머신 러닝(ML) 및 인공 지능(AI)과 같은 빅 데이터 애플리케이션은 알고리즘 또는 신경망을 학습하기 위해 대규모 데이터 세트에 액세스해야 합니다. 따라서 애플리케이션에 필요한 모든 데이터를 프로세서로 옮겨야 합니다. 네트워크를 통해 대용량 데이터를 이동하려면 시간과 비용이 소요되며 네트워크 대역폭이 필요합니다. 이는 지속 가능하거나 최적의 방법은 아닙니다.

근본 원인은 현재 폰노이만(von Neumann)형 컴퓨터 아키텍처에 있으며, 이 기술은 30년 이상 이어졌습니다. 이 모델에서 나머지 컴퓨터 시스템은 프로세서를 중심으로 돌아갑니다("일반 컴퓨팅 아키텍처"라고 함). Western Digital에서 제안하는 솔루션 중 하나는 메모리를 컴퓨터 아키텍처의 중심(메모리 중심의 컴퓨터 아키텍처)으로 만드는 것입니다. 하지만 현재의 모든 운영 체제와 애플리케이션이 폰노이만(von Neumann)형 컴퓨터에 구축되어 있기 때문에 제안된 솔루션의 구현이 복잡합니다. 대용량 메모리 풀을 사용하는 여러 프로세서의 경우 다른 프로세서에 필요할 수 있는 메모리 위치에 두 개의 프로세서가 액세스하거나 다시 쓰려고 하는 것을 방지하기 위해 캐시 일관성을 구현해야 합니다. 메모리 캐시와 일관성에 액세스하는 여러 코어에서 고도로 병렬화된 프로세싱으로 전환되기는 했지만, 비교적 작은 메모리 공간을 사용했습니다. 공유 메모리를 TB 규모의 데이터로 확장하면 아키텍처 전환이 더욱 복잡해집니다. Western Digital의 연구는 메모리 중심 아키텍처로 전환하기 위해 무엇이 필요한지 파악하는 데 중점을 두고 있습니다.

현재 두 가지 메모리 기술이 CPU, SRAM 및 DRAM에서 액세스하는 메모리로 사용되고 있습니다. 둘 다 휘발성이므로 전원이 꺼지거나 고장나면 저장된 데이터가 손실됩니다. 새로운 차원의 메모리인 비휘발성 영구 또는 SCM(Storage Class Memory)이 개발되고 있습니다. 즉, 전원이 차단되어도 데이터가 손실되지 않습니다.

CPU와 가까운 곳에 있는 메모리를 CPU 캐시 메모리로 사용하려면 빠른 액세스 시간 또는 CPU 클럭 속도에 가까운 지연 시간이 필요합니다. SSD 및 HDD 데이터 스토리지 장치의 지연 시간이 너무 느려서 사용할 수 없습니다. 이 항목에 대해 논의할 때는 메모리와 스토리지를 구분하는 것이 중요합니다. 여기서 메모리는 CPU에서 액세스하는 레지스터 및 캐시에 사용되는 비트별 주소 지정 가능 메모리를 의미하며, 스토리지는 데이터를 구성하고 저장하는 데 시스템을 사용하는 장치를 의미하며 비트별 주소 지정 가능하지는 않습니다.

지연 시간이 짧은 비휘발성 메모리의 일부 설계는 DRAM과 경쟁 가능: MRAM(Magnetoresistive Random Access Memory) 또는 STT-MRAM(Spin Transfer Torque Magnetoresistive Random Access Memory)이라고 합니다. DRAM 지연 시간과 SSD 지연 시간의 중간 수준에 있는 기술로는 PCM(Phase Change Memory) 또는 ReRAM(Resistive Random Access Memory)이 있습니다. Western Digital은 기본 재료 연구(셀 물리 및 설계 포함)에서 메모리 셀 배열 구성 및 테스트에 이르기까지 비휘발성 메모리를 수년 동안 연구해 왔습니다. 이 모든 노력은 새롭게 부각되는 시장에 제품이 출시될 때 빛을 발할 것입니다. 이 세 영역은 이 기술의 "하드웨어" 부분입니다. 다른 연구는 비휘발성 메모리로의 전환에 대한 "소프트웨어" 부분을 대상으로 합니다.

소프트웨어 프로그래머들은 수년 간 휘발성 DRAM과 SRAM을 사용하여 소프트웨어를 작성해왔고, 그 결과 많은 프로비전이 코드에 포함되어 있습니다. DRAM이 비휘발성 영구 메모리로 대체되면 어떻게 되나요? 또한 지연 시간이 DRAM에 가까운 컴퓨터 또는 서버에 메모리가 추가되면 이 새로운 SCM(Storage Class Memory)은 어떻게 사용되나요? 커널과 운영 체제에 어떤 변화를 주어야 할까요? 업계의 SaaS(Storage as a Service) 부문에 어떤 영향을 미칠까요? 재해 복구 부문에 어떤 영향을 미칠까요? 실제로 소프트웨어 계층 구조의 모든 부문에서는 이러한 변화가 제품과 서비스에 어떤 영향을 미치는지 검토해야 합니다. 변화는 짧은 시간 내에 적용되지 않으므로 경로가 명확하지 않은 비휘발성 메모리로 전환하는 데 일정 기간이 소요되며 이전 버전과의 호환성을 고려해야 합니다. 업체들이 컴퓨터 시스템의 새로운 메모리 구성에 기반한 제품을 제공하여 비휘발성 메모리를 신속하게 활용할 수도 있습니다. 이러한 변화가 적용되면 클라우드 공급업체 또는 엔터프라이즈 데이터 센터 중 어디에 먼저 영향을 미치게 될까요?

알 수 없는 사항들이 많은 이러한 변화에서 어떻게 시작하면 될까요? 영구 메모리는 업계에서 가장 파란을 일으키는 기술 중 하나일 수 있으며 우리가 사용하는 장치와의 일상적인 상호 작용에 영향을 미칠 수 있습니다. 표준화 그룹, 오픈 소스 커뮤니티, 폐쇄 코드를 사용하는 기업들과 협력해야 하기 때문에 업계 전체에 변화가 적용되려면 시간이 걸립니다.

Western Digital의 메모리 중심 활동에서는 메모리 중심 아키텍처의 이점에 대한 사용 사례를 파악해야 합니다. 우리가 선택한 사용 사례는 머신 러닝(ML)입니다. 머신 러닝(ML)과 인공 지능(AI)은 빠르게 우리 일상 생활의 일부가 되고 있으며, 앞으로 우리 삶의 많은 부분에서 계속해서 발전하고 중요한 역할을 할 것으로 기대됩니다. Western Digital에는 ML & AI 사용을 조사하는 엔지니어링 프로젝트가 있지만 CTO 부서에서는 향후 ML & AI의 필요성을 파악하는 데 더 많은 노력을 기울이고 있습니다. CTO 부서에서 주도하는 두 가지 주요 연구 영역은 계속해서 발전하고 있는 가속기와 알고리즘 분야입니다.

특별히 고안된 가속기는 ML & AI 애플리케이션에 특히 유용합니다. 가속기는 마이크로아키텍처 및 명령어 세트가 ML 애플리케이션에 필요한 것으로만 제한되는 특정 애플리케이션을 위해 설계되었습니다. 따라서 기능에 따라 다른 역할을 수행하여 대용량 데이터 세트를 처리하는 데 걸리는 시간을 크게 단축시킵니다. 가속기는 특정 용도의 칩이 일반적인 기존 컴퓨팅 CPU를 증가시켜 ML 애플리케이션의 시간과 에너지 요구량을 모두 줄이는 방법의 한 예입니다. 연구 결과에 따르면 표준 CPU 설계를 특정 워크로드에 최적화된 설계와 비교할 때 에너지 및 처리 속도가 최대 10배 이상 향상될 가능성이 있다고 합니다. 현재 ML & AI를 이용한 애플리케이션이 급증하고 있으며, 이러한 데이터 집약적 애플리케이션용으로 특별히 설계된 가속기를 활용할 수 있는 기회가 만들어지고 있습니다.

전통 있는 데이터 스토리지 회사인 Western Digital이 왜 이러한 사업 계획을 추진하고
RISC-V에 투자하는 것일까요?

여기에는 몇 가지 이유가 있습니다. 우선 Linux의 성공으로 검증된 오픈 소스 모델이 이제 RISC-V 재단의 하드웨어 플랫폼을 통해 차세대 혁신을 촉발할 것이라는 점입니다. 또 다른 이유로는 RISC-V가 제공하는 구성 능력이 독보적이라는 점입니다.   Western Digital은 RISC-V의 개방적 협업과 유연성을 활용하여 데이터 중심 애플리케이션에 맞게 제작된 프로세서를 만들 수 있습니다.   거의 모든 Western Digital 제품에 놀랄 만한 프로세싱 코어가 포함되어 있습니다. Western Digital은 현재 매년 10억 개의 코어를 제품에 사용하며 Western Digital 프로세서 코어를 RISC-V로 전환하기 위한 공개적 노력과 제품에 RISC-V 코어를 적용하기 위한 과정 중에도 데이터가 차세대 혁신을 일으키는 데 핵심 자산이 되는 지원 에코시스템의 개발에도 노력을 기울이고 있습니다.