광역 및 저속 VCSEL 공동 패키지 광학 장치:AI 확장을 위한 포스트 구리 아키텍처
2026년 3월 16일 작성자:일관적인
출처:장 테이시에; 마누엘 콜리.A.I의 확장을 위한 VCSEL 기반 CPO 데이터센터 – 상태 및 관점.백서, 연도: 2026
AI 데이터 센터의 구리 이후 현실
인공 지능 교육 인프라는 데이터 센터 내 연결 요구 사항을 재정의하고 있습니다. 최신 AI 클러스터에서는 랙에서 포드 수준까지 단거리 내에서 GPU를 연결하는 고대역폭 패브릭인 확장 네트워크가 모델 훈련 중에 대부분의 트래픽을 전달합니다. 모델 크기와 컴퓨팅 밀도가 계속 증가함에 따라 상호 연결 성능이 주요 시스템 제약이 되었습니다.
수십년 동안 구리는 단거리 통신의 기초였습니다. 그러나 구리선을 사용한 확장 속도는 레인당 200Gbps를 초과하므로 다음과 같은 근본적인 물리적, 구조적 제한에 직면합니다.
- 고속 SerDes 및 디지털 신호 프로세서(DSP)로 인한 에너지 소비 증가
- 데이터 속도 증가로 도달 범위 감소
- 균등화 및 타이밍 재조정으로 인한 추가 대기 시간
- 물리적 혼잡 제한 대역폭 밀도
프로세서에서 보드 가장자리로 신호를 보내는 것은 전송이 시작되기 전에 이미 비트당 수 피코줄을 소비하고 수백 나노초의 대기 시간을 소비합니다. 구리를 통해 대역폭을 더욱 확장하려면 더 높은 SerDes 속도와 더 뛰어난 디지털 신호 처리가 필요하므로 도달 범위에 영향을 미치면서 전력과 복잡성이 모두 증가합니다.
AI 인프라는 확장 네트워크를 위한 포스트 구리 시대로 진입해야 합니다. 이러한 패러다임 변화에는 구리 트레이스의 길이를 최소화하여 전력 소비를 줄여야 합니다. 앞으로 나아갈 길은 광트랜시버를 처리 장치에 더 가깝게 가져와 궁극적으로 함께 패키징하는 것입니다.
공동 패키지 광학: 구조적 변화
공동 패키지 광학(CPO)은 광학 엔진을 프로세서 바로 옆에 통합하여 전기 신호 전파 손실을 줄입니다. 전체 링크를 최적화함으로써 CPO 접근 방식은 전기 DSP를 줄이거나 제거함으로써 전반적인 에너지 소비와 대기 시간을 대폭 낮출 수 있습니다. 이는 광학 엔진에 더 많은 제약을 가하는 대신 허용되는 설치 공간을 줄이면서 상승된 온도에 대한 신뢰성 요구 사항을 증가시킵니다.
그러나 구리를 사용하지 않는 것의 주요 이점은 광학 영역의 공간 또는 파장 다중화입니다. 따라서 CPO를 사용하면 핵심 지표에 대한 전체 링크의 최적화가 가능합니다. 즉, 더 낮은 에너지 소비와 더 빠른 링크, 더 나은 안정성과 신뢰성을 제공합니다.
새로운 디자인 문제는 더 이상 단순한 것이 아닙니다.구리 또는 광학?
그것은:
빠르고 좁은 것 - 아니면 넓고 느린 것?
빠르고 좁은 아키텍처와 넓고 느린 아키텍처
현재의 광학 구현은 전통적인 구리 패러다임을 확장합니다. 즉, PAM4 변조 및 고급 DSP를 사용하여 고속으로 작동하는 레인 수가 적습니다. 이 빠르고 좁은 접근 방식은 기존 고속 SerDes 아키텍처와의 호환성을 유지하고 필요한 집계 대역폭을 달성하기 위해 더 적은 수의 레인을 허용합니다. 이 접근 방식의 비용은 더 높은 신호 대 잡음 요구 사항, 추가 처리 단계 및 증가된 에너지 오버헤드입니다.
대안 모델은 높은 차선당 속도보다 병렬성을 강조합니다. 에서넓고 느린(WaS)아키텍처:
- 더 많은 광학 레인이 적당한 비트 전송률로 작동함
- NRZ 신호를 사용할 수 있습니다.
- DSP 요구 사항이 감소되거나 완전히 제거됩니다.
레인당 속도가 낮아지면 신호 무결성 제약이 완화되고 전자 장치가 단순화되고 견고성이 향상되며 비트당 에너지가 낮아집니다. 집계된 대역폭, 효율성 및 안정성이 중요한 AI 확장 네트워크의 경우 넓고 느린 아키텍처는 시스템 수준 최적화에 자연스럽게 맞춰집니다. 시간 다중화를 강제하는 대신 공간 또는 스펙트럼과 같은 다른 유형의 다중화와 교환합니다.
VCSEL CPO: 다양한 속도의 에너지 효율적인 상호 연결
VCSEL(수직 공동 표면 방출 레이저)은 효율성, 확장성 및 제조 성숙도의 고유한 조합을 제공합니다. 따라서 차선당 속도에 관계없이 CPO 애플리케이션에 최적입니다.
비트 전송률 전반에 걸친 높은 효율성
VCSEL은 다양한 속도에 매우 적합하며 광범위한 작동 범위에 걸쳐 강력한 벽면 플러그 효율성을 유지합니다. 작은 크기에 더해 이러한 다용도성은 에너지 성능을 희생하지 않고도 건축적 유연성을 제공합니다.
입증된 제조 및 신뢰성
VCSEL 기술은 광범위한 제조 경험과 현장 신뢰성을 바탕으로 수십 년 동안 데이터콤 애플리케이션에 배포되었습니다. 적당한 속도로 작동하면 전기 및 열 스트레스를 더욱 줄여 장기적인 안정성을 지원할 수 있습니다.
직접 변조 및 채널 독립
VCSEL은 어레이로 배포될 수 있으며, 각 이미터는 다른 모든 이미터와 독립적으로 구동될 수 있습니다. 각 VCSEL 채널은 직접 변조되며 물리적으로 독립적입니다. 이를 통해 다음이 가능해집니다.
- 차선 수준 격리
- 국지적 결함 억제
- 스페어레인의 실제 구현
- 클러스터 규모의 향상된 복원력
공유 광 경로에 의존하는 아키텍처와 달리 물리적으로 독립된 채널은 오류가 시스템 전체에 전파되는 것을 방지하는 데 도움이 됩니다.
넓고 느린 접근 방식의 장점
대규모 AI 시스템의 지연 시간
에너지 효율성이 상당한 주목을 받는 반면, 긴밀하게 동기화된 AI 훈련 시스템에서는 지연 시간도 똑같이 중요합니다. 복잡한 DSP가 포함된 고속 PAM4 링크는 추가 처리 단계와 리타이밍 오버헤드를 발생시킵니다. 넓고 느린 NRZ 아키텍처는 신호 처리 복잡성을 줄이고 전기 체인을 단순화하여 지연을 최소화하고 비용을 절감합니다.
신뢰성 및 링크 안정성
모델의 훈련 단계는 모든 중단에 민감합니다. 수직 확장 링크가 한 번 중단되면 마지막 백업 지점까지 단계를 다시 시작해야 할 수 있으며, 이는 비용에 상당한 영향을 미칩니다.
광대역 VCSEL 어레이는 다음을 통해 신뢰성을 향상시킵니다.
- 차선당 전력을 낮추어 스트레스를 낮춤
- 신호 처리 단순화 및 결정 지점 감소
- 독립적인 광 채널
- 실용적인 예비 차선 이중화
각 채널이 독립적으로 작동하기 때문에 결함은 공유된 광학 구조 전체에 전파되지 않고 국부적으로 유지됩니다. 광범위하고 느린 접근 방식을 사용하면 적은 오버헤드로 예비 부품을 도입할 수 있습니다. 또한 눈에 띄는 지연 시간이나 에너지 오버헤드 없이 간단한 오류 코드 수정(ECC)을 도입할 수 있습니다.
대역폭 밀도: 중요한 확장 측정항목
에너지 효율성 외에도 AI 상호 연결 확장은 일반적으로 mm²당 Tbit/s로 표시되는 대역폭 밀도에 점점 더 의존하고 있습니다.
적당한 레인당 속도와 미세한 피치로 작동하는 VCSEL 어레이는 극도의 변조 복잡성에 의존하지 않고도 평방 밀리미터당 멀티테라비트의 대역폭 밀도를 제공할 수 있습니다. 이는 지속적인 AI 인프라 성장을 위한 의미 있는 여유 공간을 제공합니다.
에너지 효율성: 1pJ/비트 미만 성능에 접근
에너지 효율성은 AI 확장 네트워크를 정의하는 측정항목입니다. 단순화된 전자 장치, 감소된 DSP, 효율적인 드라이버 및 신중한 전자 광학 공동 설계를 결합한 균형 잡힌 넓고 느린 VCSEL CPO 아키텍처는 엔드 투 엔드에서 1pJ/비트 미만의 총 링크 에너지에 접근할 수 있는 잠재력을 가지고 있습니다.
신흥 광학적 접근 방식 중 포지셔닝
마이크로LED 이미터 및 실리콘 포토닉스 솔루션을 포함하여 AI 데이터 센터의 공동 패키지 광학을 위한 여러 기술이 연구되고 있습니다.
각 접근 방식은 뚜렷한 장점을 제공합니다. VCSEL 기반의 넓고 느린 CPO는 다음의 균형 잡힌 조합을 제공합니다.
- 높은 벽면 플러그 효율성
- 직접 변조된 이미터
- 다양한 속도에서 에너지 효율성
- 광섬유 호환성
- 채널 수준 독립성
- 제조 성숙도 확립
이 균형은 넓고 느린 VCSEL 아키텍처를 AI 확장 네트워크를 위한 강력하고 확장 가능한 옵션으로 자리매김합니다.
결론: 포토닉스 우선 AI 인프라를 향하여
AI 확장 네트워크에서 구리에서 광학으로의 전환이 잘 진행되고 있습니다. 다음 아키텍처 진화는 빠르고 좁은 설계에서 효율성, 대기 시간, 복원력에 최적화된 넓고 느린 고도의 병렬 광학 패브릭으로의 전환일 수 있습니다.
광역 및 저속 VCSEL 공동 패키지 광학 장치는 차세대 AI 데이터 센터에 필요한 성능, 에너지 효율성 및 신뢰성을 지원하는 포토닉스 우선 AI 인프라를 향한 실용적인 경로를 나타냅니다. 입증된 비용 모델과 대규모 안정성을 갖춘 성숙한 생태계를 활용합니다. 이는 점진적인 개선이 아니라 병렬화 및 단순화를 통한 아키텍처 변화를 나타냅니다. 구리가 기본 성능 한계에 접근함에 따라 광학 장치는 더 이상 구리 상호 연결의 직접적인 확장으로 취급되어서는 안 됩니다. 대신, 광학 도메인의 다중화를 활용하여 시스템 아키텍처를 완전히 최적화해야 합니다.
