AI-artiklar

Accelererar fordonsinnovation i Europa med Cornelis Networks CN5000® och Hammer

Skriven av Hammer Enterprise | 27 mars 2026 15:29:03

 

Europeisk fordonsforskning och -utveckling är i ett sprinterlopp: elektrifieringsprogram, programvarudefinierade fordon, ADAS/AV-validering och digitala tvillingar av fabriker driver alla simulerings- och AI-arbetsbelastningar till större GPU/CPU-kluster med tätare iterationscykler.

Den dolda begränsningen är inte längre beräkning. Det är nätverksstrukturen—att flytta gradienter, sensordatamängder, maskor och MPI-meddelanden tillräckligt snabbt så att team inte hindras av tail-latens, trängsel eller oförutsägbar prestanda under belastning.

Det är där Cornelis Networks CN5000 passar in: en specialbyggd, end-to-end-interconnect designad för förlustfri, trängselfri trafik på 400G med sub-mikrosekunds MPI-latenshöjdpunkter och hantering av trängsel på fabric-nivå, byggd på Omni-Path-arkitekturen.

Och tillsammans med Hammers Europa-fokuserade distributions- och integrationskapacitet blir det en praktisk väg för fordonsorganisationer att driftsätta och stödja högpresterande nätverk över multi-site ingenjörsteam. 

Varför fordonsinnovation nu beror på nätverket

Arbetsflöden inom fordonskonstruktion är i allt högre grad kopplade och iterativa:

    • Krock- & säkerhetssimulering (stora MPI-jobb, många små meddelanden, känsligt för latens och tail-latens)
    • CFD, aero- och termisk analys (stora domändekompositioner med all-till-all-kommunikation)
    • Modellering av batteri och kraftelektronik (multifysik, stora ensembler)
    • ADAS-perception och sensorfusionsträning (distribuerad AI-kollektiv kommunikation)
    • Digitala tvillingar av fordon och anläggningar (kontinuerliga dataflöden, snabba scenariotester)

När kluster skalar är “bra genomsnittlig bandbredd” inte längre tillräckligt.. Fordonsteam behöver:

    • Förutsägbar prestanda under belastning
    • Låg svanslatens (så att den långsammaste ranken/arbetaren inte dominerar stegtiden)
    • Trängselhantering som håller i verkliga blandade användningsförhållanden—inte bara bästa fall trafikmönster

CN5000 på en minut

CN5000 är positionerad som ett förlustfritt, kongestionsfritt skalningsnätverk för AI och HPC, utformat för att hålla prestandan stabil när du växer.

Översikt:

    • 400G bandbredd per port
    • < 1 µs MPI-latens (Switch- och SuperNIC-höjdpunkter)
    • Arkitektoniska byggstenar inkluderar:
      • Kreditbaserad flödeskontroll
      • Retransmissioner på länknivå
      • Kongestionshantering på fabric-nivå

Multipath-routingFine-Grained Adaptive Routing (FGAR) och incast-medveten flödeskontroll nämns som en del av trängselhanteringsmetoden

Med fler än 240 ingenjörer och teknologer dedikerade till att driva nätverksinnovation framåt, fokuserar Cornelis och Hammer på att frigöra större effektivitet i datacenter. Vår kompletta portfölj av SuperNIC:er och switchar bygger på vårt arv som uppfinnare av Omni-Path, en arkitektur utformad för att leverera högpresterande nätverk i skalningseran och en grundläggande funktionsuppsättning för Ultra Ethernet. Vi levererar branschledande prestanda, inklusive ultralåg latens, höga meddelandefrekvenser och optimerad applikationsprestanda.

Exempel på kundpåverkan:
Förbättrad genomströmning i aerodynamiska simuleringar för fordons- och mekanikteam, vilket ger upp till en 2× ökning i designiterationsgenomströmning samtidigt som beroendet av kostsamma fysiska prototyper och vindtunneltester minskar.


    • CN5000 Switch:
      • 48 × 400G-portar

38,4T full duplex-bandbredd. Hanteringsfunktioner inklusive OpenBMC-baserad hantering och Redfish-stöd.Implementeringsnot:

Cornelis beskriver CN5000 som en end-to-end-arkitektur—vilket innebär att “förlustfri, kongestionsfri” designavsikt är kopplad till att använda CN5000-elementen –– switchar, SuperNIC:er och programvara–– snarare än att blanda och matcha godtyckligt.

 

CN5000 vs InfiniBand vs RoCEv2 Ethernet (Automotive-Focused Comparison)

Vad du jämför

Cornelis Networks CN5000 (Omni-Path)

InfiniBand NDR 400 (t.ex. Quantum-2)

400G Ethernet med RoCEv2

Primärt syfte

Specialbyggd skalbar fabric för AI + HPC med fokus på förlustfri och kongestionsfri design.

HPC/AI-nätverk med adaptiv routing och överbelastningskontroll som en del av plattformsvärdet.

Öppen standard Ethernet anpassad för låg latens AI/HPC med “förlustfria” tekniker (ofta PFC + ECN + end-to-end trängselkontroll såsom DCQCN).

Länkhastighetsklass

400G per port (Switch- och SuperNIC-alternativ).

400Gb/s per port (NDR 400).

Vanligtvis 400G Ethernet; RoCEv2 används för RDMA (design/leverantörsberoende).

1U switch portdensitet (exempel)

48 × 400G Switch; 38,4T full duplex.

Ofta 64 × 400Gb/s i 1U (modellberoende).

Varierar kraftigt; beteendet beror starkt på ASIC/leverantör och dina QoS/buffert/ECMP/telemetri- och justeringsval.

Trängsel / förlustfri metod (hög nivå)

Kreditbaserad flödeskontroll, länknivå-återsändningar, fabric-nivå kongestionshantering, multipath-routning—syftar till förutsägbar prestanda och minskad tail-latens.

Plattformsnivåns trängselkontroll, QoS/virtuella banor, adaptiv routing; kan inkludera accelerationsfunktioner i nätverket (plattformsspecifikt).

“Förlustfritt Ethernet” använder vanligtvis PFC för att undvika paketförluster plus ECN för att markera överbelastning och signalera hastighetsminskning; operativ framgång beror på konfigurationsdisciplin.

Operativa varningspunkter

Behandla som ett end-to-end-system (Switch + SuperNIC + mjukvara) för att anpassa sig till den avsedda arkitekturen.

Starkt val där IB-ekosystem/verktyg och befintliga arbetsflöden är etablerade.

RoCEv2-resultat beror starkt på korrekt PFC/ECN-design och löpande driftdisciplin; felkonfigurationer kan skapa allvarligt trängsel-/latensbeteende.

 

Vad ”Förlustfri, Kongestionsfri” Betyder i Vardagliga Tekniska Resultat

Snabbare lösningsgenomlopp -

I stora MPI-simuleringar kan jobbtiden domineras av kommunikationsfaser (haloutbyte, reduktioner, synkronisering). CN5000 betonar meddelandehastighet och latensoptimering tillsammans med trängselhantering—inriktat på förutsägbar prestanda under belastning.

Påverkan: Kortare väggklocka per designiteration, färre “mystiska inbromsningar” vid topputnyttjande och bättre skalningseffektivitet när noder läggs till.

Bättre effektivitet för distribuerad AI-träning (ADAS/AV och autonomi-stackar)

CN5000 positionerar sig som ett nätverk designat för AI-träning och inferens som bibehåller genomströmning under belastning genom att minimera trängselhändelser och tail-latens.

Var du kommer att märka det: högre GPU-utnyttjande (mindre tid som väntar på kollektiv), mer stabila stegtider, förbättrad tid-till-träning för nya sensordomäner eller modellvarianter.

Praktisk kontroll genom telemetri (inte gissningar)

När flera team delar samma plattform kan trafikmönster förändras från timme till timme. CN5000 framhäver telemetri och realtidsinsyn för att stödja arbetsbelastningsmedveten trafikhantering.

Där du kommer att känna av det: snabbare grundorsaksanalys för prestandajitter och tydligare kapacitetsplanering, särskilt i blandade kluster. 


Designa CN5000 i verkliga fordons-HPC- och AI-kluster

Behandla trängsel som det normala fallet, inte som ett undantag

Automotive-plattformar är nästan alltid blandade: CAE på morgonen, träning på eftermiddagen, digitala tvilling-pipelines i bakgrunden, och alla pushar “en körning till” innan en gate. CN5000 lyfter fram fabric-nivåns trängselhantering, incast-medveten flödeskontroll och adaptiv routing för att upprätthålla prestanda under belastning.

Behåll din “förlustfria” historia hela vägen

Cornelis beskriver “förlustfri, trängselfri överföring” som en arkitektonisk egenskap hos CN5000 (Switch + SuperNIC + routing/flödeskontroll). I praktiken: speca det som ett system, validera det som ett system.

Vill du veta mer?