AI芯片与光子器件，热设计复杂度持续攀升

近日，多位行业专家围绕热量对光子学的影响、瞬态特性以及系统可靠性展开讨论。参与讨论的嘉宾包括：Synopsys产品管理总监Lang Lin；Silvaco业务发展副总裁Jack Berg；Vinci半导体与电子业务负责人Satish Radhakrishnan；是德科技（Keysight Technologies）新市场管理总监Chris Mueth；西门子旗下Mentor产品管理高级总监John Ferguson。

从左至右：Silvaco Berg、Synopsys Lin、Vinci Radhakrishnan、是德科技 Mueth、西门子 Ferguson。

数据传输会消耗功耗，进而产生热量。那么我们该如何在功耗预算范围内保障数据持续传输？光子学是否就是解决方案？即便采用光子方案，热量依旧会带来各类问题。

Mueth：光子技术有望缓解数据中心的瓶颈，但目前还无法规模化落地。构建大型网状交换网络需要大量器件，损耗也很高。因此我们需要重新审视光子学整套架构，采用全新设计思路，大概率要采用可扩展的模块化方案。另一个难题是热敏感性，必须实现温度稳定。但即便做到这一点，光子器件内部依然会集成加热器用于调控。如果搭建大型网状交换网络，所需的控制量会非常庞大。当芯片内有数千个加热器需要调控时，如何校准器件结构，保证性能达标？如果这个问题能够解决，将打开新的发展空间。但这依然无法消除光子芯片本身的损耗，该问题需要依靠模块化、可扩展架构来解决。

这引出另一个问题：系统不再只包含单一类型计算单元。从GPU切换到CPU时会发生什么？二者产热量是否相同？如果是短时高负载任务，发热情况又会不一样吗？如何实现整机散热，维持温度稳定？

Radhakrishnan：共封装光学（Co-packaged optics）在一定程度上尝试解决这个问题，将硅光子器件集成到封装内部，缩小电子集成电路 / 光子集成电路（EIC/PIC）的体积，同时尝试做热隔离。但如果对整套系统做仿真，很容易缺失瞬态特性，而瞬态分析恰恰是必需的。如果器件布局距离较远，热量传导耗时更长；当ASIC迎来下一波负载时，前一轮的热量还未消散。哪怕微小的温度变化，都会改变环形振荡器的特性。我们需要能够对整套系统做联合瞬态仿真，确保器件电学与光学功能稳定可靠。对系统子模块开展瞬态仿真，是共封装光学技术落地与持续推进的关键。

Mueth：说得很有道理。不同模块的时间常数差异会严重干扰系统。在共封装光学方案里，电子集成电路驱动芯片通常紧贴光子集成电路、甚至直接置于其上方，会产生热串扰，进而影响光子器件性能。同时还会引入新应力，这类应力对光信号的影响甚至可能超过热效应。我们必须厘清各类取舍关系，纳入设计考量，充分发挥两种技术各自优势。仅仅调整器件位置，就有可能让性能变差，而非变好。

那如何确认温度传感器能够持续正常工作？

Mueth：可以在校准阶段完成验证。我们能在光子PIC内部增加检测回路，但会大幅提升器件复杂度。

Ferguson：我们可以调整器件布局，降低热量累积。但移动大型器件（尤其是光子器件）时，会引入新应力。应力对光信号的影响极大，甚至超过热效应。所以必须理清取舍关系，纳入设计考量，融合两项技术的优势。

Lin：硅光子可以看作一类模拟电路。模拟电路与数字电路的热行为差异巨大。数字晶体管依靠开关电流工作，电流用来控制晶体管通断，焦耳热效应相对温和。但硅光子与模拟器件会持续存在直流电流，且信号波动幅度大，电流会在波导这类互连结构中流动，产生大量热量。CPO的正常运转本身就需要这类热量，电子集成电路也依靠该热量工作。但大量加热器集中在一起会带来新问题：如何摆放加热器，既保障器件正常工作，又不会在加热器区域形成热点？应力也是硅光子稳定运行必须考虑的另一项难题。

热量会造成翘曲。如果把两片很薄、已经发生翘曲的芯片贴在一起，虽然有可能压平，但裸片变薄，散热能力大概率会下降，对吗？

Berg：光子集成电路（PIC）上的温度波动，通常会造成器件特性失配，相比电子集成电路（EIC）要严重得多。EIC相关的多物理场仿真、数字孪生与代理模型，放到光子IC场景，仿真需求基本会增至三倍，因为光子器件对翘曲与温度梯度更加敏感。激光器本身就是热源，可能带来可靠性隐患。因此光子学不仅需要电学、力学、热学的多物理场验证，还必须纳入光学分析。这意味着需要同时运行四类求解器，复杂度高于普通电子器件。这也是过去30年，光子学一直被称作半导体领域下一个重大突破方向的原因。从物理层面看，它远比大家预想的更复杂。

Mueth：传统半导体设计中，我们只关注有源器件的热问题，无源器件常被忽略。而光子系统里，无源器件同样会受到热效应影响。

单颗裸片无法满足所需性能（AI数据中心场景尤为突出），因此芯片内部会集成多个裸片。如何协调封装内不同裸片，避免所有芯片一直满负载运行？

Berg：设计时必须十分谨慎。

这是一套复杂的调度协调问题，并且需要分层设计，对吧？

Mueth：没错。在架构设计阶段，就必须开展热仿真。其中一类极限场景就是高性能应用场景，需要从热、电、力学多维度仿真，这样在设计后期才能提升成功概率。这类仿真必须前置。

Ferguson：可以单独对每个变量做仿真，但无法获得完整系统信息。必须连续迭代仿真，也就是反复依次运行各类仿真，直到达到稳态，再确认稳态结果是否符合预期。最终结果取决于产品本身。

Radhakrishnan：观察AI芯片的发展方向，芯片既要支持训练，也要支持推理，目标是提升带宽。这也是芯片堆叠集成的驱动力，堆叠结构会改变器件特性。厂商需要掌握推理场景下的器件行为，而不只是峰值性能。瞬态工况下温度会升高多少？如果峰值发热仅持续纳秒级别，并且留有充足余量，或许可以短时提升功耗。但这个纳秒级峰值，是每毫秒触发一次，还是每微秒触发一次？允许开启峰值功率的频次是多少？可以在多大程度上突破热预算，让数据中心制定设计规则，例如 “推理场景允许每100毫秒出现一次毫秒级脉冲峰值”。这是全新的设计范式，可适配不同应用场景。所有设计都由终端用户需求，以及用户追求极致性能的目标驱动。

Lin：回到分层模型的话题。分层模型一方面支撑AI芯片的热仿真算力需求，另一方面也能构建多供应商协同的生态，各家按层级提供仿真模型。举例来说，HBM厂商需要提供HBM芯片模型，交付给系统集成商；集成商整合各类模型，搭建完整多裸片堆叠结构并开展热仿真。首先要评估供应商模型带来的热影响；其次完成整个系统的设计落地，作为最终产品交付方，他们需要保证所有模型对接、组装完成，并开展全系统仿真。分层模型是刚需，不只是为了解决仿真算力问题。行业正在推进相关工作，需要生态各方输出模型，同时建立统一标准，方便模型共享，便于集成商组装。

数据中心一大隐患是电迁移造成数据通路老化，而高温会加速电迁移。这会对整体设计流程带来哪些影响？

Radhakrishnan：现在很多裸片内部会嵌入温度传感器，用于监测老化。传感器必须集成在芯片上，用来追踪器件长期衰减，之后可以对芯片部分区域做降频处理。但芯片整体被封装，只能依靠软件读取传感数据，再做出调整。汽车芯片场景下该问题更严峻，芯片需要稳定工作10~15年。这类场景需要仿真，确认传感器摆放位置是否合理，能否采集有效数据，保障芯片长期稳定运行。行业正在朝着采集这类全维度信息的方向发展。

环境温度会带来波动，对吧？

Berg：是的，沙特这类地区尤为典型。有一个简单经验公式基于阿伦尼乌斯方程（Arrhenius equation）：温度每升高10℃，器件可靠性会大幅下降。准确把握这一点至关重要。

Lin：但行业内缺少能够精准预测热致老化的工具，存在明显缺口。我们需要配套对应方程的工具，预测老化效应并给出解决办法。传感器只能用来监测老化，而在设计优化层面，还没有面向老化感知的设计优化方案。

Radhakrishnan：本质是设计裕度取舍问题：设计不足或是冗余过度。理想状态下，相关策略需要随时间动态调整，这是一个巨大难题。