Используется кремниевая фотоника для масштабируемого и устойчивого оборудования ИИ
05:00, Апрель 18, 2025
Появление ИИ глубоко преобразило множество отраслей. Движимый технологией глубокого обучения и большими данными, ИИ требует значительной вычислительной мощности для обучения своих моделей. Хотя существующая инфраструктура ИИ опирается на графические процессоры (GPU), существенные требования к обработке и расходы на электроэнергию, связанные с ее работой, остаются ключевыми проблемами. Внедрение более эффективной и устойчивой инфраструктуры ИИ прокладывает путь для дальнейшего развития ИИ в будущем. Недавнее исследование, опубликованное в журнале IEEE Journal of Selected Topics in Quantum Electronics, демонстрирует новую платформу ускорения ИИ на основе фотонных интегральных схем (ФИС), которые обеспечивают превосходную масштабируемость и энергоэффективность по сравнению с традиционными архитектурами на базе графических процессоров. Исследование, проведенное под руководством доктора Бассема Тоссуна, старшего научного сотрудника Hewlett Packard Labs, демонстрирует, как PIC, использующие полупроводниковые соединения III-V, могут эффективно выполнять рабочие нагрузки ИИ. В отличие от традиционного оборудования ИИ, которое опирается на электронные распределенные нейронные сети (DNN), фотонные ускорители ИИ используют оптические нейронные сети (ONN), которые работают со скоростью света с минимальными потерями энергии. «Хотя кремниевую фотонику легко производить, ее трудно масштабировать для сложных интегральных схем. Наша платформа устройств может использоваться в качестве строительных блоков для фотонных ускорителей с гораздо большей энергоэффективностью и масштабируемостью, чем у современных разработок», — объясняет доктор Тоссон. Команда использовала гетерогенный интеграционный подход для изготовления оборудования. Он включал использование кремниевой фотоники вместе с полупроводниками соединений III-V, которые функционально интегрируют лазеры и оптические усилители для снижения оптических потерь и улучшения масштабируемости. Полупроводники III-V облегчают создание PIC с большей плотностью и сложностью. PIC, использующие эти полупроводники, могут выполнять все операции, необходимые для поддержки нейронных сетей , что делает их главными кандидатами на аппаратное обеспечение ускорителей ИИ следующего поколения. Изготовление началось с пластин кремния на изоляторе (SOI), которые имели слой кремния толщиной 400 нм. За литографией и сухим травлением последовало легирование для устройств металлооксидных полупроводниковых конденсаторов (MOSCAP) и лавинных фотодиодов (APD). Затем был выполнен селективный рост кремния и германия для формирования слоев поглощения, заряда и умножения APD. Полупроводники соединений III-V (такие как InP или GaAs) затем были интегрированы в кремниевую платформу с помощью соединения кристалла с пластиной. Тонкий слой оксида затвора (Al₂O₃ или HfO₂) был добавлен для повышения эффективности устройства, и, наконец, был нанесен толстый диэлектрический слой для инкапсуляции и термической стабильности. «Гетерогенная платформа III/V-on-SOI предоставляет все основные компоненты, необходимые для разработки фотонных и оптоэлектронных вычислительных архитектур для ускорения AI/ML. Это особенно актуально для аналоговых фотонных ускорителей ML, которые используют непрерывные аналоговые значения для представления данных», — отмечает доктор Тоссон. Эта уникальная фотонная платформа может достичь интеграции в масштабе пластины всех различных устройств, необходимых для построения оптической нейронной сети на одном фотонном чипе, включая активные устройства, такие как встроенные лазеры и усилители, высокоскоростные фотодетекторы, энергоэффективные модуляторы и энергонезависимые фазовращатели. Это позволяет разрабатывать ускорители на основе TONN с эффективностью занимаемой площади и энергии, которая в 2,9 × 10² раз больше, чем у других фотонных платформ, и в 1,4 × 10² раз больше, чем у самой передовой цифровой электроники. Это действительно прорывная технология для ускорения AI/ML, снижения затрат на электроэнергию, повышения вычислительной эффективности и обеспечения будущих приложений на основе AI в различных областях. В будущем эта технология позволит центрам обработки данных размещать больше рабочих нагрузок AI и поможет решить несколько задач оптимизации. Платформа будет решать вычислительные и энергетические задачи, прокладывая путь к созданию надежного и устойчивого аппаратного обеспечения для ускорения ИИ в будущем....
