Q.Ant, ein Spezialist für photonisches Rechnen, baut am Institut für Mikroelektronik Stuttgart IMS Chips eine Pilotlinie für photonische KI-Prozessoren auf. Dafür werden eigene Prozesse mit den dortigen bestehenden Produktionsanlagen vereint. Mit der Pilotlinie wollen die Beteiligten demonstrieren, wie bereits bestehende Halbleiter-Fertigungsstrecken für die nächste Generation von Hochleistungs-Chips möglichst nachhaltig genutzt werden können. Das Projekt soll eine Inspiration für das Upcycling von existierenden Chip-Foundries liefern und so die technologische Souveränität der europäischen Chipproduktion stärken, die Abhängigkeit von globalen Lieferketten reduzieren und Europas Innovationskraft im Halbleiterbereich unterstreichen, heißt es in einer Pressemitteilung von Q.Ant.
Beim symbolischen Kick-off zum Aufbau der Pilotlinie Ende Februar waren neben Vertretern der Industrie die baden-württembergische Wirtschaftsministerin Dr. Nicole Hoffmeister-Kraut anwesend, die die Bedeutung für das deutsche und europäische Chip-Ökosystem betonte. Die Initiative von Q.Ant und IMS Chips zeige zudem, wie durch nachhaltiges Engineering bestehende Infrastrukturen dazu genutzt werden können, um Innovationen voranzutreiben und gleichzeitig Ressourcen zu schonen, so die Beteiligten.
Geringerer Energieverbrauch bei schnellerer Rechenleistung
Die photonischen Chips von Q.Ant, die mit Licht rechnen, versprechen Potenzial. Für KI-Berechnungen in großen Rechenzentren wird eine 30-fache Energieeinsparung und 50-fach schnellere Rechenleistung angestrebt. Q.Ant selbst hat nach eigenen Angaben insgesamt 14 Millionen Euro in Maschinen und Anlagen investiert, um die erweiterte Fertigungslinie für photonische Chips zu komplettieren.
„Diese Herangehensweise ermöglicht es prinzipiell jedem Land, sich in der KI-Chipfertigung unabhängig zu machen und gleichzeitig energieeffiziente Chiplösungen zu produzieren“ sagt Dr. Michael Förtsch, CEO von Q.Ant. „Da KI und datenintensive Anwendungen die konventionelle Halbleitertechnologie an ihre Grenzen bringen, müssen wir die Art und Weise, wie wir das Computing im Kern angehen, neu denken. Q.Ant stellt den Status-quo infrage, indem es photonische Datenverarbeitung nutzt, um eine exponentiell höhere Energieeffizienz und Rechendichte zu erreichen. Mit dieser Pilotlinie beschleunigen wir die Markteinführung und legen den Grundstein für eine Zukunft, in der photonische Prozessoren zu Standard-Co-Prozessoren im Hochleistungsrechnen werden. Unser Ziel ist es, unsere photonischen Prozessoren bis 2030 zu einem skalierbaren und energieeffizienten Eckpfeiler der KI-Infrastruktur zu machen.“
Die Pilotlinie soll es Q.Ant ferner ermöglichen, seine Chip-Architektur weiterzuentwickeln. Die Beteiligten rechnen mit einer jährlichen Produktion von bis zu 1.000, die als R&D-Basis für die photonischen Native Processing Units und Native-Processing-Serverlösungen (NPS) für High-Performance-Computing-Rechenzentren dienen.
Die Pilotlinie ist speziell für Thin-Film Lithium Niobat (TFLN) ausgelegt. Es ermöglicht eine ultraschnelle optische Signalmanipulation bei mehreren GHz, ohne dass Wärme zur Modulation des Lichts auf dem photonischen Schaltkreis erforderlich ist. Dieser führt zu einer präziseren und energieeffizienteren Steuerung des Lichts, woraus eine Steigerung der Rechenleistung und Energieeffizienz resultiert.
Die photonischen Native Processing Servers (NPS) des Tech-Unternehmens verarbeiten Daten mithilfe von Licht und nicht mit Elektronen. Q.Ant kann so künftig mathematische Operationen künftig effizienter durchzuführen. Das Potenzial der Technologie wurde bereits in Cloud-zugänglichen KI-Inferenzdemos gezeigt. Durch die PCIe-Integration können die NPS auch in bestehende HPC-Server integriert werden, was die Akzeptanz im Markt erleichtert.
Anwendungsbereiche für Native Processing Servers
Q.Ant plant, seine Native Processing Servers (NPS) als elementaren Baustein der KI-Infrastruktur zu etablieren, um die für die KI der nächsten Generation erforderlichen Rechenaufgaben effizient zu lösen. Diese sind für die aktuelle Halbleitertechnologie zu komplex, zu energieintensiv und daher zu teuer. Mögliche Anwendungsbereiche sind beispielsweise:
• Training/Inferenz für KI-Modelle mit Milliarden von Parametern
• Physikalische Simulationen
• Echtzeitlösungen für partielle Differentialgleichungen (z. B. Fluiddynamik)
• Tensoroperationen mit hoher Dichte (grundlegend für maschinelles Lernen)
