應對人工智能數據中心的電力挑戰

國際能源署 (IEA)的數據表明，2022 年數據中心的耗電量約占全球總用電量的 2%，達到 460 TWh 左右。如今，加密貨幣和人工智能/機器學習 (AI/ML) 等高耗能應用方興未艾，而這些技術中通常需要部署大量的高性能圖形處理單元 (GPU)。因此，數據中心耗電量仍將不斷攀升。

人工智能應用的擴展速度令人震驚。ChatGPT 上線僅 5 天，用戶數量就達到了 100 萬，并在 2 個月內突破了 1 億，這一增長速度遠超于 TikTok 和 Instagram。GPT-4 訓練包含超過 1.7 萬億參數和 13 萬億 token，總共使用了 2.5 萬個 NVIDIA A100 GPU，每臺服務器的功耗約為 6.5 kW。據 OpenAI 稱，GPT-4 的訓練耗時 100 天，消耗能源約 50 GWh，耗資 1 億美元。

在當前環境中，我們很難準確估計未來耗電情況，其中為支持人工智能而部署的 GPU 消耗了大部分電力。國際能源署保守預測，到 2026 年，數據中心的耗電量將至少達到 650 TWh，甚至可能超過 1,000 TWh。

人工智能數據中心的架構演變

早期數據中心將電網電壓集中轉換為 12V，然后通過總線將電力傳輸至服務器，再通過邏輯電平轉換器將電壓轉換為 3.3/5V。然而功率需求不斷提升，這種供電方法的電能損耗變得不可接受。因此，母線電壓被提高到 48V，電流減小到原來的 1/4，損耗降低到了原來的 1/16。

而目前處理器電壓進一步降低，從 3.3V 降到了低于 1V 的亞伏特級別，此時就需要使用多條功率相對較高的電壓軌。這進而催生了兩級電壓轉換方案。該方案使用 DC-DC 轉換器作為中間總線轉換器 (IBC)，先將 48V 電壓轉換為 12V 的局部總線電壓，然后再將此轉換為所需的低電壓。

圖1 典型服務器電源架構–中間總線

人工智能數據中心需要高能效電源轉換

功率損耗帶來了雙重挑戰，不僅會造成能源浪費、增加運營成本，而且會產生大量熱量，進而需占用更大空間、消耗更多成本。運營超大規模人工智能數據中心時，機架功率需求為 120 kW。將電網電力轉換為 GPU 所用電壓的能效約為 88%，這意味著會產生大約 15 kW 廢熱，并需要通過液冷技術進行有效散熱。

在服務器電源設計中，能效和功率密度是兩個重要概念，二者相輔相成。我們必須盡可能高效地將來自電網的能量轉換為有用功率，減少損耗。為此，電源拓撲不斷演變，業界開發了同步整流等技術，并在整流器中采用 MOSFET 取代了損耗較大的二極管。

改進拓撲結構只成功了一半。為了優化能效，還必須盡可能提高所有元器件的能效，尤其是對轉換過程至關重要的 MOSFET。

MOSFET 并非無損耗器件，在導通和開關過程中也會產生損耗。隨著服務器電源不斷提高運行頻率以縮小尺寸，開關損耗成為了優化的重點。

高效PowerTrench^? MOSFET

安森美 (onsemi) 的中低壓 T10 PowerTrench? MOSFET 采用了新型屏蔽柵極溝槽技術，降低了開關損耗和導通損耗，并進而顯著降低了其 Qg，RDS(ON) 也降至 1mOhm 以下。其中的先進軟恢復體二極管緩解了振鈴、過沖和噪聲問題，同時降低了 Qrr 損耗，為快速開關應用找到了性能與恢復時間的平衡點。

與早期器件相比，這些新型 MOSFET 可使開關損耗降低高達 50%，并使導通損耗降低 30% 以上。

圖2 PowerTrench^? T10 MOSFET的優勢

安森美新型 40V和 80V T10 PowerTrench 器件的 RDS(on) 表現出色。NTMFWS1D5N08X（80 V、1.43 mΩ、5 mm x 6 mm SO8-FL 封裝）和 NTTFSSCH1D3N04XL（40 V、1.3 mΩ、3.3 mm x 3.3 mm 源極向下雙散熱封裝）具有優異的品質因數 (FOM)，是人工智能數據中心電源供應器(PSU) 和中間總線轉換器應用的理想選擇。T10 PowerTrench MOSFET 符合嚴格的 Open Rack V3 能效標準，即能效達到 97.5% 以上。