《Symmetry》：ThermIC: Physics-Informed Graph Reinforcement Learning for Thermal–Mechanical Co-Optimization in 3D-IC Placement
编辑推荐：
在三维集成电路（3D-IC）中，从二维线长视角看似可接受的布局决策在堆叠后仍可能产生局部热或应力问题。随着层数和垂直互连密度的增加，该问题变得更加明显。研究人员提出ThermIC，一种将热和机械风险估计纳入布局循环而非仅作为布局后检查的布局框架。ThermIC
在三维集成电路（3D-IC）中，从二维线长视角看似可接受的布局决策在堆叠后仍可能产生局部热或应力问题。随着层数和垂直互连密度的增加，该问题变得更加明显。研究人员提出ThermIC，一种将热和机械风险估计纳入布局循环而非仅作为布局后检查的布局框架。ThermIC的创新之处不在于将图神经网络（GNN）、强化学习（RL）、不确定性感知学习或物理信息正则化视为独立的新技术，而在于其提出一种布局时耦合机制，即物理类型图传播、密集多约束风险预测和动作级强化学习反馈被联合组织用于堆叠3D-IC布局。ThermIC使用异构图编码器通过网表携带热、应力、时序和拥塞信息；一个约束头用于估计局部热点、应力风险、时序违例和拥塞概率；以及一个用物理信息惩罚训练的序列化布局策略。研究人员在ThermIC-Bench上评估该方法，该基准包含来自18个4-8层异构3D-IC设计的超过30,000个有限元（FEM）样本的模拟语料库。由于本研究不包含专有工业电路、硅片测量或流片案例，实验结果被解释为基于模拟的基准证据而非最终工业验证。ThermIC将热核分支与离散化热传导方程相连，将应力滤波分支与线性热弹性平衡相连，为物理可解释性提供机制级基础。该分析区分了离线模拟/训练成本与在线部署成本，并报告了实际大规模使用中的复杂度、运行时间和内存扩展。在联合设计规则检查（DRC）、热-机械应力和热耦合时序检查下，ThermIC获得83.2%的物理验证通过率。峰值温度误差为3.7°C，热点定位交并比（IoU）为0.89，相对于启发式基线，布局闭合迭代次数减少6.2倍。这些基准结果表明，早期、可微的多物理场反馈可以减少3D布局对后期修正循环的依赖。
**论文解读：ThermIC——面向3D-IC布局的热-机械协同优化框架**
**研究背景与问题**
随着后摩尔时代异构集成与3D芯片堆叠技术的普及，系统级性能持续提升，但三维集成电路（3D-IC）的布局设计面临严峻挑战。传统2D布局中，热分析通常被推迟到布局后验证阶段，仅依赖简化热阻网络近似峰值温度。然而，在堆叠设计中，热界面材料（TIM）与微凸点接口限制了垂直散热，导致局部热点和层间梯度。此外，铜互连（CTE≈17 ppm/°C）、硅基板（CTE≈2.6 ppm/°C）与封装材料之间的热膨胀系数（CTE）失配会引发热-机械应力集中，进而影响时序闭合、泄漏电流和电迁移可靠性。现有热约束布局方法多基于解析近似或规则驱动启发式，将热、应力、时序等约束分开处理，导致频繁的布局后修正循环。因此，亟需一种在布局阶段即融入多物理场风险反馈的协同优化方法。论文发表在《Symmetry》。
**主要技术方法**
研究人员提出ThermIC框架，核心包含三个模块：多物理场图编码器（MPGE）将3D堆叠网表构建为异构多物理场图，分别对信号、电源/电流、热传导和应力传播四种边类型进行独立消息传递，并引入热核传播与各向异性应力滤波以显式建模热扩散与热弹性力学；物理约束头（PCH）作为快速有限元（FEM）替代模型，通过四个并行的预测分支（温度、应力、时序违例、拥塞）输出密集局部风险场，并伴有不确定性校准；热-应力强化学习智能体（TSRL）基于多头部注意力（MHA）与门控循环单元（GRU）的PPO网络，在序列化布局动作中融合PCH风险场作为奖励信号，并引入物理信息正则化惩罚。训练基于ThermIC-Bench数据集（包含18个4-8层异构设计，超过30,000个FEM样本），采用两阶段流水线：第一阶段监督预训练MPGE与PCH，第二阶段联合RL微调。
**研究结果**
1. **物理验证通过率**：在ThermIC-Bench上，联合DRC、热-机械应力和热耦合时序检查的物理验证通过率从启发式基线的48.3%提升至82.1%，迭代次数减少6.2倍。与GNN+Heuristic、RL-NoPhysics、ThermIC-NoPCH等消融变体相比，完整ThermIC的增益最大，证明PCH密集约束预测的贡献最为显著。
2. **可扩展性**：跨20倍单元数增长（从10k到200k），ThermIC维持通过率≥77%，最差下降10.5个百分点，而启发式基线下降22.7%。运行时开销相对于RL-NoPhysics仅增加约5%，主要来自PCH前向传播。
3. **热-机械约束预测精度**：相比CNN替代模型，ThermIC PCH将温度场平均绝对误差（MAE）从4.5°C降至3.7°C，热点IoU从0.71提升至0.89；应力场MAE从28.4 MPa降至14.6 MPa，风险区域F1分数从0.73提升至0.88。热核机制与各向异性应力滤波分别贡献显著，机制级诊断验证了它们与离散热传导方程及线性热弹性平衡的一致性。
4. **消融实验**：去除PCH导致通过率下降最大（从82.1%至74.2%），去除物理信息正则化降至76.3%，共享参数边类型使干扰指数升高且通过率最低，证实了独立参数化与物理子空间划分的必要性。
5. **堆叠深度分析**：从4层到8层，ThermIC通过率从86.9%降至78.7%，而启发式从58.5%降至39.9%，RL-NoPhysics从72.9%降至61.1%，表明热核分支有效传递层间热信息。
6. **TSV密度效应**：ThermIC PCH温度MAE与TSV密度的相关性（ρ=0.38）弱于Flat GNN（ρ=0.67），各向异性应力滤波在高TSV密度区域（如聚集阵列）将应力MAE从27.6 MPa降至19.9 MPa。
7. **奖励系数敏感性**：在Pareto选点附近，联合通过率变化范围小于3%，局部鲁棒；极端权重下会退化，需针对新设计族重复验证集选择。
**讨论与结论**
研究表明，ThermIC的核心价值在于将可微的多物理场风险反馈嵌入布局决策循环，而非替代签核仿真。在基准设置中，这减少了后期修正循环次数，但生产部署仍需验证专有设计规则与工业签核工具。当前版本未显式建模电迁移（EM）或材料退化，因缺乏签核级标签，未来需引入EM头。局限性包括：替代模型存在残余误差（3.7°C）、序列化布局对紧密耦合单元组可能低效、基准覆盖工艺节点有限。结论部分强调：ThermIC在模拟基准上实现了83.2%的3D物理验证通过率，峰值温度误差3.7°C，热点IoU 0.89，迭代次数减少6.2倍。这些结果支持将物理结构化风险预测用于3D-IC布局闭环优化，但外部有效性需通过独立公共/工业基准、硅片传感器测量或流片反馈进一步验证。
