他们正在用“光”，照亮芯片的未来

infowei · 发表于 2021-12-29 17:37:27

马上注册，结交更多好友，享用更多功能，让你轻松玩转社区

您需要登录才可以下载或查看，没有账号？立即注册

×

因为各种报道的科普，大家对以往神秘的芯片已经有了很广泛的认识。但有一点也许并不是每一个人都知道的——那就是我们平时所谈的芯片大多数是所谓的基于硅材料制造的传统CMOS（Complementary Metal-Oxide-Semiconductor：互补式金属氧化物半导体）芯片。

过去几十年里，这种类型的芯片成为了包括静态随机存取内存、微控制器、微处理器、图像传感器与其他数字逻辑电路系统的制造选择。而为了让其性能满足终端的需求，工程师也在持续推动这类芯片工艺从早期的微米微缩到7nm、5nm甚至3nm。

但因为各种各样的原因，这种传统观念芯片的制造工艺进入了瓶颈期。然而，正如大家所看到的一样，在进入AI时代之后，行业对性能的提升需求不减反增。在当前环境下，这就意味着行业需要新鲜血液，曦智科技所推动的“光子芯片”就成为了其中的一个候选。

传统芯片遇挑战，“光”成为新选择

如上文所说，传统芯片陷入了困境。按照曦智科技创始人兼CEO沈亦晨博士所说，这主要体现在算力遇到了瓶颈。具体而言，则由以下几个方面造成的：

首先，在过去近50年里，晶体管的密度可以每18到20个月翻一倍。这是大家所谓的28纳米、12纳米、7纳米、5纳米和未来3纳米制程的目的。但从物理角度来讲，因为一个原子大小就接近0.3纳米，那就意味着3纳米的制程已经非常接近物理极限。

“所以我们认为纳米制程的后续演进，不可能像过去50年那样可以不断地将晶体管数量集成度翻倍。”沈亦晨博士补充说。

其次，从功耗和发热角度看。2015年以后，随着晶体管越来越小，芯片出现了一个比较严重的问题——那就是晶体管上的“隧穿现象”。这就会让电子可以连续地从一个门流向下一个门，而不是停留在预期的逻辑门内。换而言之，晶体管不可能再处于关闭状态。

此外，即使可以继续把晶体管做得更小，但单个晶体管在进行运算时的功耗却没办法进一步降低，片上的热也无法更有效散发出去，这也成为了传统芯片进一步提高算力的又一个瓶颈。

最后，为了进一步提升算力，业界正在采用增大芯片面积的方式。虽然能耗比并不是随面积正比例提升，但随之拉长的铜导线会使得芯片的功耗正比例增加，这又制约了芯片的突破。

“为此我们认为，‘光’是最适合解决这些困境的底层技术”，沈亦晨告诉记者。

他指出，在数据搬运上面，光已在光通信领域充分证明其领先性和优势了。目前包括数据中心里服务器和服务器之间在内的所有长距离通信的数据都是通过光纤代替铜导线进行的。由此可见，光进入到芯片去帮助运算是一个必然的方向；他同时谈到，现在大数据人工智能越来越多都是在做线性运算，而曦智科技恰好发明了用光高效做线性计算的一种方式。

不过正如沈亦晨所说，曦智科技的方案不是一个纯光的计算。

多项技术推动，曦智科技强势出击

据了解，成立于2017年的曦智科技(Lightelligence）孵化于麻省理工大学 Dr. Soljacic 实验室，是全球光计算创领者，致力于用光芯片加速数据处理和数据传输，驱动下一代算力跃升。

到2019 年4月，他们发布了全球首款光子芯片原型板卡，并用光子芯片运行了Google TensorFlow自带的卷积神经网络模型来处理MNIST数据集，并将整个模型超过95%的运算放在光子芯片上完成。测试数据显示，光子芯片处理的准确率已经接近电子芯片（97%以上），另外光子芯片完成矩阵乘法所用的时间是最先进的电子芯片的1%以内。

在验证了光子计算的可行性后，曦智科技继续加快脚步，逐渐建立起了完整的技术平台，进一步全面展现光子计算的优势。

首先，从原理上看，曦智科技的方案是通过光来做矩阵的乘积累加运算，也就是他们所说的oMAC。作为一种模拟计算，oMAC能通过光模拟信号代替传统电子进行数据处理，让数据可以加载在光的强度或者相位上面，通过在波导里的传播相互干涉，同时进行运算。

“我们这个方案的主要实现方法是采用和现在电芯片制备工艺CMOS兼容的硅光工艺平台，采用光电协同设计来进行光芯片的设计。”沈亦晨强调。

我们知道，对于光芯片而言，电光调制器是其核心器件，而曦智科技为了实现大规模的矩阵-向量乘法采用了特殊的设计实现了高速调制器的小型化。它不但可以基于马赫曾德尔干涉方式实现光与光之间的干涉，完成光域的矩阵-向量乘法计算。同时对硬件和算法的协同进行优化，让乘法计算的并行能力更强，提高硬件的执行效率，让系统能够以更高的通量进行运算。

在计算速度方面，得益于其本身的特性，曦智科技的光芯片方案完成一个矩阵运算所要花的时间少于电芯片，这就意味着其延时也远远低于电芯片。

最后，因为硅光的工艺对于工艺制程的要求相当低，那就让他们可以在65nm或者45nm的CMOS工艺线上就可以满足现在光芯片、光计算所有的要求。展望未来，硅光技术的迭代也不需要对制程有特别的要求，更多是从其他方面进行技术迭代，比如主频、波长数量还有不同的模式。

其次，曦智科技采用了一个叫做oNOC的技术，也就是片上光网络。

据介绍，通过采用波导代替铜导线的方式，开发者可以轻松地实现片与片之间的数据传输和比较大芯片上光的总线通信。而借助在光芯片上构建一个固定通信网络拓扑的方法，该方案可以通过光相连，实现基于片上光网络的数据交互。

“我们还会采用一些波分复用的方式来传播数据，使其带宽做得更好，能耗也做得更低。至于其延时，则更是远远优于现在电的铜导线，且对距离不敏感。”沈亦晨告诉记者。“它的通用性更强，因为它可以将不同类型的电子芯片和它结合，为像访问存储芯片或者在不同的计算芯片之间提供一个更高速、更低功耗互联的方式。”沈亦晨补充说。从他的介绍我们得知，曦智科技的片间光网络技术可以把片上的东西进一步拓展到多个板卡、更多服务器之间。通过直接用光纤的方式把芯片和芯片直接互联起来，以一种光的方式实现芯片之间的数据传输。

“我们认为光电混合计算是最重要的技术演进点，我们需要做的就是要不断增加单个光芯片上的器件集成度。在过去四年的时间里，从最早的4×4乘法器开始，我们也做了很大的提升，这都体现在我们新发布的光子计算处理器PACE上。”沈亦晨表示。

集成度大增，光子计算处理器PACE面世

在本月中，曦智科技发布了其最新高性能光子计算处理器——PACE（Photonic Arithmetic Computing Engine，光子计算引擎）。据介绍，新处理器在单个光子芯片中集成超过10,000个光子器件，集成度较之前的产品提高了两个数量级。来到其频率方面，则也较之前提升了四个数量级，实现了1GHz的系统时钟。在运行特定循环神经网络的时候，该芯片的速度可达目前高端GPU的数百倍。

从具体设计上看，PACE包含了64x64的光学矩阵，核心部分由一块集成硅光芯片和一块CMOS微电子芯片以3D封装形式堆叠而成。对于每个光学矩阵乘法，输入向量值首先从片上存储中提取，由数模转换器转换为模拟值，通过电子芯片和光子芯片之间的微凸点应用于相应的光调制器，形成输入光矢量。接着，输入光矢量通过光矩阵传播，产生输出光矢量，并达到一组光电探测器阵列，从而将光强转换为电流信号。最后，电信号通过微凸点返回到电子芯片，通过跨阻放大器和模数转换器返回数字域。

正是因为这些设计上的改善，使得新处理器的单芯片计算能力超过2019年推出芯片的100万倍。而与目前市场上能买到单个算力最高的英伟达GPU 3080在跑同一个循环神经网络算法时，PACE处理器所花的时间可以做到GPU的1%以内。

又因为基于光执行矩阵向量乘法拥有时延极低的特性，所以曦智科技发布的最新光子计算处理器PACE能通过重复矩阵乘法和巧妙利用受控噪声组成的紧密回环来实现低延迟，从而生成了伊辛问题（Ising）和最大割/最小割问题（Max-cut/Min-cut）的高质量解决方案。

在沈亦晨看来，PACE的成功验证了光子计算的优越性，是曦智科技在集成电路产业的又一重大突破。但他也同时指出，这个芯片的商业化会是一个持续且漫长的过程。力求在未来一年以内，将曦智科技的第一个商业化的产品送到客户手上。

为了更好地满足需要更多、更大计算力的应用场景需求，沈亦晨还分享了公司芯片的未来规划路线图。

他表示，在第一阶段（未来三年内），曦智科技会从能够体现出光优势，且对于算力、延时等痛点特别强的金融和大模型云服务厂商等应用场景开始落地。在这阶段，包括优化和高性能运算在内的非AI场景也是曦智科技看中的机会。

随着第一个产品及前几款产品落地，并在不同的应用场景里面体现出比较明确的光计算优势后，曦智科技会规划更大规模的团队去做训练市场。因为在训练上面，也会需要更多芯片的协同，更大体量的矩阵乘法，同时也需要更成熟的软件体系。也就是说，训练可能会是曦智科技第二阶段的主要方向。

到第三个阶段，曦智科技会将产品线延伸到GPU、车载芯片等市场，“这些都是我们认为对算力需求非常大，还需要一个更成熟硬件、软件体系进一步切入的市场”。但沈亦晨强调，这会是一个相当漫长的过程，且需要不断的去改变、尝试不同应用场景和行业。

在谈到未来与电芯片的竞争时，沈亦晨告诉记者，光电混合计算芯片和电的计算芯片会在相当长时间内共存。他也进一步指出，在可预见的未来范围内，公司都会聚焦于光子与电子深度结合的光电混合的运算，让每个客户的交互通过电芯片来完成，所有的指令集编译器和SDK都承载在电芯片上。至于光芯片，则是承接主要任务的处理器，承接的任务包括线性计算和数据网络这两个部分。

这并不是一条新的道路，也不是一条孤独的道路。站在这个集成电路产业边界突破的关键风口，期待曦智科技能给我们带来一份属于“光”的另一种答案。