笔记本电脑可以兼作有效的便携式暖膝器——在寒冷的办公室里很舒适。但是，更大的台式机需要风扇。像谷歌使用的那样大的数据中心需要大量冷却水。对于尖端的超级计算机，诀窍是防止它们融化。例如，慕尼黑莱布尼茨超级计算中心的 一台世界级机器以 3 petaflops（3 × 1015 次运算/秒）的速度运行，它产生的热量为中心的一些建筑物供暖。目前的趋势表明，计算机技术的下一个里程碑——每秒执行 1018 次浮点运算的 exaflop 机器——将消耗数百兆瓦的功率（相当于一座小型核电站的输出），并将几乎所有能量转化为热量。
越来越多的热量正成为阻碍计算机技术持续发展的最大障碍。问题是根本性的：电路变得越小、密度越高，它们就越热。“当今微处理器产生的热通量大致相当于太阳表面的热通量，”印第安纳州西拉法叶普渡大学计算机能源管理专家 Suresh Garimella 说。“但与太阳不同，这些设备必须冷却到低于 100 °C 的温度”才能正常工作，他说。
为了实现这个越来越困难的目标，工程师们正在探索新的冷却方法——例如，将液体冷却剂直接泵送到芯片上，而不是在芯片周围循环空气。在更激进的方面，研究人员还在寻求通过探索电路封装方式来减少热通量。例如，电路可能不会局限于二维 (2D) 板，而是可以排列在受大脑结构启发的 3D 网格和网络中，大脑设法在没有任何特殊冷却装置的情况下进行大规模计算。或许未来的超级计算机甚至不会由沿金属线承载的电流供电，而是由冷却剂流中的离子进行电化学驱动。
关于支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您将有助于确保有关塑造我们当今世界的发现和想法的具有影响力的故事的未来。
这不是计算机领域最光鲜的工作——当然无法与使电子设备变得更小更快的广为宣传的努力相提并论。但是，除非工程师们解决散热问题，否则这些备受瞩目的创新将毫无意义。
顺应潮流
这个问题与计算机一样古老。第一台现代电子计算机——二战末期在费城宾夕法尼亚大学建造的重达 30 吨的机器 ENIAC——使用了 18,000 个真空管，必须通过一系列风扇进行冷却。20 世纪 60 年代向固态硅器件的过渡带来了一些喘息之机，但随着器件密度的升高，对冷却的需求又回来了。在 20 世纪 90 年代初期，从早期的“双极”晶体管技术向互补金属氧化物半导体 (CMOS) 器件的转变通过大大降低每个器件的功耗再次提供了喘息之机。但是，正如摩尔定律所著名描述的那样，芯片级计算能力大约每 18 个月翻一番，而这种指数增长再次将问题推到了前台（请参阅'温度升高'）。当今的一些微处理器从超过 10 亿个晶体管中散发出热量。如果一台典型的台式机让其芯片简单地将热量辐射到真空中，其内部温度将达到数千摄氏度。
这就是为什么台式电脑（和一些笔记本电脑）有风扇的原因。被芯片加热的空气通过对流带走了一些热量，但还不够：风扇循环足够的空气以将温度保持在可工作的 75 °C 左右。
但是风扇也会消耗功率——对于笔记本电脑来说，这是电池的额外负担。而且，仅靠风扇并不总是足以冷却数据中心中使用的计算机阵列，其中许多数据中心依赖于使用液体冷却流过热芯片的空气的热交换器。
图片：自然杂志 & Ellsworth, M. J. 等人. ITHERM 266–274 (2008)
更大型的机器需要更严厉的措施。正如瑞士吕施利孔 IBM 先进热封装组经理 Bruno Michel 解释说：“一台先进的超级计算机每天需要几立方公里的空气进行冷却。” 这根本不切实际，因此计算机工程师必须转而采用液体冷却。
水冷计算机早在 1964 年就已上市，20 世纪 80 年代和 90 年代建造的几代大型机都采用水冷。如今，有时会使用非水性、非反应性液体冷却剂，例如氟碳化合物，它们通常与芯片直接接触。这些物质通常通过沸腾来冷却——它们吸收热量，蒸汽将其带走。其他系统包括液体喷雾或电路制冷。
SuperMUC 是 IBM 建造的超级计算机，位于莱布尼茨中心，于 2012 年投入使用。这台 3-petaflop 机器是世界上最强大的超级计算机之一。它采用水冷系统，但水是温水——大约 45 °C。水通过微通道泵送，这些微通道雕刻在中央处理单元上方的定制铜制散热器中，从而将冷却集中在系统最需要的部分。使用温水似乎很奇怪，但它比其他冷却方法消耗的能量更少，因为从系统中流出的热水在重新引入之前需要更少的冷却。而且，使用热水流出物为附近的办公楼供暖可以进一步节省能源。
IBM 的 Michel 及其同事认为，流动的水不仅可以用于提取热量，还可以通过携带溶解的离子来为电路供电，这些离子在能量收集电极处进行电化学反应。实际上，冷却剂兼作电解质“燃料”。佐治亚州亚特兰大佐治亚理工学院的机械工程师 Yogendra Joshi 说，这个想法并非完全新鲜。“它已在飞机电子设备的热管理中使用多年”，这些电子设备由喷气燃料冷却，他说。
使用电解质流输送电力已经是一项新兴技术。例如，在一种称为氧化还原液流电池的燃料电池中，两种电解质溶液被泵入电化学电池，在那里它们被离子可以流过的膜隔开。电子在溶液中的离子之间移动，这个过程称为还原-氧化（氧化还原）反应——但它们被迫通过外部电路这样做，产生能量，这些能量可以被利用来提供电力。
含盐逻辑
氧化还原液流电池可以使用微流体技术进行小型化，其中流体流动被限制在蚀刻到基板（例如硅）上的微观通道中。在如此小的尺度下，液体可以彼此流过而不会混合，因此无需膜来分离它们。通过这种简化，器件更容易且更便宜地制造，并且它们与硅芯片技术兼容。
Michel 及其同事已开始开发用于为微处理器供电的微流体电池，使用基于钒离子的氧化还原过程。电解质沿着宽度为 100–200 微米的微通道泵送，这些微通道类似于用于在某些芯片周围输送冷却剂流的微通道。电力在沿通道间隔开的电极处收集，然后通过传统的金属布线分配给各个设备。研究人员于 8 月在布拉格举行的国际电化学学会会议上公布了他们的初步结果。
但他们距离真正以这种方式为电路供电还有一段距离。目前，微流体氧化还原液流电池的功率密度在 1 伏电压下小于每平方厘米 1 瓦——比驱动当今微处理器所需的功率密度低两到三个数量级。然而，Michel 认为未来的处理器将具有显着降低的功耗要求。而且，他说，使用微流体电化学电池供电应至少将传统金属布线造成的功率损耗减半，传统金属布线会将所携带的约 50% 的电能浪费为电阻热。
变得更像大脑
电化学供电可能有助于减少处理器的散热，但有一种方法可以产生更大的差异。芯片的大部分热量不是由晶体管的开关产生的，而是由在晶体管之间传输信号的导线中的电阻产生的。那么，问题不在于逻辑，而在于繁琐的工作。在 20 世纪 90 年代后期，当晶体管的尺寸约为 250 纳米时，“逻辑”和“繁琐的工作”造成的功耗大致相等。但 Michel 说，如今，“导线能量损失现在比晶体管开关能量损失大十倍以上”。事实上，他说，“由于所有组件都必须在等待信息到达时保持活动状态，因此传输引起的功率损耗占总功率损耗的 99% 之多”。
这就是为什么 Garimella 说“该行业正在远离传统的芯片架构，在传统芯片架构中，通信损耗严重阻碍了性能和效率”。解决方案似乎很明显：减少信息传递电力脉冲在逻辑运算之间必须传播的距离。晶体管已经尽可能密集地封装在 2D 芯片上。如果将它们堆叠在 3D 阵列中，则数据传输中损失的能量可以大幅减少。传输速度也会更快。“如果将线性尺寸缩小十倍，您就可以节省那么多与导线相关的能量，并且您的信息到达速度几乎快十倍，”Michel 说。他预见到 3D 超级计算机可以像方糖一样小。
3D 封装可能是什么样的？“我们必须寻找具有更好通信架构的例子，”Michel 说。“人脑就是一个例子。” 大脑的任务要求很高：平均而言，神经组织每单位体积消耗的功率大约是其他人体组织的十倍——即使在奥运会跑步运动员的股四头肌中，这种能量需求也是无与伦比的。大脑仅占人体体积的 2%，但占总能量需求的 20%。
然而，与电子计算机相比，大脑的效率非常高。对于每焦耳消耗的能量，它可以实现五到六个数量级的更多计算。Michel 确信，大脑的效率部分归因于其架构：它是一个 3D、分层的互连网络，而不是类似网格的电路排列。
智能构建
这有助于大脑更有效地利用空间。在计算机中，高达 96% 的机器体积用于传输热量，1% 用于通信（传输信息），只有百万分之一用于晶体管和其他逻辑器件。相比之下，大脑仅使用其体积的 10% 用于能量供应和热传输，70% 用于通信，20% 用于计算。此外，大脑的记忆和计算模块彼此靠近定位，以便可以立即调用很久以前存储的数据。相比之下，在计算机中，这两个元素通常是分开的。“除非架构变得更加以内存为中心，否则计算机在快速调用方面将继续表现不佳”，Michel 说。三维封装将使各个元素更加接近。
所有这一切都向 Michel 表明，如果计算机要进行三维封装，那么尝试模仿大脑的分层架构将是值得的。这种层次结构已经隐含在一些提议的 3D 设计中：单个微处理器芯片堆栈（晶体管本身可以在其上以分支网络连接）堆叠成塔并在电路板上互连，而这些电路板又堆叠在一起，从而实现它们之间的垂直通信。结果是一种“有序分形”结构，一种在每个尺度上看起来都相同的规则空间细分。
Michel 估计，原则上，与当前的 2D 架构相比，3D 封装可以将计算机体积缩小 1,000 倍，功耗降低 100 倍。但他表示，引入类似大脑的“仿生”封装结构可以将功率需求再降低 30 倍左右，体积再缩小 1,000 倍。热量输出也将下降：1-petaflop 计算机现在体积大到足以占据一个小仓库，可以缩小到 10 升的体积。
如果计算机工程师渴望达到 zetaflop 计算（1021 次浮点运算）的惊人高度，那么类似大脑的结构将是必要的：按照今天的架构，这样的设备将比珠穆朗玛峰还大，并且消耗的功率将超过当前全球总需求。只有采用仿生封装等方法，zetaflop 计算才似乎是遥遥可及的。Michel 及其同事认为，到 2060 年左右，此类创新应该能够使计算机达到人脑的效率——即使不一定是能力。这值得思考。
本文经 Nature 杂志许可转载。该文章于 2012 年 12 月 12 日首次发表。