陈昇祐，深圳逍遙科技
摘要
像ChatGPT这样的人工智能模型带来了巨大的计算需求，推动数据中心对电气互连的带宽要求超过了其极限。硅基光电子技术提供了实现更高吞吐量和能源效率的途径，那就是利用光。但是，光电集成芯片设计带来了独特的版图和建模挑战，需要专门的设计自动化工具。本文检视了自动化设计平台如何促进高性能光电集成系统的开发，以支持未来AI的增长，回顾了光电集成芯片设计自动化解决方案所需的功能。
Keywords: ChatGPT、硅基光电子、光电集成系统、光电集成芯片。
简介
关于ChatGPT等AI聊天机器人以及大模型的风行，凸显了现代AI模型的计算密集性。这些模型利用了上百亿参数，并需要大量的硬件资源[1]。例如，ChatGPT背后的GPT-3模型包含1750亿个参数，超过了人脑估计的1000亿参数容量[2]。为了处理这样规模的工作负载，出现了拥有成千上万台服务器和PB级存储的大规模数据中心。但是，这些数据中心内组件之间的传统铜互连带宽无法满足需求[3]。
相比电子芯片，使用光信号的硅基光电子集成芯片可以实现数量级更高的吞吐量。光子学因此代表了未来高性能计算系统的关键构建块[4]。硅基光电子技术利用了半导体行业的材料和制造工艺，同时发挥了光子学的高速和宽带优势[5]。但是，光电集成芯片存在不同的版图和建模考虑因素，需要专门的设计自动化工具[6]。
本文检视用于光电集成芯片设计自动化的驱动因素和方法论。我们强调逍遙科技PIC Studio等综合平台满足复杂光电芯片和互连的端到端开发需求[7]。我们讨论自动化流程如何促进高带宽光互连和系统的设计，以支持数据密集型AI应用程序的增长。
光电集成芯片设计挑战背景
与具有标准化电子元件库的数字电子电路不同，每个光电子器件都有其独特的版图和性能，与其几何形状和材料相关[6]。光电集成芯片还面临层限制、制造变异敏感性以及无法在常规电路仿真器中建模的光学现象等挑战。版图工具必须考虑曲线波导几何形状，同时满足工艺设计规则要求。需要紧凑的器件模型来预测制造前的系统性能。这些独特的考虑因素需要专门定制用于光子应用的设计自动化技术[6]。
工艺设计套件(PDK)封装了专为某一制造工艺量身定制的关键信息，例如经验证的器件库、版图规则和光学模型[8]。但是，不成熟的PDK构成采用障碍。不同供应商的PDK和工具之间也存在互操作性差距。类似地，标准的缺乏也阻碍了器件重用和工具集成[6]。开发预测性的光电集成芯片还需要在传统电子设计流程中缺失的制造变异的统计建模[9]。解决这些特定于硅基光电子技术的设计自动化需求有望加速这项关键使能技术的创新。
自动化光电集成芯片设计平台
为简化光电集成芯片开发，综合设计自动化解决方案(例如逍遙科技的PIC Studio)提供了一个全面的环境,包含原理图编辑、仿真、版图综合和验证[7]。这些工具实现了从高层光电路规范自动转换到准备制造的物理版图。PIC Studio的核心功能包括:
pLogic：使用工艺PDK器件库的系统级光电路设计原理图编辑器[7]。 pSim：使用分析和紧凑器件模型的多引擎光电路仿真器,进行频域和时域分析[7]。 Advanced SDL：自动化的原理图驱动版图综合工具,生成符合工艺设计规则的可制造光电集成芯片版图[7]。 PhotoCAD：交互式曲线光波导版图编辑器[7]。
这种分层设计获取、基于PDK的电路仿真以及正确构建的版图综合的组合提供了一个完整的设计到制造流程，类似成熟的电芯片EDA。PIC Studio还允许在统一的环境中进行光电子协同仿真[7]。这些解决光电集成芯片设计独特需求的功能降低了门槛，加速了开发。这个集成套件实现了从光电芯片规范到正确构建版图的自动生成。与L-Edit和Calibre DRC等业界标准EDA工具的紧密集成,有助于验证和签认。PIC Studio拥有从PDK开发、定制设计咨询到硅基光电子培训计划的端到端服务。它已被领先的大学、研究机构和电子公司采用，展示了这个新一代平台满足硅基光电子新兴需求的全面功能。
PDK器件和建模需求
为实现实用的光电集成芯片设计，晶圆厂PDK必须提供全面的器件库和光学模型[8]。PDK包含以下信息:
覆盖波导、耦合器、调制器和探测器等器件的经验证的参数化器件生成器。 制造工艺限制的版图规则和设计约束。 映射晶圆工艺流程的层定义。 器件的紧凑光学模型以实现鏈路仿真。 有源器件和互连的电学模型。 纳米级工艺波动的可变性模型。
器件库封装针对目标工艺的经验证构建块。光学模型必须针对晶圆厂的测量数据进行彻底校准和验证。需要统计仿真技术来评估制造可变性和产量[9]。信息不完整或不准确的不成熟PDK构成了可靠设计光电集成芯片的障碍。晶圆厂、设计师和EDA厂商之间的密切协作对创建全面的PDK以实现主流采用至关重要。
光电子与电子器件互联
许多光电集成芯片应用需要将光电子与电子器件集成，例如驱动光调制器的电输入信号和接收光探测输出的跨阻放大器。联合设计技术必须支持同时设计光电子和电子子系统。集成的光电子平台允许使用一致的PDK器件模型对电子和光学组件进行系统级联合仿真[10]。
标准化的电子电路与光电鏈路仿真器接口可以从信号生成到光传输和检测验证整个系统性能。联合仿真揭示了两个领域之间的相互作用，同时指导联合优化[11]。需要RF建模扩展来模拟高频电效应。统一的设计环境有望加速跨纳米光子学、晶体管级和封装级设计的集成电光系统开发[12]。
物理设计和制造注意事项
尽管原理图驱动设计流程提供了层次结构和抽象的优点，但光电鏈路最终必须转换为有形的制造版图。物理实现面临以下挑战[6]:
曲线波导需要真实的平滑曲线,而不是矩形电子布线。这使布局生成和验证复杂化。 光连接仅限于少数布线层,不像多层电子金属互连。波导交叉还会引入损耗。 为避免光刻缺陷,需要统一高的版图模式密度。非功能虚填会占用空间并复杂化布线。 必须遵守晶圆厂关于最小特征尺寸的设计规则以确保成功制造。自定义DRC规则单元对验证光电集成芯片版图至关重要。 需要加入光端口和高效的光纤耦合结构。还必须考虑光电子与驱动器和接收器电子器件的系统级封装。
解决与物理实现和制造兼容性相关的约束对发挥硅基光电子技术提供的制造能力至关重要。工具必须具备光刻和可变性意识。晶圆厂合作开发成熟全面的PDK可以显著提高设计效率。自动完成复杂光电集成芯片物理设计的艰巨任务的解决方案也将是关键的。
光电集成芯片应用
硅基光电子集成芯片准备改变从通信到计算再到医疗保健的各个行业[13]。一些关键的应用驱动因素包括:
当铜互连路线达到带宽极限时,需要扩展微处理器互连,即使在先进工艺节点上也是如此。光子I/O承诺性能提升。 实现全光网络,具有复杂调制、波分复用和大量端口[15]。可编程集成光电路允许可重构性。 通过光电集成将传感器小型化,用于生物医学应用[16]。实验室芯片设备从纳米光子学进步中受益。 专用计算范式,包括光学神经网络和模拟光电联合处理器[17]。神经形态光子学是一个不断发展的研究领域。 在新一代计算体系结构中以光电子增强电子技术,以提高吞吐量、减少延迟和提高能效[18]。 用于计算、计量、加密和通信等新兴应用的量子光电子链路[19]。
持续创新集成光学组件、子系统和制造工艺将实现这些多种应用。使用可靠的设计自动化平台合成的光电集成芯片提供了一种方式,可持续支持由AI、云计算和大数据分析驱动的未来带宽增长。
挑战和机遇
尽管硅基光电子设计自动化已经采用了电子设计理念,但与传统EDA相比,一些差距仍然存在,需要解决[6]:
标准缺乏阻碍互操作性、IP重用和工具集成。定义类似Verilog-A之类的光电子标准可以提供帮助。 统一的自动化环境中包含版图、仿真、验证、制造检查、联合设计等功能的专门面向光子的工具可以提高生产效率。 在以电子为中心的仿真器上对非线性和噪声等复杂光学现象建模仍具有挑战性,需要专门的技术。 考虑制造变异的统计分析、设计居中和优化方法需要加强,以实现关注产量的设计。 拥有全面的器件库、经验证的互连性能数据和稳健的多域(电、光、热)模型的晶圆厂PDK仍在成熟。
解决这些差距为研究带来机遇,需要学术界、晶圆厂、EDA厂商、系统集成商和终端用户通力协作,以成熟硅基光电子设计自动化。共享标准、互操作工具和合格的PDK可以显著提高这个新兴技术的设计效率、性能和可靠性。
总结
AI计算复杂度的指数增长正推动带宽需求超过电气互连的极限。硅基光电子技术以数量级更高的吞吐量支持未来系统。但是，特殊的设计自动化对发挥光电集成芯片的潜力至关重要。集成的原理图驱动设计平台通过针对光子学的特定功能增强传统EDA,促进了高性能光互连的开发。
让光电子解决方案成为主流的前提是设计效率接近电芯片技术。随着自动化流程和PDK的持续改进，硅基光电子技术准备在推动新一代计算机方面发挥关键作用。但是，仍有大量工作要做，以将更多工艺技术转化为大规模制造，并通过易于获取的工具和资源吸引更广泛的设计社区。在研究成果转化为各行业中的部署产品和应用方面,未来十年将至关重要。
参考文献
[1] A. Vaswani et al., “Attention is all you need,” in Advances in Neural Information Processing Systems, 2017.
[2] T.B. Brown et al., “Language models are few-shot learners,” Advances in Neural Information Processing Systems, 2020.
[3] S. Bernabé et al., “Silicon photonics for terabit/s communication in data centers and exascale computers,” Solid-State Electronics, Volume 179, 2021.
[4] D. Thomson et al., “Roadmap on silicon photonics,” Journal of Optics, vol. 18, no. 7, p. 073003, 2016.
[5] L. Chrostowski and M. Hochberg, Silicon Photonics Design: From Devices to Systems. Cambridge University Press, 2015.
[6] A. Rahim et al., “Expanding the Silicon Photonics Portfolio With Silicon Nitride Photonic Integrated Circuits,” Journal of Lightwave Technology, vol. 39, no. 2, pp. 423-434, 2021.
[7] Latitude Design Automation, “PIC Studio”, Online, 2022. https://latitudeda.com/solution/flow/PIC%20Studio
[8] T. Chen, “Silicon Photonics Process Design Kit (PDK) Creation Checklist,” Latitude Whitepaper, 2023.
[9] SiemensEDA, “Design for manufacturability using CompoundTek’s PDK and Siemens-Ansys photonic layout-driven design flow,” Online, 2021.
https://webinars.sw.siemens.com/zh-TW/design-manufacturability-compoundte
[10] Y. Shi et al., "Silicon photonics for high-capacity data communications," Photon. Res. 10, A106-A134, 2022.
[11] N. Margalit et al., “Perspective on the future of silicon photonics and electronics,” Appl. Phys. Lett. 31 May 2021.
[12] A. V. Krishnamoorthy et al., "Energy-Efficient Photonics in Future High-Connectivity Computing Systems," Journal of Lightwave Technology, vol. 33, no. 4, pp. 889-900, 15 Feb.15, 2015.
[13] M. Hochberg et al., “Silicon photonics: the next fabless semiconductor industry,” IEEE Solid-State Circuits Magazine, vol. 5, no. 1, pp. 48-58, 2013.
[14] A. Biberman et al., “Photonic Network-on-Chip Architectures Using Multilayer Deposited Silicon Materials for High-Performance Chip Multiprocessors,” ACM Journal on Emerging Technologies in Computing Systems, vol. 7, no. 2, pp. 1-25, 2011.
[15] D. Nguyen, D. et al., “Self-controlling photonic-on-chip networks with deep reinforcement learning,“ Scientific Reports 11, 2021.
[16] K. De Vos et al., “Silicon-on-Insulator Microring Resonator for Sensitive and Label-Free Biosensing,” Optics Express, vol. 15, no. 12, pp. 7610, 2007.
[17] A. N. Tait et al., "Neuromorphic photonic networks using silicon photonic weight banks," Scientific Reports, vol. 7, no. 1, p. 7430, 2017.
[18] M. Georgas et al., “Addressing link-level design tradeoffs for integrated photonic interconnects,” in Custom Integrated Circuits Conference, 2011.
[19] J. Wang et al., “Integrated photonic quantum technologies,” Nature Photonics, vol. 14, no. 5, pp. 273-284, 2020.
微信公众号 
bilibili 
微信视频号