სილიციუმის ფოტონიკა ჩიპების დამზადების ტექნოლოგიაა, რომელიც მონაცემებს ელექტროდენის ნაცვლად სინათლის იმპულსებით გადასცემს — მიკროსკოპული ოპტიკური ელემენტები, ლაზერის, სარკისა თუ ბოჭკოვანი კავშირის ანალოგები, პირდაპირ სილიციუმის ფირფიტაზეა ამოკვეთილი, იმავე საწარმოო პროცესით, რომლითაც ჩვეულებრივი ჩიპები მზადდება. მისი მიმზიდველობა ხელოვნური ინტელექტისთვის მარტივად აიხსნება: რაც უფრო იზრდება AI კლასტერები — რომლებიც უკვე ასობით ათას GPU-ს აერთიანებენ — მით უფრო მნიშვნელოვანი ხდება ჩიპებს შორის კავშირი, თავად ჩიპებზე არანაკლებ, ხოლო სინათლეს შეუძლია გაცილებით მეტი მონაცემის გადატანა გაცილებით ნაკლები ენერგიით, ვიდრე სპილენძის მავთულს.
როგორ მუშაობს
სილიციუმის ფოტონიკის ჩიპი დამზადებულია იმავე ტიპის „სილიციუმი საიზოლაციო ფენაზე“ (SOI) ფირფიტებზე, რომლებზეც ჩვეულებრივი ნახევარგამტარებია, თუმცა ტრანზისტორების მიერ დენის გადართვის ნაცვლად მასზე ნანომეტრული ზომის არხებია — ტალღგამტარები — ამოკვეთილი, რომლებიც ინფრაწითელი სინათლის სხივს ისე მიმართავს, როგორც დერეფანი ადამიანს. მოდულატორი მონაცემებს სინათლეზე კოდირებს მისი ინტენსივობის ან ფაზის სწრაფი ცვლილებით, ხოლო მიმღებ მხარეს გერმანიუმის ფოტოდეტექტორი სინათლის იმპულსებს ისევ ელექტრულ სიგნალად აქცევს, რომელსაც პროცესორი უკვე იყენებს. რადგან ერთსა და იმავე ტალღგამტარში სინათლის სხვადასხვა ტალღის სიგრძის სხივები ერთმანეთს არ უშლის, ერთი ოპტიკური არხი ერთდროულად ათობით პარალელურ მონაცემთა ნაკადს ატარებს — რასაც სპილენძის მავთული ვერასდროს შეძლებდა.
რატომ სჭირდება ეს AI მონაცემთა ცენტრებს
მონაცემთა ცენტრების ჩვეულებრივი გაყვანილობა სპილენძისაა — იაფი, საიმედო და მარტივად საწარმოებელი. მაგრამ სპილენძს ფიზიკური ზღვარი აქვს: მონაცემთა იმ სიჩქარეებზე, რომლებიც დღეს AI-ის წვრთნასა და გამოყენებას სჭირდება, ელექტრული სიგნალი მანძილთან ერთად სწრაფად სუსტდება, ამიტომ ინჟინრებს უწევთ ან კაბელის შემოკლება, ან უფრო სქელი (ძვირი და მძიმე) სპილენძის გამოყენება, ან იმის შეგუება, რომ სიგნალის ერთი ჩიპიდან მეორემდე საიმედოდ გადასაცემად სულ უფრო მეტი ენერგია იხარჯება. როცა GPU კლასტერები ასობით ათას ერთეულამდე იზრდება, მოკლე მანძილის ეს საჭიროება და ენერგიის დანაკარგი გროვდება და ინფრასტრუქტურაში ბოთლის ყელი გამოთვლის ნაცვლად სწორედ ქსელი ხდება.
სინათლეს ეს პრობლემა არ აქვს: ის გაცილებით შორ მანძილზე ვრცელდება მინიმალური დანაკარგით და ელექტრომაგნიტური ხმაურის გარეშე, ამიტომ ოპტიკურ კავშირს შეუძლია მონაცემები რეკებს შორის ან თუნდაც შენობებს შორის თითქმის ისევე ადვილად გადაიტანოს, როგორც ორ მეზობელ ჩიპს შორის. ინდუსტრიის დღევანდელი ფოკუსია თანაშეფუთული ოპტიკა (co-packaged optics, CPO) — მიდგომა, როცა სინათლის წარმომქმნელი და მიმღები ჩიპლეტები პირდაპირ GPU-ს ან ქსელური კომუტატორის გვერდით, ან იმავე შეფუთვაშია მოთავსებული, რაც დარჩენილ ელექტრულ „ნახტომს“ მილიმეტრებამდე ამცირებს და მასზე დახარჯულ ენერგიასაც კვეცავს.
ვინ აშენებს ამას
Nvidia-ს განცხადებით, მისი შემდეგი თაობის ქსელური აღჭურვილობა, მათ შორის Quantum-X კომუტატორები, თანაშეფუთულ ოპტიკას დაეყრდნობა, რათა GPU-ებს დღევანდელ ჩასართავ ოპტიკურ გადამწოდებზე მეტი სიჩქარითა და ნაკლები ენერგიით დააკავშიროს. აშშ-ში GlobalFoundries-მა CHIPS Act-ის ფარგლებში $300 მილიონიან დაფინანსებაზე განზრახვის წერილს მოაწერა ხელი, რათა სილიციუმის ფოტონიკის წარმოება გაზარდოს — მიზანია ოპტიკური კავშირების ენერგოეფექტურობა დაახლოებით ხუთჯერ გაიზარდოს; გარიგება ამასთან აშშ-ის მთავრობას კომპანიაში მცირე წილს აძლევს. ჩიპების ქარხნები — GlobalFoundries და TSMC — ერთმანეთს ეჯიბრებიან, რომ AI ჩიპების წარმოება ინდუსტრიულ მასშტაბამდე აიყვანონ, რადგან ფოტონური ჩიპლეტის GPU-ს ბირთვთან შეფუთვა თავადაც ჩიპების მოწინავე შეფუთვის ერთგვარი ფორმაა — კიდევ ერთი მიზეზი, რის გამოც ურთიერთდაკავშირება და ჩიპების წარმოება სულ უფრო განუყოფელი ამოცანები ხდება.
ეს ყველაფერი სულაც არ არის სიახლე: სილიციუმის ფოტონიკა უკვე ათწლეულზე მეტია, რაც ინტერნეტისა და სატელეკომუნიკაციო ტრაფიკს ატარებს. შეიცვალა ის მოცულობა და სიმჭიდროვე, რომელსაც AI სისტემები სანტიმეტრებით დაშორებულ ჩიპებს შორის საჭიროებენ — და სწორედ ეს აქცევს შორი მანძილის ქსელებისთვის შექმნილ ტექნოლოგიას თავად ჩიპის შეფუთვის ნაწილად.
სიახლეებში
GlobalFoundries-მა ცოტა ხნის წინ აშშ-სგან $300 მილიონიან დაფინანსებაზე განზრახვის წერილს მოაწერა ხელი, რათა თავისი AI ჩიპების ფოტონიკის მიმართულება გააფართოვოს — ეს ერთ-ერთი ნიშანია იმისა, თუ რამდენად ცენტრალური გახდა ოპტიკური კავშირები შემდეგი თაობის AI აპარატურისთვის.