マイクロLED：ヘッドランプからデータセンターまで

AIの需要がトレーニングと推論の両方で急増しており、機器メーカーにはシステムのコンピューティング能力向上の大きな圧力がかかっています。現在の主なボトルネックは、AIデータの入力を驚異的な速さで処理する高性能なアクセラレータ（GPUやNPUなどの「xPU」デバイス）のおかげで、実際のところコンピューティング機能にはありません。問題は、xPU間、xPUとメモリ間、ラック内のサーバー間でデータを転送できる速度です。

従来の銅線による電気的相互接続は、よくある安価なものであり、電気回路への組み込みが容易ですが、拡張性が低く、AIコンピューティングシステムのスケールアップに必要な距離（最大30メートルに及ぶことさえある）にわたる銅線の相互接続には、電磁干渉（EMI）の問題を克服するためにも、より高い送信エネルギー、より強力なイコライゼーション、そしてより複雑な信号処理が必要となります。このため、銅線による接続はより多くの電力を消費し、より多くの熱を生み出します。これが帯域幅密度（Gbits/s/mm）とシステムの効率、信頼性の向上に向けた機器メーカーの努力を無効化しています。

そういった中で、ネットワーク帯域幅を増加するために、データセンターは光インターコネクト技術に頼るようになりました。そのために、インターネットの基幹企業からテクノロジーを取り入れました。これらの企業は、限られた数の海底ケーブル（敷設と保守が非常に困難で高額である）を介して大陸間でインターネットトラフィックを転送するために、ケーブルあたりのスループットを最大化する技術を習得しています。今日の大陸間光伝送ネットワークでは、レーンあたり毎秒最大1.6テラビットという高速で動作するリンクが運用されています。

これは、帯域幅を最大化するための「高速で狭い」アプローチであり、できるだけ多くのデータをできるだけ高速で各光学「パイプ」に送り込みます。しかし、こういった高周波システムは複雑で、電力消費量が多く、高コストです。加えて、各リンクが非常に重要な単一障害点であり、システムの可用性に高いリスクをもたらします。また、レーンあたりの速度とスループットがさらに高まるにつれ、実装が指数関数的に困難で高コストになるため、この「高速で狭い」アーキテクチャをどこまで拡張できるかは不透明です。

インターネットインフラストラクチャでは、ケーブル配線のコストが高い場合、通信事業者はケーブルあたりのデータスループットを最大化するしかありません。しかし、データセンターにこの制約はありません。