Was ist Photonics überhaupt?
Was ist Photonics überhaupt?
Die einfachste Erklärung ist: Photonics beschäftigt sich damit, Licht zu nutzen, um Informationen zu übertragen, zu verarbeiten oder zu erkennen.
In einem Rechenzentrum bewegen sich Daten meistens auf zwei Arten: entweder als elektrische Signale über Kupfer oder als Lichtsignale über Glasfaser beziehungsweise sogenannte optische Wellenleiter.
Kupfer funktioniert sehr gut auf kurzen Strecken. Es ist günstig, einfach und seit Jahrzehnten im Einsatz. Aber je schneller und größer die Datenmengen werden, desto mehr stößt Kupfer an physikalische Grenzen. Die Signale verlieren Qualität, es entsteht mehr Wärme und der Energieverbrauch steigt.
Licht ist für viele dieser Probleme besser geeignet. Über Glasfaser können Daten mit sehr hoher Geschwindigkeit, über längere Distanzen und deutlich effizienter übertragen werden.
Deshalb wird Photonics gerade im AI Bereich so spannend. AI Rechenzentren brauchen nicht nur mehr GPUs, sondern auch viel schnellere Verbindungen zwischen diesen GPUs, Servern und Racks.
Ein einfacher Vergleich: Kupfer ist wie eine überfüllte Straße mit vielen Autos. Es funktioniert, aber irgendwann entsteht Stau. Photonics ist eher wie ein Hochgeschwindigkeitszug. Mehr Kapazität, schnellerer Transport und weniger Energieverschwendung.
Und genau deshalb wird Licht in der AI Infrastruktur immer wichtiger.
Was ist ein Photon?
Was ist ein Photon?
Ein Photon ist vereinfacht gesagt die kleinste Einheit von Licht.
Wenn du eine Lampe einschaltest, werden in jeder Sekunde unfassbar viele Photonen ausgesendet. Im Alltag merken wir davon nichts. Für uns ist Licht einfach hell oder dunkel. Aber in der Datenübertragung kann Licht viel mehr sein als nur Beleuchtung.
In optischen Netzwerken werden Photonen sehr gezielt erzeugt, meistens durch Laser. Diese Lichtsignale werden dann genutzt, um Informationen zu transportieren. Man kann sich das so vorstellen: Die Daten werden auf das Licht „draufgepackt“, durch eine Glasfaser geschickt und am anderen Ende wieder ausgelesen.
Genau so funktioniert ein großer Teil der modernen Internet- und Data-Center-Infrastruktur. Je schneller man dieses Lichtsignal verändern kann, desto mehr Daten kann man übertragen. Deshalb hört man in diesem Bereich oft Begriffe wie 400G, 800G oder 1.6T. Das beschreibt vereinfacht gesagt, wie viele Daten pro Sekunde durch eine Verbindung laufen können.
Der wichtige Punkt ist: Photonics nutzt Licht nicht einfach nur als Energiequelle, sondern als Transportmittel für Daten.
Und je größer AI Cluster werden, desto wichtiger wird genau diese Fähigkeit: riesige Datenmengen schnell, effizient und mit möglichst wenig Energieverlust zu bewegen.
Warum stößt Kupfer an Grenzen?
Warum stößt Kupfer an Grenzen?
Kupfer war und ist extrem wichtig für die Datenübertragung. Es ist günstig, bewährt und funktioniert auf kurzen Strecken sehr gut. Deshalb wird Kupfer auch weiterhin in Rechenzentren genutzt, besonders dort, wo Verbindungen sehr kurz sind. Das Problem beginnt, wenn Daten immer schneller und über größere Strecken bewegt werden müssen.
Je höher die Geschwindigkeit, desto schwieriger wird es für elektrische Signale, sauber durch Kupfer zu laufen. Das Signal wird schwächer, es kann Störungen geben und es entsteht mehr Wärme. Und Wärme ist in einem Rechenzentrum ein riesiges Thema, weil sie wieder gekühlt werden muss.
Bei AI wird dieses Problem noch größer. Denn AI-Rechenzentren bestehen nicht einfach nur aus einzelnen Servern. Tausende GPUs müssen miteinander kommunizieren, Daten austauschen und synchron bleiben. Wenn die Verbindung zwischen diesen Systemen zu langsam oder zu ineffizient ist, warten teure Chips einfach auf Daten.
Das ist der Punkt, an dem Licht immer spannender wird. Glasfaser kann Daten über längere Strecken mit weniger Signalverlust übertragen. Dazu kommt: Licht erzeugt in der Faser selbst deutlich weniger Wärme als elektrische Signale in Kupfer. Für große AI-Cluster ist das ein großer Vorteil!
Heißt aber nicht, dass Kupfer verschwindet. Kupfer bleibt wichtig für kurze Verbindungen. Aber je höher die Datenmengen und je größer die Cluster werden, desto mehr verschiebt sich die Nachfrage Richtung optische Verbindungen. Genau deshalb wird Photonics für AI-Infrastruktur immer relevanter.
Warum wird Photonics gerade jetzt so wichtig?
Warum wird Photonics gerade jetzt so wichtig?
Glasfaser und optische Datenübertragung gibt es schon lange. Die Kabel, die Kontinente verbinden, große Internetknoten miteinander verknüpfen oder Daten über weite Strecken transportieren, nutzen schon seit Jahrzehnten Licht. Das Neue ist also nicht, dass Licht für Datenübertragung genutzt wird. Das Neue ist, wo der Engpass entsteht.
Früher lag das große Problem oft darin, Daten über lange Strecken zu bewegen: zwischen Städten, Ländern, Kontinenten oder großen Netzwerkknoten. Innerhalb eines Rechenzentrums waren kurze Kupferverbindungen oft ausreichend.
Bei AI verändert sich das. Moderne AI-Rechenzentren müssen unfassbar viele Daten nicht nur nach außen senden, sondern vor allem intern bewegen. Zwischen GPUs, Servern, Racks und ganzen Clustern. Diese Daten müssen extrem schnell, mit hoher Bandbreite und möglichst wenig Energieverlust übertragen werden.
Genau deshalb wandert der Engpass immer stärker in das Rechenzentrum selbst. AI braucht nicht nur mehr Rechenleistung. AI braucht auch ein viel stärkeres Netzwerk zwischen den Recheneinheiten. Wenn dieses Netzwerk zu langsam oder zu ineffizient ist, warten teure GPUs auf Daten. Und wenn GPUs warten, wird Rechenleistung verschwendet! Und das kostet!
Deshalb wird Photonics gerade jetzt so wichtig. Es geht nicht mehr nur darum, Daten über die Welt zu schicken. Es geht darum, riesige Datenmengen innerhalb von AI-Clustern effizient zu bewegen. Und genau dort kann Licht gegenüber Kupfer immer wichtiger werden.
Warum AI das Problem verändert
Warum AI das Problem verändert
Über Jahrzehnte ist der Internetverkehr immer weiter gewachsen. Streaming, Cloud Computing, Social Media und mobile Apps haben dafür gesorgt, dass immer mehr Daten durch Netzwerke bewegt werden mussten. Aber AI verändert das Problem nochmal komplett.
Früher ging es vor allem darum, Daten über Netzwerke zu schicken: von Stadt zu Stadt, von Rechenzentrum zu Rechenzentrum oder vom Server zum Nutzer.
Bei AI geht es zusätzlich darum, riesige Datenmengen innerhalb eines Rechenzentrums zu bewegen. Zwischen Chips, Servern, Racks und den ganzen Clustern. Hier beginnt das Problem:
AI-Modelle brauchen nicht nur mehr Rechenleistung, sondern auch extrem schnelle Verbindungen zwischen den einzelnen Teilen des Systems. Die Daten müssen mit sehr hoher Bandbreite und sehr geringer Verzögerung bewegt werden. Das heißt, alles was dafür behilflich sein kann, wird wichtiger denn je.
Wenn diese Verbindungen zu langsam oder zu ineffizient sind, warten teure GPUs auf Daten. Und wenn GPUs warten, wird Rechenleistung verschwendet. Die Herausforderung ist nicht mehr nur, Daten um die Welt zu schicken. Die Herausforderung ist, enorme Datenmengen effizient innerhalb einer Maschine, eines Racks und eines ganzen AI-Rechenzentrums zu bewegen.
Warum die Nachfrage nach AI Photonics explodiert
Warum die Nachfrage nach AI Photonics explodiert
AI-Training funktioniert anders als viele klassische Computeraufgaben. Bei normalen Anwendungen können viele Server relativ unabhängig voneinander arbeiten. Ein Server lädt eine Webseite. Ein anderer verarbeitet eine Datenbankabfrage. Ein anderer streamt ein Video. Jeder macht seine Aufgabe, ohne ständig mit tausenden anderen Servern perfekt synchron bleiben zu müssen.
Bei AI-Training ist das anders. Wenn ein großes AI-Modell trainiert wird, wird eine riesige Rechenaufgabe auf tausende Chips verteilt. Diese Chips arbeiten gleichzeitig an demselben Modell. Das Problem: Sie müssen sich ständig austauschen. Alle paar Millisekunden müssen sie Daten senden, Updates abgleichen und wieder gemeinsam weiterrechnen. Das ist ein enormer Unterschied, den viele nicht verstehen.
Das heißt, das Netzwerk zwischen den Chips ist fast genauso wichtig wie die Chips selbst. Denn wenn die Verbindung langsam, überlastet oder zu energieintensiv ist, warten teure Prozessoren einfach auf Daten. Und wenn GPUs warten, wird Geld verbrannt. Kurz gesagt: Wer langsam ist, der verliert. Daher investieren die großen Unternehmen so stark in den Sektor und dadurch investiert auch Nvidia so stark in den Sektor.
Wird euch die Wichtigkeit von Photonics klar? AI braucht nicht nur mehr Rechenleistung. AI braucht auch extrem schnelle, effiziente und skalierbare Verbindungen zwischen den Chips, Servern und Racks.
Kurz gesagt: Ein AI-System ist nur so stark wie seine Fähigkeit, alle Chips schnell genug miteinander zu verbinden. Und genau deshalb wächst die Nachfrage nach optischer Datenübertragung so stark.
Transceiver – der Übersetzer zwischen Strom und Licht
Transceiver – der Übersetzer zwischen Strom und Licht
Ein modernes AI-Rechenzentrum besteht nicht einfach aus einem großen Computer. Es ist eher wie ein riesiges Netzwerk aus vielen Schichten. Ganz unten sitzt die GPU. Das ist der eigentliche Rechenkern für AI. GPUs sind spezielle Chips, die sehr viele Berechnungen gleichzeitig ausführen können und deshalb perfekt für moderne AI-Modelle geeignet sind.
Mehrere GPUs sitzen zusammen in einem Server. Innerhalb dieses Servers sind sie sehr eng miteinander verbunden, zum Beispiel über extrem schnelle elektrische Verbindungen. Man kann sich so einen Server wie einen einzelnen starken Rechenknoten vorstellen. Aber ein großer AI-Cluster besteht nicht nur aus einem Server. Viele Server werden in Racks eingebaut. Diese Racks werden wiederum miteinander verbunden. Danach werden mehrere Racks zu größeren Bereichen zusammengeschaltet, oft über mehrere Ebenen.
Je größer das System wird, desto mehr Daten müssen zwischen Servern, Racks und ganzen Clustern bewegt werden. Und das wird für Kupfer immer schwieriger. Für sehr kurze Strecken kann Kupfer noch funktionieren. Aber sobald Geschwindigkeit, Distanz und Datenmenge steigen, werden optische Verbindungen wichtiger.
Das bedeutet: Daten werden mit Licht übertragen.
Und jede optische Verbindung braucht an beiden Enden ein Bauteil, das elektrische Signale in Licht umwandelt und wieder zurück. Dieses Bauteil nennt man Transceiver.
Deshalb steigen die Stückzahlen so stark. In großen AI-Systemen braucht man nicht nur ein paar optische Module, sondern hunderttausende oder sogar Millionen davon. Je größer AI-Cluster werden, desto mehr Verbindungen braucht das System.
Also kurz gesagt: Transceiver sind ein zentraler Teil der AI-Netzwerk-Infrastruktur. Aber: Der eigentliche Engpass liegt oft nicht nur beim fertigen Transceiver, sondern tiefer in der Wertschöpfungskette. Die Frage wäre also: „Wer liefert die kritischen Bausteine, ohne die der Transceiver nicht gebaut werden kann?“
Wie ist ein Rechenzentrum aufgebaut?
Wie ist ein Rechenzentrum aufgebaut?
Ein AI-Rechenzentrum ist nicht einfach nur ein großes Gebäude voller Server. Es ist eher ein komplexes System aus mehreren Ebenen, die alle miteinander verbunden sind. Ganz außen steht der gesamte Standort. Dort können mehrere Rechenzentrumsgebäude stehen, dazu kommen Stromversorgung, Kühlung, Backup-Systeme und weitere Infrastruktur.
Gerade bei AI ist dieser äußere Teil schon extrem wichtig, weil solche Rechenzentren enorme Mengen an Strom brauchen und die entstehende Wärme zuverlässig abgeführt werden muss.
In den einzelnen Gebäuden befinden sich große technische Hallen. Dort steht die eigentliche Rechenleistung. In diesen Hallen sieht man lange Reihen von Serverschränken, die man auch Racks nennt. Ein Rack ist im Grunde ein hoher Metallschrank, in dem mehrere Server übereinander eingebaut sind. Dazu kommen Stromversorgung, Kabel und teilweise auch Netzwerktechnik.
In diesen Servern sitzen die eigentlichen Recheneinheiten. Bei klassischen Rechenzentren waren das oft vor allem normale Prozessoren, also CPUs. Bei AI-Rechenzentren geht es aber immer stärker um GPUs und andere Beschleuniger.
Damit diese Server aber nicht nur einzeln arbeiten, sondern als großes System funktionieren, müssen sie miteinander verbunden werden. Hier kommt die Netzwerktechnik ins Spiel. Ein wichtiges Bauteil ist dabei die Netzwerkkarte. Sie verbindet den Server mit dem restlichen Netzwerk, damit Daten zwischen Servern, Serverschränken und größeren Bereichen des Rechenzentrums bewegt werden können.
Je größer ein AI-System wird, desto mehr Daten müssen zwischen all diesen Ebenen bewegt werden. Vom Chip zum Server, vom Server zum Rack, vom Rack zum nächsten Rack und irgendwann zwischen ganzen Bereichen oder Gebäuden. Bei kleinen Distanzen kann Kupfer noch funktionieren. Aber je größer die Datenmengen, je höher die Geschwindigkeit und je weiter die Strecke, desto wichtiger werden optische Verbindungen.
Photonics wird also nicht wichtig, weil es ein schönes Zukunftswort ist. Photonics wird wichtig, weil AI-Rechenzentren immer größere Datenmengen immer schneller und effizienter bewegen müssen. Und genau diese Verbindungen sind am Ende ein entscheidender Teil der gesamten AI-Infrastruktur.
Kurz gesagt: AI braucht nicht nur mehr Chips. AI braucht auch bessere Wege, um diese Chips miteinander zu verbinden.
Wo Licht im Rechenzentrum wirklich eingesetzt wird
Wo Licht im Rechenzentrum wirklich eingesetzt wird
Nicht jede Verbindung in einem Rechenzentrum läuft automatisch über Licht. Das ist wichtig zu verstehen. Ob man Kupfer oder Licht nutzt, hängt vor allem von drei Dingen ab: Distanz, Geschwindigkeit und Stromverbrauch.
Für sehr kurze Strecken funktioniert Kupfer weiterhin gut. Besonders innerhalb eines Racks, also dort, wo Server sehr nah beieinander sitzen, spielt Kupfer noch eine große Rolle. Es ist günstig, bekannt und für kurze Verbindungen oft völlig ausreichend. Spannend wird es aber, sobald die Strecken länger werden oder die Datenmengen stark steigen.
Von Serverschränken zu Serverschränken beginnt schon eine Übergangszone. Dort kann je nach System noch modernes Kupfer genutzt werden, aber Licht wird immer attraktiver. Wenn es dann um Switch-zu-Switch-Verbindungen geht, also über Reihen, Pods oder ganze Datenhallen hinweg, wird Licht immer wichtiger. Und bei Verbindungen zwischen Gebäuden, Campus, Metro, Long Haul oder sogar Unterseekabeln ist Licht sowieso dominant.
Früher war Glasfaser vor allem für lange Distanzen wichtig. Zwischen Städten, Ländern, Kontinenten oder großen Netzwerken. Heute verschiebt sich der Engpass. AI-Rechenzentren brauchen so viel Bandbreite, dass optische Verbindungen nicht mehr nur weit draußen im Netzwerk wichtig sind, sondern immer näher an die eigentliche Rechenleistung rücken.
Erst zwischen Gebäuden. Dann innerhalb des Campus. Dann in der Datenhalle. Dann zwischen Serverschränken. Und langfristig vielleicht sogar noch näher an die Chips selbst.
Die Wertschöpfungskette
Die Wertschöpfungskette
Bisher ging es im Photonics Grundkurs vor allem darum, warum Licht in AI-Rechenzentren immer wichtiger wird. Wir haben darüber gesprochen, warum Kupfer bei höheren Datenmengen irgendwann an Grenzen stößt, warum AI-Cluster so viele schnelle Verbindungen brauchen und warum dadurch Transceiver, Laser und optische Netzwerke immer relevanter werden.
Ab jetzt gehen wir eine Ebene tiefer. Denn wenn man Photonics wirklich verstehen will, reicht es nicht zu sagen: „Licht ist spannend.“ Man muss verstehen, was dahinter steckt. Welche Materialien werden gebraucht? Wer stellt die Laser her? Wer baut die optischen Chips? Wer verpackt diese Komponenten? Wer testet sie? Und wer verkauft am Ende das fertige Modul an die großen Rechenzentren?
Man kann sich die Wertschöpfungskette wie eine lange Kette vorstellen. Ganz am Anfang stehen Rohstoffe und spezielle Materialien. Danach kommen Substrate, Epitaxie, Laser, Photonic Integrated Circuits, Packaging, Testing, Transceiver und am Ende die großen Systeme, die in AI-Rechenzentren eingesetzt werden.
Warum ist das für uns als Investoren wichtig? Weil nicht jede Stelle dieser Kette gleich attraktiv ist. Manche Bereiche sind stark umkämpft. Dort gibt es viele Anbieter, Preisdruck und geringe Margen. Andere Bereiche sind deutlich schwieriger zu ersetzen. Dort gibt es nur wenige Firmen, spezielles Know-how, lange Kundenbeziehungen und hohe Eintrittsbarrieren.
In jeder Lieferkette gibt es Punkte, an denen der ganze Ausbau langsamer wird, wenn nicht genug geliefert werden kann. Das können bestimmte Materialien sein, spezielle Maschinen, Laser, Packaging-Kapazitäten oder Testsysteme. Solche Punkte nennt man Engpässe.
Das ist auch der Grund, warum Photonics auf den ersten Blick so kompliziert wirkt. Es ist kein einfacher Sektor mit nur einer Gewinneraktie. Es ist ein komplettes Ökosystem aus vielen kleinen, spezialisierten Bereichen.
Wenn AI weiter wächst, steigt nicht nur die Nachfrage nach GPUs. Es steigt auch die Nachfrage nach allem, was diese GPUs miteinander verbindet. Und dafür braucht es die komplette Photonics-Wertschöpfungskette. Wir starten ganz unten: bei Materialien und Substraten. Denn bevor überhaupt ein Laser oder ein optischer Chip entstehen kann, braucht man die richtigen Ausgangsmaterialien. Und genau dort sitzen bereits die ersten möglichen Engpässe.
Das Grundmaterial
Das Grundmaterial
Bevor irgendwo ein Laser, ein optischer Chip oder ein Transceiver entsteht, braucht man zuerst das richtige Grundmaterial. In der Halbleiterwelt startet vieles mit einem sogenannten Wafer. Das ist eine dünne, runde Scheibe aus Halbleitermaterial, aus der später viele kleine Chips hergestellt werden.
Bei klassischen Chips ist dieses Material meistens Silizium. Silizium ist günstig, gut verfügbar und die Grundlage der heutigen Chipindustrie. Bei Photonics gibt es aber ein Problem: Silizium ist sehr gut für Elektronik, aber nicht besonders gut darin, Licht zu erzeugen.
Für viele optische Bauteile, vor allem für Hochleistungslaser und Fotodetektoren, braucht man andere Materialien. Eines der wichtigsten Materialien ist Indiumphosphid, kurz InP. InP kann Licht sehr effizient erzeugen und erkennen. Es funktioniert genau in den Wellenlängen, die für Glasfaser-Kommunikation wichtig sind. Deshalb ist es so relevant für Laser, Transceiver und schnelle optische Datenverbindungen.
Das Problem: InP ist teuer, empfindlich und schwer in großer Menge herzustellen. Und genau dadurch kann ein Engpass entstehen.
Wenn AI-Rechenzentren immer mehr optische Verbindungen brauchen, steigt auch der Bedarf an Lasern und optischen Komponenten. Und wenn diese Komponenten auf Materialien wie InP angewiesen sind, wird die Frage wichtig: Wer kann diese Materialien überhaupt in hoher Qualität und großer Menge liefern?
Silicon Photonics versucht einen Teil dieses Problems zu lösen. Dabei baut man möglichst viel des optischen Chips auf Silizium, weil Silizium günstiger und besser skalierbar ist. Aber auch dort braucht man häufig weiterhin eine externe Lichtquelle, meistens wieder auf Basis von InP. Das heißt: Selbst wenn Silicon Photonics wächst, verschwindet der InP-Engpass nicht automatisch.
Ein weiteres spannendes Material ist Lithium Niobate. Dieses Material kann Licht extrem schnell beeinflussen, wenn Spannung angelegt wird. Deshalb ist es besonders interessant für sehr schnelle Modulatoren und zukünftige optische Systeme.
Der einfache Punkt ist: Photonics beginnt nicht erst beim fertigen Transceiver. Photonics beginnt ganz unten beim Material. Und oft liegen die spannendsten Engpässe genau dort, wo kaum jemand hinschaut.
Engineered Substrates und besonders interessant wegen Photonics SOI. Soitec positioniert seine Substrate direkt für Cloud AI und Network Infrastructure, unter anderem für Data Center Interconnects und Silicon Photonics.
Direkter Materials/Substrates Play. AXT entwickelt und produziert Compound Semiconductor Wafer Substrate wie Indiumphosphid, Galliumarsenid und Germanium – dort, wo klassisches Silizium nicht ausreicht.
Nicht nur Materials, sondern breiter Photonics Player. Coherent hat InP-Kompetenz für Laser, Modulatoren, Photodioden und Subsysteme für nächste Datacenter-Architekturen.
Epitaxie
Epitaxie
Nachdem wir im letzten Teil über Grundmaterialien und Substrate gesprochen haben, kommt jetzt der nächste wichtige Schritt: Epitaxie.
Das klingt erstmal extrem technisch, ist aber eigentlich einfach zu verstehen. Man nimmt einen Wafer, also die dünne Halbleiterscheibe, und wächst darauf extrem dünne Schichten aus weiterem Halbleitermaterial. Diese Schichten sind so dünn, dass man teilweise über wenige Nanometer spricht.
Das schwierige an der Geschichte ist, dass diese Schichten fast perfekt sein müssen. Die richtige Dicke, das richtige Material, die richtige Reinheit und die richtige Struktur. Wenn nur wenige Atomlagen falsch sind, kann der Laser später schlechter funktionieren oder komplett unbrauchbar sein.
Warum ist das für Photonics so wichtig? Weil die Leistung eines Lasers stark davon abhängt, wie gut diese Schichten aufgebaut sind. Ein Laser muss genau die richtige Wellenlänge erzeugen, effizient arbeiten und zuverlässig bleiben. Gerade bei AI-Rechenzentren, 800G, 1.6T und zukünftigen optischen Verbindungen zählt jedes Detail.
Epitaxie ist also nicht einfach irgendein Produktionsschritt. Sie entscheidet mit darüber, ob ein Laser leistungsfähig genug für moderne optische Datenübertragung ist. Für InP-basierte Laser wird dieser Prozess oft in speziellen Maschinen durchgeführt, zum Beispiel MOCVD-Anlagen. Diese Maschinen sind teuer, schwer zu bedienen und brauchen jahrelanges Prozesswissen. Und das ist der Engpass.
Man kann nicht einfach morgen eine neue Fabrik bauen und sofort hochwertige Laserstrukturen produzieren. Man braucht Maschinen, Erfahrung, Prozesskontrolle, saubere Umgebungen, hohe Ausbeute und Kundenqualifikationen.
Epitaxie ist also einer der unsichtbaren Schritte, ohne den moderne Photonics nicht funktioniert. Wer diesen Schritt beherrscht oder die Maschinen dafür liefert, sitzt sehr nah an einem kritischen Teil der optischen Lieferkette.
Passt am besten als Epitaxie-Equipment-Play. Riber baut MBE-Anlagen – Maschinen, mit denen extrem präzise Halbleiterschichten gewachsen werden können. Nicht direkt MOCVD, aber eindeutig Epitaxie-Equipment/Compound Semiconductors.
Sehr passend für MOCVD-Equipment. Aixtron baut Anlagen für die Abscheidung von Verbindungshalbleitern und ist dadurch relevant für Laser, LEDs, Power Semiconductors und Photonics.
Laser
Laser
Wenn wir über Photonics sprechen, geht es am Ende immer um eine einfache Idee: Daten sollen nicht mehr nur elektrisch übertragen werden, sondern mit Licht. Damit das funktioniert, braucht jede optische Verbindung eine Lichtquelle. Und diese Lichtquelle ist der Laser.
Der Laser wandelt ein elektrisches Signal in Licht um. Dieses Licht läuft dann durch eine Glasfaser oder durch eine kleine optische Verbindung auf einem Chip. Am anderen Ende wird das Licht wieder zurück in ein elektrisches Signal verwandelt.
Der wichtige Punkt ist: Ohne Laser gibt es keine optische Datenübertragung.
Da AI-Rechenzentren immer größer werden, werden mehr optische Verbindungen gebraucht. Und jede dieser Verbindungen braucht irgendwo eine zuverlässige Lichtquelle. Nicht jeder Laser ist gleich. Manche sind günstiger und reichen für kurze Strecken. Andere sind leistungsfähiger und werden für schnelle Verbindungen wie 800G oder 1.6T gebraucht. Wieder andere erzeugen einfach dauerhaft Licht und werden besonders spannend, wenn Silicon Photonics und CPO wichtiger werden.
Aber die einfache Logik bleibt gleich: Je mehr AI-Infrastruktur gebaut wird, desto mehr hochwertige Laser werden gebraucht. Und wenn diese Laser knapp werden, kann das die ganze Lieferkette bremsen. Deshalb sind Laser einer der wichtigsten Bausteine der Photonics-Lieferkette. Sie sind klein, unsichtbar und für viele Anleger schwer zu verstehen. Aber ohne sie funktioniert der ganze Übergang von elektrischer zu optischer Datenübertragung nicht.
Für mich der spannendste Pure Play in diesem Bereich. Sivers ist besonders interessant bei CW-Lasern / External Light Sources – Lichtquellen für Silicon Photonics und mögliche CPO-Architekturen.
Einer der wichtigsten etablierten Laser- und Optics-Player. Besonders relevant bei leistungsfähigen Lasern für schnelle optische Netzwerke.
Sehr breiter Photonics Player mit Lasern, optischen Komponenten, InP-Fertigung und Transceivern.
Nicht direkt der Laser selbst, aber wichtig für die Elektronik rund um den Laser – Bauteile, die Laser ansteuern und Lichtsignale wieder verarbeiten.
Eher Fertigung und Assembly für optische Komponenten. Nicht der Laser-Chokepoint, aber wichtig im Produktionsnetzwerk.
Der optische Mikrochip
Der optische Mikrochip
Ein Photonic Integrated Circuit, kurz PIC, ist vereinfacht gesagt der optische Bruder eines Mikrochips. Bei einem normalen Chip bewegen sich elektrische Signale durch winzige Metallleitungen. Bei einem PIC bewegt sich Licht durch kleine Strukturen im Chip, sogenannte Waveguides – winzige Lichtkanäle, die das Licht gezielt durch den Chip führen.
Das ist wichtig, weil man auf einem PIC viele optische Funktionen zusammenbringen kann: Licht führen, aufteilen, bündeln, modulieren oder erkennen. Statt viele einzelne optische Bauteile separat zu verbinden, versucht man also, immer mehr davon direkt auf einer Plattform zu integrieren – dieselbe Logik, die auch die Halbleiterindustrie groß gemacht hat.
Bei Photonics gibt es dabei zwei wichtige Welten. Die erste ist Silicon Photonics: Prozesse, die der klassischen Halbleiterfertigung ähneln. Der große Vorteil: Silizium ist bekannt, skalierbar und kann in großen Fertigungsstrukturen verarbeitet werden.
Die zweite Welt ist Indium Phosphide, kurz InP. Dieses Material ist besonders stark, wenn es um aktive optische Funktionen geht – Laser, Verstärker, Modulatoren oder Detektoren. InP kann Licht deutlich besser erzeugen und verarbeiten als normales Silizium.
Der wichtige Punkt ist: Die Industrie wechselt nicht einfach sauber von InP zu Silizium. Es entsteht eher ein hybrides Modell. Silicon Photonics gewinnt an Bedeutung, weil es sich gut skalieren lässt. Gleichzeitig bleibt InP wichtig, weil Silizium bestimmte optische Aufgaben nicht von Natur aus gut kann, vor allem bei der Erzeugung von Licht.
PICs sind ein zentraler Baustein auf dem Weg zu effizienteren, schnelleren und stärker integrierten optischen Systemen. Und je stärker AI-Rechenzentren wachsen, desto wichtiger wird die Frage: Wer kann diese optischen Chips zuverlässig, effizient und in großer Stückzahl liefern?
Sehr nah am Thema. POET arbeitet mit seinem Optical Interposer daran, elektronische und photonische Bauteile in einem kompakten Modul zu integrieren – direkt relevant für PICs, Optical Engines und AI Data Center Interconnects. Aber: sehr spekulativ, hohe Bewertung, noch frühe Umsatzbasis.
Foundry Exposure. Durch die Übernahme von Advanced Micro Foundry hat GlobalFoundries seine Silicon-Photonics-Position gestärkt – weniger reiner Hebel als POET, dafür deutlich etablierter.
Ebenfalls Foundry Exposure. Tower ist im Bereich Silicon Photonics aktiv und investiert stark in zusätzliche Kapazität – laut Reuters soll die monatliche Produktion bis Ende 2026 verfünffacht werden.
Electronic ICs & DSPs – der Signal-Aufbereiter
Electronic ICs & DSPs – der Signal-Aufbereiter
Wenn Licht am anderen Ende einer Verbindung ankommt, ist das Signal nicht immer perfekt sauber. Auf dem Weg durch Glasfaser, Komponenten und elektrische Schnittstellen kann das Signal schwächer, verzerrt oder verrauscht werden. Hier benötigen wir Electronic ICs und DSPs (Digital Signal Processor).
Ein DSP ist vereinfacht gesagt der Signal-Aufbereiter im Transceiver. Er hilft dabei, ein schwaches oder verzerrtes Signal wieder so aufzubereiten, dass der Server, Switch oder Chip es zuverlässig verstehen kann – wie bei einem schlechten Telefonat, bei dem die Stimme ankommt, aber leise oder verrauscht ist. Der DSP übernimmt Fehlerkorrektur, Signalglättung, Timing, Synchronisation und die Übergabe zwischen optischer und elektrischer Welt.
Aber es hat auch einen Preis: Ein DSP kostet Geld, macht das Modul komplexer und verbraucht Strom. Und genau dieser Stromverbrauch ist in AI-Rechenzentren extrem wichtig – bei hunderttausenden optischen Verbindungen zählt jedes Watt pro Port.
Deshalb wird aktuell so viel über LPO (Linear Pluggable Optics) gesprochen. Bei LPO versucht man, den klassischen DSP im Transceiver zu reduzieren oder teilweise herauszunehmen. Stattdessen muss das Host-System – Switch oder Server – mehr von der Signalverarbeitung übernehmen. Vorteil: weniger Stromverbrauch, geringere Kosten, weniger Komplexität. Nachteil: Das gesamte System muss deutlich sauberer designt sein.
Je größer AI-Cluster werden, desto wichtiger wird nicht nur die optische Verbindung selbst, sondern auch die Elektronik drumherum. Genau deshalb sind DSPs, PHYs, Retimer, SerDes und Signal-Integrity-Chips ein eigener wichtiger Teil der Photonics-Wertschöpfungskette.
Einer der wichtigsten Player bei PAM4-DSPs und optischen Interconnect-Chips – direkt an der Schnittstelle zwischen AI Data Center, Optical Modules und High Speed Connectivity.
Ebenfalls sehr stark bei PHYs, DSPs, Switch-ASICs und optischer Netzwerkinfrastruktur – spielt sowohl bei klassischen optischen DSPs als auch bei CPO und Switch Silicon eine Rolle.
Spezialisierterer High-Speed-Connectivity-Play – u.a. bei Optical DSPs, Active Electrical Cables und AI Cluster Connectivity aktiv. Direkter, aber auch volatilerer Play.
Bietet ebenfalls PAM4-DSPs für optische Interconnects an – ein kleinerer, spezialisierterer Name in dieser Ebene der Wertschöpfungskette.
Optical Packaging und Co-Packaged Optics
Optical Packaging und Co-Packaged Optics
Wir haben inzwischen den Laser, den photonischen Chip und die notwendige Elektronik kennengelernt. Damit daraus aber eine funktionierende optische Verbindung entsteht, müssen diese Komponenten extrem präzise zusammengebaut werden.
Optical Packaging bedeutet nicht einfach nur, einen Chip in ein Gehäuse zu stecken. Laser, photonische Chips, elektronische Chips und Glasfasern müssen so miteinander verbunden werden, dass das Licht nahezu ohne Verluste durch das System gelangt. Licht reagiert extrem empfindlich auf kleinste Abweichungen – ist eine Glasfaser nur wenige Mikrometer falsch ausgerichtet, geht bereits ein großer Teil des Signals verloren. Zum Vergleich: Ein menschliches Haar ist ca. 50–100 Mikrometer dick.
Packaging ist deshalb einer der Bereiche, in denen sich entscheidet, ob eine gute Photonics-Technologie wirklich skalierbar ist.
Die meisten optischen Verbindungen verwenden heute sogenannte pluggable Transceiver – kleine, eigenständige Module, die vorne in einen Switch oder Server gesteckt werden. Vorteil: Flexibilität, einfacher Austausch. Problem: Zwischen Switch-Chip und Transceiver liegen elektrische Leiterbahnen, und je höher die Geschwindigkeit, desto schwieriger wird es, das Signal sauber über diese Strecke zu transportieren.
Co-Packaged Optics (CPO) verfolgt deshalb einen anderen Ansatz: Die optischen Engines werden sehr nah an den Switch-Chip gebracht, teils auf demselben Substrat. Die elektrische Strecke wird dadurch deutlich kürzer, was Stromverbrauch pro Bit senken und Signalqualität bei hohen Geschwindigkeiten verbessern kann. Der große Nachteil ist die Wartung – bei CPO sind Switch-Chip und Optik viel enger verbunden, ein Ausfall wird komplizierter und teurer zu reparieren.
Pluggables bleiben dort stark, wo Flexibilität und bewährte Technik wichtig sind. CPO wird vor allem dort interessant, wo Bandbreite und Stromverbrauch so kritisch werden, dass die Optik näher an den Switch- oder Compute-Chip rücken muss. Beide Modelle werden wahrscheinlich lange nebeneinander existieren.
Gehört zu den direktesten CPO-Plays – verbindet eigene Switch-ASICs mit integrierten Silicon-Photonics-Engines und entwickelt komplette CPO-Switch-Plattformen.
Arbeitet an CPO-Architekturen für AI-Netzwerke und individuelle AI-Beschleuniger – verbindet Switches, Custom Silicon, DSPs und optische Interconnects.
Kein reiner Photonics-Wert, aber ein wichtiger Fertigungs- und Packaging-Enabler – mit der COUPE-Plattform werden elektronische und photonische Chips besonders eng integriert.
Bietet Fertigungsdienstleistungen und fortgeschrittene Photonics-Packaging-Lösungen an, von High-Speed-Transceivern bis Co-Packaged Optics, inklusive Massenproduktions-Support.
Tests und Messungen
Tests und Messungen
Optische Komponenten sind extrem empfindlich. Ein Laser kann Licht aussenden, aber leicht die falsche Wellenlänge treffen. Ein Modulator kann funktionieren, aber das Signal nicht sauber genug übertragen. Das Problem dabei: Fehler sind von außen oft nicht sichtbar – eine Komponente kann im ersten Moment funktionieren und erst später im laufenden Rechenzentrum Probleme verursachen.
Gerade in großen AI-Rechenzentren wäre das ein enormes Risiko: Bei Millionen verbauten optischen Komponenten reicht bereits eine kleine Fehlerquote, um viele Probleme zu verursachen. Deshalb müssen Laser, Photonics-Chips, Transceiver und komplette optische Module sehr genau getestet werden, bevor sie ausgeliefert werden.
Diese Tests sind deutlich komplizierter als bei normalen elektronischen Bauteilen. Man muss nicht nur prüfen, ob Strom fließt, sondern auch, ob das Licht die richtige Wellenlänge besitzt, stark genug ist, sauber übertragen wird und bei verschiedenen Temperaturen zuverlässig funktioniert.
Ein besonders wichtiger Begriff dabei ist Yield: Wie viele produzierte Komponenten am Ende tatsächlich funktionieren. Wenn von 100 produzierten Lasern nur 80 alle Tests bestehen, müssen 20 aussortiert werden – Material, Produktionszeit und Kosten sind trotzdem bereits angefallen. Schon eine kleine Verbesserung der Ausbeute kann deshalb einen großen Unterschied für die Profitabilität machen.
Test & Measurement ist also kein unwichtiger Schritt am Ende der Produktion – es entscheidet mit darüber, ob Photonics-Unternehmen ihre Produkte zuverlässig und profitabel in großen Mengen herstellen können. Ohne zuverlässige Tests kann Photonics nicht in die Massenproduktion skalieren.
Stark im Bereich optische Test- und Messtechnik – Lösungen, mit denen Glasfasernetze, optische Komponenten und Hochgeschwindigkeitsverbindungen geprüft werden können.
Bietet hochpräzise Messgeräte und Testsysteme für Elektronik, Kommunikation und optische Hochgeschwindigkeitsverbindungen.
Chips werden auf dem Wafer getestet, bevor sie ausgeschnitten und weiterverarbeitet werden – hilft, defekte Chips früh zu erkennen.
Liefert Testlösungen und Probe Cards für Halbleiter – besonders bei Wafer Tests, HBM, Advanced Packaging und komplexen Chips relevant.
Einer der großen Anbieter automatisierter Halbleitertests – kein reiner Photonics-Play, profitiert aber davon, dass Systeme komplexer werden.
Sitzt stärker im Bereich Inspektion, Metrologie und Prozesskontrolle – hilft Herstellern, Fehler früh zu erkennen und die Ausbeute zu verbessern.
Transceiver, das fertige Produkt
Transceiver, das fertige Produkt
In den bisherigen Teilen haben wir viele einzelne Bestandteile der Photonics-Lieferkette kennengelernt: Laser, Modulatoren, Photodetektoren, DSPs und verschiedene Testverfahren. Im Transceiver kommen diese Komponenten zusammen. Ein Transceiver ist ein kleines optisches Modul, ungefähr USB-Stick-groß, das direkt in einen Server oder Netzwerk-Switch gesteckt wird: Er wandelt elektrische Daten in Licht um, sendet dieses Licht durch eine Glasfaser und empfängt gleichzeitig Lichtsignale von der anderen Seite.
Der Begriff Transceiver setzt sich aus Transmitter (Sender) und Receiver (Empfänger) zusammen – der Übersetzer zwischen der elektrischen Welt eines Computers und der optischen Welt der Glasfaser. Im Inneren: ein Laser, ein Modulator, ein Empfänger für das Licht, die dazugehörige Elektronik und häufig ein DSP.
Je größer der AI-Cluster wird, desto mehr optische Verbindungen werden benötigt, und an den Enden dieser Verbindungen sitzen Transceiver. Große Rechenzentren kaufen diese Module in sehr großen Stückzahlen – sie sind gewissermaßen das Verbrauchsmaterial der optischen Infrastruktur. Aktuell vollzieht sich der Wechsel von 400G über 800G zu 1.6T, und ein bestehender 400G-Transceiver wird nicht per Softwareupdate zu 800G oder 1.6T – es wird neue Hardware benötigt: neue Laser, leistungsfähigere DSPs, bessere Kühlung, präzisere Fertigung.
Wichtig ist, dass sich die Branche auf gemeinsame Standards einigt – ein Transceiver eines Herstellers funktioniert grundsätzlich auch in einem Switch eines anderen Herstellers, vergleichbar mit einem USB-Standard. Ohne gemeinsame Vorgaben wäre der Aufbau großer Rechenzentren unnötig kompliziert und teuer.
Der Transceiver ist das fertige Produkt, in dem viele der zuvor besprochenen Photonics-Technologien zusammenkommen. Der wichtigste Gedanke aus diesem Teil: Je größer AI-Cluster werden, desto mehr Transceiver werden benötigt – und jeder zusätzliche Transceiver erzeugt Nachfrage in mehreren Ebenen der Photonics-Lieferkette.
Einer der direkteren Namen in diesem Bereich – entwickelt und produziert optische Transceiver für Rechenzentren, besonders beim Übergang zu 800G und 1.6T.
Deutlich breiter aufgestellt – produziert nicht nur fertige Transceiver, sondern auch viele der benötigten Komponenten wie Laser und Photodetektoren.
Bietet ebenfalls Transceiver und wichtige optische Komponenten an – Kombination aus fertigen Modulen und eigener Laserkompetenz.
Weniger der bekannte Markenname auf dem fertigen Modul, aber ein wichtiger Fertigungspartner der Optics-Industrie.
Großer Fertigungs- und Supply-Chain-Partner, baut sein Photonics-Geschäft aus (u.a. 1.6T-Transceiver) – durch die Zusammenarbeit mit Sivers (Laser) besonders interessant.
Bietet über sein Optical-Networking-Geschäft steckbare optische Module an – durch die Übernahme von Infinera breiter aufgestellt.
Liefert Lasertechnologie, die innerhalb eines Transceivers eingesetzt werden kann.
Entwickelt DSPs und andere Chips, die die Signale innerhalb des Moduls verarbeiten.
Liefert unter anderem Laser-Driver und Empfängerelektronik.