Xilinx发布数据中心生态系统投资计划

简介:

赛灵思公司(Xilinx, Inc. (NASDAQ: XLNX))今天宣布一项新的数据中心生态系统投资计划,并由赛灵思旗下的投资机构“Xilinx技术投资(Xilinx Technology Ventures)”全权执行。该计划主要用于技术投资,以丰富赛灵思的数据中心产品与服务,并促进行业创新,加速产品上市进程及降低总拥有成本。新计划专门针对新兴工作负载应用解决方案,如机器学习、图像及视频处理、数据分析、存储数据库加速以及网络加速等。

作为该计划的一部分,赛灵思近期完成了数据中心生态系统的首次投资,投资对象是专门从事卷积神经网络机器学习(convolutional neural networks-based machine learning)业务的TeraDeep公司。该公司凭借其业界一流的深度学习专业技术及运行于赛灵思 FPGA 上的加速技术而广为人知。通过这项投资,TeraDeep将继续与赛灵思密切合作,进一步优化其基于赛灵思FPGA开发板的解决方案。

赛灵思企业业务开发部高级总监Greer Person 表示:“通过该投资计划,我们希望能够为初创企业提供支持,帮助他们开发各种库、中间件和应用软件,从而加速赛灵思FPGA解决方案在数据中心的广泛部署。除了提供资金外,我们的成员企业通常还能获得赛灵思业务及技术专家、产品与设计环境的支持,帮助他们打造出更具竞争力的解决方案,加速产品上市进程并降低开发成本。”

赛灵思公司数据中心与有线通信业务副总裁Hemant Dhulla 表示:“我们的客户都在广泛部署赛灵思FPGA以实现应用加速。我们意识到要推动创新并为市场所需的解决方案提供全方位的深入支持,需要充满活力的生态系统。我很高兴我们的公司正在加大对最具前景新生企业的投资力度,这无疑将推动创新并为生态系统的发展做出贡献。TeraDeep就是一个很好的例子。”

本文转自d1net(转载)

相关文章
|
7月前
|
机器学习/深度学习 存储 数据采集
利用机器学习优化数据中心冷却系统
【4月更文挑战第26天】 在数据中心管理和运营中,冷却系统的能效是关键成本因素之一。随着能源价格的上涨和对环境可持续性的关注增加,开发智能、高效的冷却策略显得尤为重要。本文将探讨如何应用机器学习(ML)技术来优化数据中心的冷却系统。通过收集和分析温度、湿度、服务器负载等多维数据,我们构建了预测模型来动态调整冷却需求,实现节能并保持最佳的操作条件。实验结果表明,使用ML优化后的冷却系统能够在不牺牲性能的前提下显著降低能耗。
|
7月前
|
机器学习/深度学习 存储 运维
利用机器学习优化数据中心冷却系统
在数据中心运营成本中,冷却系统的能源消耗占据了显著比例。随着数据中心规模不断扩大,传统的冷却管理方法逐渐显得不足以应对复杂多变的热负荷。本文提出了一种基于机器学习的方法,旨在优化数据中心的冷却系统性能。通过收集历史运行数据和实时环境参数,构建预测模型来动态调整冷却策略,实现能源消耗与散热效率之间的最佳平衡。实验结果表明,该方法可以有效降低能耗,并保持数据中心内环境的稳定性。
48 1
|
7月前
|
机器学习/深度学习 传感器 算法
利用机器学习优化数据中心冷却系统
【2月更文挑战第15天】 在数据中心运营效率的众多挑战中,冷却系统的优化是一个关键因素。本文将探讨如何应用机器学习技术来改善数据中心的冷却性能,减少能源消耗,并提高整体的可持续性。通过分析历史温度数据、服务器负载以及环境参数,构建预测模型来动态调整冷却需求,实现智能化管理。本研究展示了一种创新方法,不仅提升了数据中心运行效率,也为其他工业冷却系统提供了可借鉴的解决方案。
64 1
|
7月前
|
机器学习/深度学习 存储 算法
利用机器学习优化数据中心冷却系统
【2月更文挑战第23天】 在数据中心的运营成本中,冷却系统占据了一大块。传统的冷却管理通常依赖于简单的规则或手动调整,无法适应复杂多变的热负荷和环境条件。本文提出了一种基于机器学习的方法来动态优化数据中心的冷却系统。我们设计了一个预测模型来估计未来的热负荷,并结合实时数据,通过优化算法调整冷却设备的工作状态,以降低能源消耗并保持适宜的运行温度。实验结果表明,该方法能够有效减少能耗,同时保证数据中心的冷却效率。
48 0
|
1月前
|
运维 监控 中间件
数据中心运维监控系统产品价值与优势
华汇数据运维监控系统面向IT基础架构及IT支撑平台的监控和运维管理,包含监测、分析、展现和告警。监控范围涵盖了网络设备、主机系统、数据库、中间件和应用软件等。
56 4
|
7月前
|
机器学习/深度学习 存储 运维
利用机器学习优化数据中心冷却系统
【5月更文挑战第20天】 在数据中心运营成本中,冷却系统占据了一大块。随着能源价格的上涨和环境保护意识的增强,如何降低数据中心的能耗成为行业关注的重点。本文通过引入机器学习技术来优化数据中心冷却系统,旨在减少不必要的能源消耗,同时保持适宜的操作温度。通过收集历史温度数据、服务器负载信息以及外部气象条件,构建了一个预测模型,该模型能够实时调整冷却策略,实现动态节能。实验结果表明,与传统冷却系统相比,应用机器学习优化后的系统在不影响性能的前提下,能够节约高达20%的能源消耗。
|
7月前
|
机器学习/深度学习 存储 传感器
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】 在数据中心的运行中,冷却系统的能效对整体运营成本有着显著的影响。随着人工智能技术的进步,特别是机器学习(ML)的发展,出现了新的机会来优化数据中心的能源使用效率。本文将探讨如何通过机器学习模型预测数据中心的热负荷,并据此动态调整冷却策略,以实现能耗最小化。我们将介绍所采用的数据集、预处理方法、模型选择、训练过程以及最终实施的策略。结果表明,基于机器学习的预测系统能够有效降低数据中心的能源消耗,并为可持续运营提供支持。
|
7月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】在数据中心的运营成本中,冷却系统占据了相当一部分。为了提高能效和降低成本,本文提出了一种基于机器学习的方法来优化数据中心的冷却系统。通过对大量历史数据的分析和挖掘,我们设计了一个预测模型,用于实时监控和调整数据中心的温度。实验结果表明,该方法可以有效降低能耗,提高数据中心的运行效率。
|
7月前
|
机器学习/深度学习 数据采集 存储
提升数据中心能效:采用机器学习优化冷却系统
【5月更文挑战第28天】在数据中心的运营成本中,冷却系统的能源消耗占据了显著比例。随着能源价格的不断上涨和可持续发展的需求日益增长,如何降低这一开支成为业界关注的焦点。本文将探讨利用机器学习技术对数据中心冷却系统进行优化的方法。通过分析历史数据和实时监控,机器学习模型能够预测冷却需求并动态调整系统设置,以实现最佳的能效比。这种方法不仅能减少能源消耗,还能提高系统的可靠性和稳定性。