이 기사는 5월 19일 오전 12시19분 '해외 주식 투자의 도우미' GAM(Global Asset Management)에 출고된 프리미엄 기사입니다. GAM에서 회원 가입을 하면 9000여 해외 종목의 프리미엄 기사를 보실 수 있습니다.

[서울=뉴스핌] 황숙혜 기자 = 반도체 구리 배선을 대체할 신기술 실리콘 포토닉스(Silicon Photonics, SiPh)를 한 문장으로 정의하면 하나의 실리콘 칩 위에 전자 소자와 광학 소자를 함께 구현하는 기술이라고 할 수 있다.

전통적인 반도체가 전자(electron)의 흐름으로 데이터를 처리한다면 실리콘 포토닉스는 광자(photon), 즉 빛의 입자로 데이터를 전달한다. 두 기술을 하나의 칩에 통합한다는 발상이 혁명적인 이유는 기존 반도체 제조 인프라인 CMOS 공정을 그대로 활용할 수 있기 때문이다.

히타치 하이테크의 기술 문서에 따르면, 실리콘 포토닉스는 기존 반도체 팹이 이미 보유하고 있는 식각(etching) 및 증착(deposition) 장비를 활용해 광학 도파로와 광 변조기, 광 스위치, 광 검출기를 모두 하나의 웨이퍼 위에 통합한다. 완전히 새로운 제조 인프라를 구축할 필요 없이 기존 반도체 팹을 광학 칩 생산에 전용(轉用)할 수 있다는 것. 이는 곧 막대한 비용 절감 효과를 의미한다.

실리콘 포토닉스의 핵심 소재는 SOI(Silicon-on-Insulator) 웨이퍼다. 해당 웨이퍼는 실리콘 기판 위에 산화막(SiO₂) 층을 깔고 그 위에 다시 얇은 실리콘 층을 쌓아 만든다. 실리콘과 산화막 사이의 높은 굴절률 차이 덕분에 빛은 얇은 실리콘 층 안에 고도로 집속된 채 거의 손실 없이 이동하는데, 이를 광 도파로(Optical Waveguide)의 원리라고 한다.

시놉시스(Synopsys)의 기술 백서는 이 구조를 통해 수백 개의 광학 소자를 나노미터(nm) 단위의 정밀도로 단일 칩 위에 집적할 수 있다고 설명한다. 반도체 공정이 수십 년간 갈고 닦은 포토리소그래피 기술, 즉 빛으로 회로를 새기는 기술이 이제 전자 회로뿐 아니라 빛의 경로 자체를 설계하는 데 쓰이는 것이다.

칩 안에서 빛이 이동하는 과정을 단계별로 따라가면 왜 이 기술이 데이터센터를 바꿀 수 있는지 자연스럽게 이해할 수 있게 된다. 전기 신호는 먼저 광 변조기(Optical Modulator)를 통해 빛의 파장 위에 올라탄다. 빛은 수 마이크론 굵기의 도파로를 따라 이동하다가 목적지에서 광 검출기(Photodetector)에 의해 다시 전기 신호로 변환된다.

이 과정에 전자기 간섭(EMI)이 전무하고 신호 감쇄가 극히 미미하며 열 발생이 거의 없다는 점이 구리와의 근본적인 차이다.

포톤델타(PhotonDelta)의 분석에 따르면 이 방식은 구리 기반의 단거리 전기 링크와 비교해 전력 소비를 대폭 낮추면서도 인공지능(AI) 데이터센터가 요구하는 수십 테라비트급 대역폭을 안정적으로 지원할 수 있다.

APNIC 블로그의 심층 분석이 이 차이를 수치로 명확히 보여준다. 기존 방식의 800G 플러거블 트랜시버 포트당 전력 소비는 약 15W에 달하는 반면 브로드컴이 공개한 CPO(코패키지드 옵틱스) 방식은 동일한 800G 포트당 전력을 약 5.5W로 끌어내렸다. 3배 이상의 전력 절감으로, 64포트짜리 스위치 하나에서만 수백 와트의 전력이 절약된다는 의미다.

EE타임스가 분석한 또 다른 지표는 에너지 효율을 단위 데이터 당 소비 에너지(pJ/bit)로 표현하는데 인텔의 OCI 칩렛이 OFC 2024에서 공개한 수치는 5pJ/bit로, 당시 업계 최고 수준이었다. AI 연산 클러스터에서 초당 수십 테라비트의 데이터를 주고받는 스위치들이 수천 개 존재한다고 볼 때 전력 절감이 데이터센터 운영 경제학을 근본적으로 바꿀 수 있다는 계산이 나온다.

광 인터커넥트 기술은 크게 세 단계의 진화 경로를 거치고 있다. 첫 번째는 플러거블 트랜시버(Pluggable Transceiver)다. 지금도 대부분의 데이터센터에서 랙(Rack)과 랙 사이를 연결하는 데 쓰이는 방식으로, 광 모듈을 포트에 꽂았다 뺄 수 있어 유지 보수가 편리하지만 ASIC과의 물리적 거리로 인한 전력 손실이 불가피하다.

두 번째 단계는 LPO(Linear Pluggable Optics, 선형 플러거블 광학)로, DSP(디지털 신호 처리 칩) 없이 전기 신호를 아날로그 형태로 광학 모듈에 직접 전달하는 방식이다. DSP 제거만으로도 기존 플러거블 대비 전력을 약 50% 절감할 수 있다.

세 번째이자 궁극적인 단계가 CPO다. 코패키지드 옵틱스(CPO)는 광학 엔진을 ASIC, GPU, CPU와 동일한 패키지 안에 직접 통합하는 방식으로, 전기 신호가 이동해야 하는 물리적 거리를 센티미터 단위로 최소화한다.

라이트카운팅(LightCounting)의 분석에 따르면 2025년 광 트랜시버 시장에서 실리콘 포토닉스 기반 제품의 점유율은 약 30%였지만 LPO와 CPO의 확산에 힘입어 2030년에는 60%로 두 배 가량 늘어날 전망이다.

시장 조사 업체 마켓앤드마켓(MarketsandMarkets)은 실리콘 포토닉스 전체 시장이 2024년 21억6000만달러에서 2030년 96억5000만달러로 연평균 29.5% 성장할 것으로 예측했다.

이와 별도로 하이퍼프레임 리서치(Hyperframe Research)는 AI 데이터센터용 광 인터커넥트 세부 시장만 추출하면, 분석 기관에 따라 2025년 기준 24억~29억달러 규모에서 2030~2034년 160억~280억달러로 최대 10배 성장할 것이라는 전망이 나온다고 분석했다.

광 인터커넥트가 칩과 칩 사이의 '마지막 1미터'를 빛으로 잇는 기술이라면 광회로 스위칭(Optical Circuit Switching, OCS)은 데이터센터 전체 네트워크 패브릭을 빛의 경로로 재구성하는 기술이다.

전통적인 전기 패킷 스위치는 들어오는 데이터 패킷을 일일이 전기 신호로 처리하고 목적지를 계산하여 내보내는 과정에서 수천 와트의 전력을 소비한다. 반면 OCS는 마이크로 미러(Micro Mirror)나 액정(Liquid Crystal) 소자를 이용해 빛의 물리적 경로 자체를 직접 전환, 이 과정을 통째로 생략한다.

구글이 이를 실제 운영 데이터센터에 적용한 '아폴로(Apollo)' 프로젝트는 이 기술의 실증적 가능성을 업계 전체에 선언한 전환점이었다.

프랑스 파스칼에 피인수 된 캐나다의 포토닉 집적회로 업체 에포닉스(Aeponyx)는 기술 백서에 "광회로 스위치는 전기 사용량을 30% 이상 감축한다"고 밝힌 한편 구글의 아폴로가 세계 최초의 대규모 OCS 상용 배치였다고 명시했다.

앞서 인텔은 2024년 OFC(광섬유 통신 컨퍼런스)에서 업계 최초의 완전 통합형 광학 컴퓨팅 인터커넥트(OCI) 칩렛을 시연했다. 인텔의 자체 실리콘 포토닉스 기술을 기반으로 제작된 칩렛은 하나의 소자 안에 레이저와 광증폭기(SOA)까지 통합하는 완전 자기완결(Self-contained) 구조를 실현했고, 8개 파이버 페어에 파이버당 8개 파장을 활용해 양방향 4Tbps의 전송 속도를 달성했다.

인텔(INTC)은 이미 자사 실리콘 포토닉스 플랫폼을 통해 800만개 이상의 PIC(광 집적회로)와 3200만개 이상의 온칩 레이저를 출하했다고 밝혔다.

2026년 3월에는 엔비디아(NVDA)가 마벨 테크놀로지에 20억 달러를 전략 투자하며 두 기업 간 실리콘 포토닉스 공동 개발 협력을 공식화했다. 하이퍼프레임 리서치에 따르면 이 거래의 핵심은 마벨이 2025년 말 인수한 셀레스티얼 AI(Celestial AI)의 포토닉 패브릭 기술이다.

수백 개의 GPU가 광 인터커넥트를 통해 외부 메모리 풀에 로컬 수준의 속도로 접근할 수 있게 해 메모리 대역폭이라는 또 다른 AI 연산의 병목을 광학으로 해소하려는 시도로 풀이된다.

시장 전문가들은 실리콘 포토닉스가 한계에 부딪힌 '무어의 법칙'을 대체할 새로운 스케일링 경로라고 강조한다. 네이처 커뮤니케이션즈에 발표된 연구에 따르면 전기 패킷 스위치 방식은 데이터 전송률이 높아질수록 비용과 전력 수요가 기하급수적으로 늘어나 근본적인 스케일링의 한계가 명확한 반면 OCS는 수동(passive) 광학 코어 구조 덕분에 장애 허용성(fault tolerance)이 높고 관리 부하가 낮으며, 나노초(ns) 이하의 파장 전환 속도를 구현할 수 있다.

이는 AI 학습과 추론을 위한 GPU 클러스터가 요구하는 수시로 재구성 가능한 동적 네트워크 토폴로지 요건과 정확히 맞아떨어진다는 설명이다.

shhwang@newspim.com