【導讀】AI需求的爆發式增長，驅動了數據中心基礎設施建設領域的巨額投資。無論是訓練前沿大模型，還是運行推理運算以驅動ChatGPT、Claude等智能體輸出，都需要龐大的算力支撐。
AI數據中心由處理器和存儲器件互聯構成的網絡組成。目前，連接這些計算系統的鏈路大多采用銅質背板和電纜。然而，數據中心如今面臨著共同的嚴峻挑戰：無論是服務器內部還是服務器之間，網絡帶寬均亟需實現大幅提升。
在技術層面，傳統做法是不斷提高銅線網絡中的信號傳輸頻率。但這一方式正在逼近物理極限：隨著傳輸頻率不斷提高，每比特能耗、發熱量以及系統復雜度均會同步急劇上升。為此，業界正在積極尋找替代解決方案。
基于此，艾邁斯歐司朗正在研發一種基于microLED的光傳輸解決方案，用于AI數據中心的高帶寬數據傳輸。傳統高帶寬光網絡采用“快而窄”的模式，即通過單根光纖以極高頻率傳輸數據；而艾邁斯歐司朗則采用“慢而寬”的架構，利用數百甚至數千個并行工作的microLED發射器，取代單個高速大功率激光發射器。
這一microLED陣列及其驅動控制技術，已在艾邁斯歐司朗用于汽車照明技術的EVIYOS?平臺上成功實現商用。這充分證明公司已攻克高密度microLED發射器與數字控制電路的制造及共封裝難題。
然而，用于數據通信的microLED在性能規格與實現方式上均不同于汽車照明技術。目前，希望借助microLED推動創新的網絡設備制造商仍在等待確鑿的驗證結果，以證明該類系統在數據中心實際工況下的性能表現。
仿真模型：還原真實工況下的鏈路性能表現
為此，艾邁斯歐司朗開發出一套能夠精準驗證行業規格需求的方法：公司已構建一套高精度的系統仿真模型，可在真實AI數據流驅動下，全面評估基于microLED的通信鏈路性能表現。
艾邁斯歐司朗系統級模型集成了時域、頻域及誤碼率仿真功能。不僅能模擬microLED、光電二極管、透鏡以及各類光纖的傳輸特性，還能模擬發射均衡器、驅動器、接收均衡器和放大器。換言之，該模型完整涵蓋了AI服務器光數據鏈路電光前端的所有核心環節。
兼顧高密度與高帶寬：基于microLED的光數據傳輸系統
這些器件級模型將實測的microLED特性參數與其他組件的物理行為模型相結合，能夠綜合分析microLED輻射分布、光電二極管響應度以及光纖色度色散與模式色散等關鍵電學和光學參數的影響。在此基礎上，仿真模型可準確輸出誤碼率、每比特能耗和信噪比等關鍵性能指標（KPI）。
用戶可針對指定的運行條件和元器件組合靈活計算各項KPI：例如，模型能直觀展示更改光纖長度或光纖類型后KPI的動態變化；而在針對特定誤碼率目標進行優化時，用戶也可借助模型評估并權衡性能與能耗之間的變化。
反向推導同樣適用：該模型也可根據特定的系統優化需求，反推出鏈路中各組件需達到的具體規格要求。
目前，該模型的功能正在持續擴展，未來計劃納入密排microLED與光電二極管之間的電學及光學串擾，以及封裝器件的熱特性等模擬項目。
該仿真模型能夠直觀展示信號鏈路各個節點的系統性能表現
這對網絡設備制造商等潛在合作伙伴及客戶而言意味著：在投資設計與制造首款基于microLED的數據互連硬件之前，他們可以借助可靠的系統級鏈路建模進行精準的方案驗證與優化。
借助這一仿真模型，合作伙伴能夠精確定義數據鏈路中各獨立組件的技術要求，評估所需組件的供應能力，并充分驗證整體系統設計的可行性。
