芯耀
与非AI
203
AI需求的爆发式增长，驱动了数据中心基础设施建设领域的巨额投资。无论是训练前沿大模型，还是运行推理运算以驱动ChatGPT、Claude等智能体输出，都需要庞大的算力支撑。
AI数据中心由处理器和存储器件互联构成的网络组成。目前，连接这些计算系统的链路大多采用铜质背板和电缆。然而，数据中心如今面临着共同的严峻挑战：无论是服务器内部还是服务器之间，网络带宽均亟需实现大幅提升。
在技术层面，传统做法是不断提高铜线网络中的信号传输频率。但这一方式正在逼近物理极限：随着传输频率不断提高，每比特能耗、发热量以及系统复杂度均会同步急剧上升。为此，业界正在积极寻找替代解决方案。
基于此，艾迈斯欧司朗正在研发一种基于microLED的光传输解决方案，用于AI数据中心的高带宽数据传输。传统高带宽光网络采用“快而窄”的模式，即通过单根光纤以极高频率传输数据；而艾迈斯欧司朗则采用“慢而宽”的架构，利用数百甚至数千个并行工作的microLED发射器，取代单个高速大功率激光发射器。
这一microLED阵列及其驱动控制技术，已在艾迈斯欧司朗用于汽车照明技术的EVIYOS™平台上成功实现商用。这充分证明公司已攻克高密度microLED发射器与数字控制电路的制造及共封装难题。
然而，用于数据通信的microLED在性能规格与实现方式上均不同于汽车照明技术。目前，希望借助microLED推动创新的网络设备制造商仍在等待确凿的验证结果，以证明该类系统在数据中心实际工况下的性能表现。
仿真模型：还原真实工况下的链路性能表现
为此，艾迈斯欧司朗开发出一套能够精准验证行业规格需求的方法：公司已构建一套高精度的系统仿真模型，可在真实AI数据流驱动下，全面评估基于microLED的通信链路性能表现。
艾迈斯欧司朗系统级模型集成了时域、频域及误码率仿真功能。不仅能模拟microLED、光电二极管、透镜以及各类光纤的传输特性，还能模拟发射均衡器、驱动器、接收均衡器和放大器。换言之，该模型完整涵盖了AI服务器光数据链路电光前端的所有核心环节。
兼顾高密度与高带宽：基于microLED的光数据传输系统
这些器件级模型将实测的microLED特性参数与其他组件的物理行为模型相结合，能够综合分析microLED辐射分布、光电二极管响应度以及光纤色度色散与模式色散等关键电学和光学参数的影响。在此基础上，仿真模型可准确输出误码率、每比特能耗和信噪比等关键性能指标（KPI）。
用户可针对指定的运行条件和元器件组合灵活计算各项KPI：例如，模型能直观展示更改光纤长度或光纤类型后KPI的动态变化；而在针对特定误码率目标进行优化时，用户也可借助模型评估并权衡性能与能耗之间的变化。
反向推导同样适用：该模型也可根据特定的系统优化需求，反推出链路中各组件需达到的具体规格要求。
目前，该模型的功能正在持续扩展，未来计划纳入密排microLED与光电二极管之间的电学及光学串扰，以及封装器件的热特性等模拟项目。
该仿真模型能够直观展示信号链路各个节点的系统性能表现
这对网络设备制造商等潜在合作伙伴及客户而言意味着：在投资设计与制造首款基于microLED的数据互连硬件之前，他们可以借助可靠的系统级链路建模进行精准的方案验证与优化。
借助这一仿真模型，合作伙伴能够精确定义数据链路中各独立组件的技术要求，评估所需组件的供应能力，并充分验证整体系统设计的可行性。
