DeepOHeat-v1:高效的算子学习方法,用于实现3D集成电路设计中的快速且可靠的热仿真与优化

《IEEE Transactions on Components, Packaging and Manufacturing Technology》:DeepOHeat-v1: Efficient Operator Learning for Fast and Trustworthy Thermal Simulation and Optimization in 3D-IC Design

【字体: 大 中 小 】 时间:2026年01月21日 来源:IEEE Transactions on Components, Packaging and Manufacturing Technology 4

编辑推荐:

  3D集成电路热分析效率优化与多尺度建模研究,提出DeepOHeat-v1框架,通过Kolmogorov–Arnold网络与可学习激活函数实现误差降低1.25倍和6.29倍,采用分离训练方法提升62倍训练速度和31倍内存效率,并引入置信度评分和混合优化流程,使整体优化速度提升70.6倍,有效降低峰值温度。

  

摘要:

由于功率密度的增加和复杂的散热路径,热分析在三维集成电路(3D-IC)设计中至关重要。尽管像DeepOHeat这样的操作学习框架在加速热仿真方面展示了有希望的初步结果,但它们在预测多尺度热模式、训练效率以及设计优化过程中的结果可信度方面存在关键限制。本文介绍了DeepOHeat-v1,这是一个改进的基于物理的操作学习框架,通过三项关键创新解决了这些问题。首先,我们将Kolmogorov–Arnold网络(KANs)与可学习的激活函数结合使用作为主干网络,实现了对多尺度热模式的自适应表示。这种方法在两个代表性测试案例中分别将误差降低了1.25倍和6.29倍。其次,我们引入了一种可分离的训练方法,该方法沿坐标轴分解基函数,在我们的基线案例中实现了62倍的训练速度提升和31倍的GPU内存减少,使得在之前因GPU内存限制而无法实现的热分析成为可能。第三,我们提出了一种置信度评分来评估预测结果的可信度,并进一步开发了一种混合优化工作流程,该流程将操作学习与有限差分(FD)结合使用广义最小残差法(GMRES)进行增量解的精细化,从而实现了高效且可信的热优化。实验结果表明,DeepOHeat-v1的准确性与使用高保真FD求解器的优化结果相当,同时将整个优化过程的速度提高了70.6倍,通过最优放置发热组件有效降低了峰值温度。开源代码可在https://github.com/xlyu0127/DeepOHeat-v1获取

引言

三维集成电路(3D-IC)是解决半导体芯片扩展挑战的一个有前景的方案[2]。虽然多层有源硅层的垂直堆叠能够实现更高的集成密度和更好的系统性能[3],但也引入了关键的热管理挑战[4]、[5]、[6]。一层中产生的热量必须穿过多层才能到达散热器,从而形成热瓶颈和潜在的可靠性问题[7]。解决这些热挑战需要在设计阶段进行广泛的分析和优化。这一过程涉及为众多设计配置求解偏微分方程,计算量非常大。传统的数值方法,如有限元方法和有限差分(FD)方法虽然准确,但对于迭代设计优化来说耗时过长[6]、[8]、[9]。这促使人们开发了各种替代模型,包括模型阶数简化[10]、[11]和数据驱动方法[12]、[13]、[14]。最近在多尺度热建模方面的进展,如[15]提出的基于ROM的方法,展示了在3D-IC热分析中捕捉不同长度尺度的重要性。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号