Anwendungen von mehrschichtigen Keramikkondensatoren und Polymertantal-Kondensatoren in KI-Servern

In der schnellen Entwicklungswelle von Servern mit künstlicher Intelligenz (KI) steigt die Rechenleistung von Prozessoren und Beschleunigern weiter an, begleitet von Herausforderungen wie stark steigendem Stromverbrauch und drastischen Veränderungen der Lastspitzen. Um Systemstabilität und Effizienz bei hochdichter Berechnung und Hochgeschwindigkeitsdatenübertragung sicherzustellen, sind Design für Power Integrity (PI) und Signal Integrity (SI) entscheidend geworden. Keramikvielschichtkondensatoren (MLCCs) und Polymertantal-Kondensatoren, mit ihren Hochfrequenzantwort-Eigenschaften, großer Kapazität zur Energiespeicherung und hervorragender Zuverlässigkeit, sind unverzichtbare Kernkomponenten im Stromversorgungsdesign von KI-Servern geworden. Dieser Artikel wird die Anwendungen von MLCCs und Polymertantal-Kondensatoren in KI-Servern sowie die Produkteigenschaften der von YAGEO eingeführten Lösungen vorstellen. 

Seit Jahrzehnten sind traditionelle Server das Fundament von Rechenzentren. Sie sind darauf ausgelegt, verschiedene Workloads zu bewältigen, einschließlich des Hostings von Websites, der Verwaltung von Datenbanken und des Betriebs von Unternehmensanwendungen. Die Architektur herkömmlicher Server umfasst typischerweise eine Kombination aus CPUs (Central Processing Units), RAM (Random Access Memory), Speicher und Netzwerken.

Traditionelle Server stützen sich stark auf CPUs, die vielseitig sind und in der Lage sind, mehrere Aufgaben gleichzeitig zu bewältigen. RAM ist entscheidend für schnellen Datenzugriff und reibungslose Anwendungsleistung, während der Speicher aus einer Kombination von HDDs (Festplattenlaufwerken) und SSDs (Solid-State-Laufwerken) für die Datenspeicherung besteht. Netzwerk bietet Hochgeschwindigkeitsschnittstellen für den Datentransfer innerhalb und außerhalb des Servers. Traditionelle Server spielen eine entscheidende Rolle bei der Datenspeicherung und -verarbeitung in verschiedenen Bereichen.

Heutzutage sind AI-Server zu einem heißen Entwicklungstrend geworden. AI-Server sind speziell für künstliche Intelligenz- und maschinelles Lernen-Workloads optimiert. Diese Server sind mit spezialisierter Hardware und Software ausgestattet, um AI-Aufgaben zu beschleunigen, wie das Training von Deep-Learning-Modellen und die Durchführung komplexer Datenanalysen. Wichtige Komponenten von AI-Servern sind GPUs (Graphics Processing Units), TPUs (Tensor Processing Units), NVMe (Non-Volatile Memory Express) Speicher und High-Bandwidth Memory (HBM).

Im Gegensatz zu traditionellen Servern sind AI-Server stark auf GPUs angewiesen. GPUs können mehrere parallele Aufgaben gleichzeitig verarbeiten, was sie ideal für AI- und maschinelles Lernen-Arbeitslasten macht. TPUs, entwickelt von Google, sind speziell darauf ausgelegt, Aufgaben des maschinellen Lernens zu beschleunigen. Im Vergleich zu GPUs bieten sie eine höhere Leistung pro Watt für spezifische AI-Arbeitslasten. NVMe-Laufwerke bieten deutlich schnellere Lese- und Schreibgeschwindigkeiten, die entscheidend für die Verarbeitung großer Datensätze sind, die in AI-Anwendungen häufig vorkommen. HBM ist eine erweiterte Speicherarchitektur, die schnellere Datenzugriffsgeschwindigkeiten bietet und Engpässe bei der AI-Verarbeitung reduziert.

In AI-Servern werden SSDs (Solid-State-Drives) für die Datenspeicherung in KI und den Schutz vor Stromausfällen verwendet. Polymer-Tantal-Kondensatoren können für die Überbrückung in Enterprise-SSDs eingesetzt werden. Bei Stromausfällen geben Polymer-Tantal-Kondensatoren Energie frei, damit DRAM Daten zurück in den NAND-Flash-Speicher schreiben kann, was sie zu kritischen Komponenten in Verbindung mit Enterprise-SSDs macht.

Mehrschicht-Keramikkondensatoren (MLCCs) werden häufig in elektronischen Produkten verwendet, aber ihre Rolle in KI-Servern unterscheidet sich erheblich von der in herkömmlichen Servern oder allgemeinen elektronischen Geräten. Diese Unterschiede resultieren hauptsächlich aus den Eigenschaften des Stromverbrauchs, der Prozessorarchitektur und der stark gestiegenen Nachfrage nach Stabilität der Stromversorgung.

AI-Server nutzen eine große Anzahl von GPUs und AI-Beschleunigerkarten (wie NVIDIA H100, AMD MI300 usw.), wobei der Stromverbrauch einzelner Karten mehrere hundert Watt oder sogar über 1 kW erreichen kann. Die Leistungsbelastung ändert sich schnell, und es gibt äußerst hohe Anforderungen an die Signalintegrität (SI) und Stromintegrität (PI). Die Kernfunktion von MLCCs in AI-Servern umfasst die Leistungsentkopplung zur Stabilisierung der Versorgungsspannung für Prozessoren/GPUs und die Unterdrückung von Spannungsschwankungen, die durch plötzliche Lastschwankungen verursacht werden. Ihre Hochfrequenzreaktion muss schneller sein, weshalb Arrays von MLCCs mit niedriger ESL (äquivalente Serieninduktivität) in der Nähe der Chipgehäuse platziert werden müssen.

Hinsichtlich der Filterfunktionalität ist es notwendig, hochfrequentes Rauschen in der Stromversorgung und den Signalwegen herauszufiltern, um die Signalstabilität für AI-Beschleuniger und Hochgeschwindigkeitsschnittstellen (PCIe Gen5, CXL, HBM) zu gewährleisten. Der Frequenzbereich ist breiter (von Hunderten von kHz bis hin zum GHz-Niveau), was eine Kombination verschiedener Verpackungs- und dielektrischer Typen erfordert. Bezüglich der Bulk-Kapazität muss sie bei plötzlichen Laständerungen Strom liefern, um die Auswirkungen der Verzögerung des VRM-Ansprechverhaltens auf die Spannung zu verringern. Dies erhöht die Kapazitätsanforderung, und Kondensatoren wie Tantal- und Polymertypen müssen in Kombination verwendet werden, um ein Gleichgewicht zwischen niedrigem ESR und großer Kapazität zu erreichen. Zusätzlich können diese Kondensatoren verwendet werden, um EMI/EMC zu unterdrücken, wodurch elektromagnetische Störungen verringert werden, die durch AI-Berechnungen und Hochgeschwindigkeitskommunikation erzeugt werden. Dies erfordert hoch-Q, verlustarme Dielektrika und eine Layout-Optimierung, die auf Hochgeschwindigkeits-Übertragungsleitungen abgestimmt ist.

Im Vergleich zu PC-Servern, Kommunikationsgeräten oder industriellen Steuerungssystemen haben AI-Server unterschiedliche Anforderungen an MLCCs, einschließlich der Geschwindigkeit der Leistungsschwankungen. Traditionelle Server erleben CPU/GPU-Leistungsschaltungen im Bereich von Mikrosekunden bis Millisekunden, während AI-Server GPU/TPU momentane Laständerungen so schnell wie Nanosekunden bis Mikrosekunden erleben, was eine ultra-schnelle Entkopplung erforderlich macht. Was die Kapazitätskonfiguration betrifft, verwenden traditionelle Server hauptsächlich Kapazitätswerte im Bereich von Mikrofarad bis mehrere hundert Mikrofarad, verteilt um das Motherboard und den VRM. AI-Server erfordern größere Kapazitätswerte und müssen niedrig-ESL-MLCCs dicht an der Verpackung platzieren (auch in den Größen 0201/01005).

In Bezug auf die Frequenzantwort arbeiten herkömmliche Server hauptsächlich im MHz-Bereich, während KI-Server Breitband-Rauschunterdrückung von mehreren hundert kHz bis zu mehreren GHz abdecken müssen. Hinsichtlich der Anforderungen an Temperatur und Lebensdauer arbeiten herkömmliche Server normalerweise im kommerziellen Temperaturbereich von 0~85°C oder 105°C, während KI-Server hohe Zuverlässigkeit erfordern, kontinuierlich in Umgebungen zwischen 85~125°C arbeiten und Widerstand gegen DC-Bias-Effekte verlangen.

Darüber hinaus verwenden herkömmliche Server in der Verpackung und im Layout Standardgrößen (0402~1210), während KI-Server zu kleineren Verpackungen neigen (01005/0201) und mehrschichtige Hochkapazitätsstrukturen nutzen, kombiniert mit eingebetteter PCB-MLCC-Technologie. Für die Zuverlässigkeitsstandards reichen gewöhnliche IEC/JEDEC-Klassen für herkömmliche Server aus, aber KI-Server müssen AEC-Q200- oder Datenzenter-Standards für Haltbarkeit und Vibrationsbeständigkeit erfüllen.

Durch die höheren Energieanforderungen von KI- und Big-Data-Anwendungen sind eine bessere elektromagnetische Verträglichkeit (EMV) und Rauschfestigkeit erforderlich. Daher benötigen MLCCs mehr Elektrodenschichten, dünnere Dielektrika, größere effektive Flächen und höhere Zuverlässigkeit, um eine höhere Kapazität pro Volumeneinheit und eine höhere effektive Kapazität zu erreichen. Auch die verwendeten Materialien wechseln von X5R zu X6S. MLCCs mit hoher Kapazitätsdichte sind zu Schlüsselkomponenten in KI-Serveranwendungen geworden.

Typische MLCC-Konfigurationen für AI-Server verwenden meist Low-ESL-Arrays, wobei mehrere 0201/01005 MLCCs parallel in der Nähe des GPU/TPU-Pakets platziert werden, um Antwortfähigkeiten im Bereich von 1 Nanosekunde bereitzustellen. Sie verwenden auch gemischte Kapazitornetzwerke, die MLCCs, Polymer-Kondensatoren und Tantal-Kondensatoren kombinieren, um Breitbandfilter- und Energiespeicherstrukturen zu bilden. Zusätzlich sind Hochtemperatur- und Hochzuverlässigkeitsanforderungen erforderlich, wie die Verwendung von X7R-, X8R- oder C0G/NPO-Materialien, um die Leistungsstabilität bei hohen Temperaturen und im Langzeitbetrieb zu gewährleisten. Die Verwendung eingebetteter Kondensatoren ist eine weitere Strategie; einige fortschrittliche AI-Motherboards integrieren MLCCs direkt in die PCB-Schichten, um parasitäre Induktionspfade zu verkürzen. Zukünftige AI-Server werden mehr MLCCs benötigen als je zuvor, aber aus Kostengründen werden MLCCs Tantal-Kondensatoren in Beschleunigern ersetzen.

Aus einer materialtechnologischen Perspektive benötigen MLCCs in AI-Servern eine bessere Kontinuität der inneren Elektroden, gleichmäßige BT-Körner und eine homogene Kornstruktur. Der BT-Kern kann eine Deckschicht bereitstellen, während die Hülle Isolationswiderstand (IR) bietet, um Produkte mit hoher Kapazität zu erreichen. Kleinere und gleichmäßigere BT-Körner sowie eine homogene Kern-Schalen-Struktur stehen für fortschrittlichere Designs.

Polymer-Tantal-Kondensatoren werden hauptsächlich in KI-Servern als großkapazitive, niederohmige, mittel- bis hochfrequente Energiespeicher- und Entkopplungskomponenten eingesetzt und arbeiten zusammen mit MLCCs, um ein Breitband-Stromstabilitätsnetzwerk zu bilden. Im Vergleich zu herkömmlichen Tantal- oder Aluminium-Elektrolytkondensatoren bieten sie erhebliche Vorteile in den Hochleistungs- und Hochtransienten-Umgebungen von KI-Servern.

Polymer-Tantalum-Kondensatoren zeichnen sich durch extrem niedrigen ESR (equivalenter Serienwiderstand) aus, wobei der Polymer-Elektrolyt-ESR so niedrig wie 5~20 mΩ ist—eine Größenordnung niedriger als bei herkömmlichen Tantal-Kondensatoren. Dies ermöglicht ihnen, bei plötzlichen GPU/TPU-Laständerungen schnell Energie zu liefern und Spannungsabfälle zu reduzieren. Sie weisen auch eine hohe Toleranz gegenüber Welligkeitsströmen auf, indem sie höhere Welligkeitsströme als Flüssigelektrolyt-Kondensatoren verarbeiten, was sie für Hochfrequenz-Leistungsschaltungen und schnelle Impulsbelastungen in AI-Servern geeignet macht.

Zusätzlich bieten Polymertantal-Kondensatoren eine ausgezeichnete Temperaturstabilität mit minimalen Leistungsschwankungen im Bereich von -55°C bis +125°C, was eine Stabilität in Rechenzentren bei längerem Betrieb unter Volllast gewährleistet. Ihre lange Lebensdauer und hohe Zuverlässigkeit, da feste Polymere das Austrocknen verhindern, machen sie ideal für die Anforderungen von 24/7 Hochlast-AI-Rechenzentren.

Polymere Tantalum-Kondensatoren zeichnen sich ebenfalls durch geringe Geräuschentwicklung und überlegene Hochfrequenzleistung im Vergleich zu Flüssigelektrolytkondensatoren aus und gewährleisten die Signalintegrität für Hochgeschwindigkeitsschnittstellen (PCIe Gen5, CXL, HBM). Sie beseitigen das Risiko von "Kurzschluss-Ausfall-Explosionen", da die polymere Leiterschicht typischerweise bei Belastung einem offenen Versagen unterliegt, wodurch die Systemsicherheit erhöht und Brandrisiken reduziert werden.

Polymere Tantal-Kondensatoren werden häufig in KI-Servern am VRM-Ausgang des Motherboards, in GPU/TPU-Stromversorgungsmodulen und in HBM-Speicherstromversorgungsbereichen verwendet. Die Konfiguration von Polymeren Tantal-Kondensatoren kann die unzureichende Kapazität von MLCCs ausgleichen, indem sie große Stromspeicherfähigkeiten bereitstellt. In Anwendungen mit großer Kapazität und mittlerer Frequenzfilterung haben MLCCs eine hohe Kapazität und eine gute Hochfrequenzantwort, aber es fehlt ihnen an Niederfrequenzenergiespeicherung; Polymere Tantal-Kondensatoren ergänzen die Kapazität im Bereich von μF bis mF, erfordern jedoch die Auswahl einer hohen Nennspannung (entsprechend der VRM-Ausgangsspannungsmarge).

Zusätzlich können Polymertantal-Kondensatoren verwendet werden, um die Reaktion des Stromversorgungsübergangs zu optimieren. Wenn eine AI-Beschleunigerkarte vom Leerlauf in den Volllastbetrieb übergeht, steigt der momentane Strom stark an (hoher di/dt). Zu diesem Zeitpunkt hilft das Parallelschalten von Polymertantal-Kondensatoren mit niedrigem ESR, Spannungsabfälle in der Übergangsphase zu reduzieren. Für Anwendungen mit stabilen Stromschienen haben Rechenzentrumstaugliche AI-Chips eine sehr geringe Toleranz gegenüber Spannungsschwankungen der Stromversorgung (±2% oder sogar weniger), weshalb es notwendig ist, MLCC-Arrays mit Polymertantal-Kondensatoren zu kombinieren, um eine breitbandige Entkopplung zu erreichen.

Polymere Tantalum-Kondensatoren passen sich auch gut an hochtemperatur- und hochlastige Umgebungen an. Die Umgebungstemperatur in Server-Racks kann 85°C überschreiten, daher müssen polymere Tantalum-Kondensatoren mit einer Bewertung von 105°C bis 125°C ausgewählt werden. Bezüglich der Zuverlässigkeit, da die Ausfallkosten für AI-Server hoch sind, sollten polymere Tantalum-Kondensatoren in Militärqualität oder Automobilqualität (AEC-Q200 oder höher) verwendet werden.

Im Design von Stromversorgungen für AI-Server haben Polymer-Tantal-Kondensatoren und MLCCs eine komplementäre Beziehung. MLCCs übernehmen die Hochfrequenzentkopplung (MHz bis GHz), bieten schnelle Reaktion, jedoch begrenzte Kapazität, während Polymer-Tantal-Kondensatoren mittlere bis niedrige Frequenz Energie speichern und entkoppeln (kHz bis MHz), wobei sie große Kapazität und niedrigen ESR bieten. Der übliche Ansatz kombiniert mehrere MLCCs mit niedrigem ESL mit mehreren Polymer-Tantal-Kondensatoren mit hoher Kapazität parallel, um ein stabiles Stromnetz zu schaffen, das den gesamten Frequenzbereich von kHz bis GHz abdeckt.

Für AI-Server-Anwendungen hat YAGEO hochkapazitive MLCCs der HC-Serie auf den Markt gebracht, die X5R-, X6S- und X7R-MLCCs mit Kapazitätsbereichen von 1 µF bis 100 µF, Gehäusegrößen von 0201 bis 1210 und Spannungsunterstützung von bis zu 4 V~50 V bieten. Höherwertige X7R-MLCCs sind in 0402~2220-Paketen erhältlich, unterstützen Spannungen von 4 V~100 V und Kapazitätsbereiche von 1 µF~47 µF. Diese hochkapazitiven MLCCs sind darauf ausgelegt, den Anforderungen der Elektronikindustrie an Miniaturisierung, höhere Spannungen und höhere Frequenzen gerecht zu werden und bieten hochzuverlässige MLCCs zur Unterstützung der Anforderungen der Big-Daten-Verarbeitung mit höherer Kapazitätsstabilität, niedrigem ESR und verbesserter Zuverlässigkeit.

Die MLCCs der Hochkapazitätsserie HC X5R und X6S zeichnen sich durch höhere Kapazität, kleine und dünne Profile, kontinuierlichen Betrieb in rauen Umgebungen, niedrigen ESR, Energieeffizienz, besseren VCC (Spannungskoeffizient der Kapazität), hohe Zuverlässigkeitstoleranz und robuste Anschlussmetalle aus, was sie ideal für die Anforderungen von AI-Servern macht.

In der Produktlinie der Polymertantal-Kondensatoren bietet YAGEO die A700/A720/A798 Aluminium-Polymer-Serie für AI-Server an. Diese Kondensatoren verwenden Oberflächenmontagetechnologie, arbeiten bei Temperaturen von -55 °C bis +105 °C/125 °C, unterstützen Spannungen von 2 V bis 35 V und bieten Kapazitätsbereiche von 6,8 µF bis 680 µF mit ultra-niedrigem ESR (3 mΩ bis 70 mΩ). Sie zeichnen sich durch ausfallsichere Modi ohne Entzündung, feste Gegenelektroden (kein Austrocknen), geringen Kapazitätsverlust bei hohen Frequenzen, keine Spannungsreduzierung, 125 °C Toleranz, niedrigen DC-Leckstrom, Polymerkathodentechnologie, 100% beschleunigte Alterung im stabilen Zustand, 100% Stoßstromprüfung, Selbstheilungsmechanismen und EIA-Standard-Gehäusegrößen aus.

Zusammenfassend spielen MLCCs und Polymer-Tantal-Kondensatoren jeweils unverzichtbare Rollen im Power-Design von AI-Servern. Erstere gewährleisten eine stabile Stromversorgung für Hochgeschwindigkeits-Rechenkerne unter transienten Lasten mit ultraniedrigem ESL und hervorragender Hochfrequenz-Entkopplungsleistung, während letztere eine robuste Energiepufferung und langfristige Zuverlässigkeit mit großer Kapazität, niedrigem ESR und überlegener Mittel-zu-Niederfrequenzfilterung bieten. Durch ihre komplementäre Zusammenarbeit über Frequenzbänder und Lastcharakteristika hinweg können AI-Server gleichzeitig die Anforderungen an Hochleistungsrechnen, strenge Stromintegrität und langfristig stabile Betriebsergebnisse erfüllen. YAGEO's neue MLCCs und Polymer-Tantal-Kondensatoren werden zweifellos eine noch kritischere Rolle in der zukünftigen Entwicklung der AI-Infrastruktur spielen.