专家讨论AI芯片和光子学的热复杂性

在设计自动化会议上，专家们讨论了热量对光子学和AI芯片系统可靠性的影响。参与者包括Lang Lin（Synopsys）、Jack Berg（Silvaco）、Satish Radhakrishnan（Vinci）、Chris Muet（Keysight EDA）和John Ferguson（Siemens EDA）。

据Muet所说，光子学在数据中心具有巨大潜力，但不具备可扩展性。大型网状交换机需要大量组件并导致高损耗。另一个问题是热敏感性：结构中有加热器，而在成千上万个加热器的情况下，校准问题就出现了。Lin补充说，硅光子学是一种模拟电路：在数字晶体管中，电流是切换的，而在光子学中，直流电流始终存在，这会产生大量热量。部分热量是电子集成电路工作所需的，但重要的是不要产生热点。

Radhakrishnan指出，封装中的光学集成了硅光子学，并在热方面隔离了电子和光子集成电路。然而，在建模中缺少过渡成分，而这正是所需的。Muet补充说，时间常数的差异使一切变得复杂。电压对光信号的影响可能比温度更大。Ferguson证实：大型元件的移动会产生新的应力。

Berg强调，光子学需要四个求解器：电的、机械的、热的和光学的。正是由于这种复杂性，光子学30年来一直是下一个大步骤。Lin补充说，分层建模对生态系统很重要：高带宽内存制造商提供芯片模型，集成商组装堆栈并进行热分析。

Radhakrishnan指出，由于热量加速的电迁移导致的数据路径老化问题。对于寿命为10-15年的汽车芯片来说，这尤其关键。根据Berg的说法，每升高10度会显著降低可靠性。Lin指出了一个空白：行业中几乎没有用于准确预测热加速老化的工具。