
-
生物通官微
陪你抓住生命科技
跳动的脉搏
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。
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。