно понимать, какой механизм отказа какую шкалу времени имеет, и учитывать, что тестовое оборудование — это часть системы, а не нейтральный инструмент.
Парадокс в том, что гонка за производительностью AI порождает устройства, чья надёжность всё труднее поддаётся верификации до отправки заказчику. Каждое новое поколение ускорителей добавляет и мощности, и сложности, а инструменты валидации едва успевают за ними. Впрочем, именно этот разрыв и стимулирует развитие — от новых методов моделирования до встроенных систем мониторинга, которые сопровождают чип на протяжении всей его жизни.