COOL: A Cooling-Aware Point Transformer Framework for Thermal Prediction in Advanced 3D/3.5D IC Packaging
تقدم هذه الورقة COOL، وهو إطار عمل للمحول النقطي (point transformer) المدرك للتبريد، والذي يمثل تغليف الدوائر المتكاملة ثلاثي الأبعاد/3.5D كسحب نقطية مشروحة مع شروط حدودية مستندة إلى الفيزياء لتحقيق تنبؤ حراري عالي الدقة مع تسريع كبير مقارنة بالمحللات التقليدية، مع معالجة الاقتران بين القوالب وهياكل التبريد الديناميكية بفعالية.
تصبح الإلكترونيات الحديثة كثيفة للغاية، حيث تدمج قدرات حوسبة أكبر في مساحات أصغر من أي وقت مضى. ولتحقيق ذلك، يقوم المهندسون الآن بتكديس طبقات متعددة من الرقائق الحاسوبية فوق بعضها البعض، مما يخلق هياكل ثلاثية الأبعاد معقدة. وبينما يعزز هذا التكديس الأداء، فإنه يخلق مشكلة فيزيائية كبيرة: الحرارة. فعندما تعمل هذه الطبقات الدقيقة، فإنها تولد حرارة شديدة يجب أن تتسرب بسرعة، وإلا سيتعطل الجهاز. في الماضي، كان بإمكان المهندسين الاعتماد على برامج حاسوبية قياسية لمحاكاة كيفية انتقال الحرارة عبر هذه الطبقات، لكن هذه المحاكاة كانت بطيئة للغاية؛ إذ غالبًا ما تتطلب ساعات لنمذجة تصميم واحد، مما يجعل من المستحيل اختبار آلاف المتغيرات بسرعة. ومع ازدياد تعقيد تصميمات الرقائق، بوجود مواد وأنظمة تبريد مختلفة متراكمة معًا، أصبحت الأساليب القديمة بطيئة جدًا بحيث لا تستطيع مواكبة وتيرة الابتكار.
لقد طور فريق من الباحثين في جامعة هونغ كونغ للعلوم والتكنولوجيا نهجًا جديدًا لحل هذه العقبة. فقد أنشأوا نظامًا يسمى COOL، يستخدم نوعًا من الذكاء الاصطناعي للتنبؤ بأنماط درجات الحرارة في حزم الرقائق المتقدمة هذه بشكل فوري تقريبًا. وبدلاً من تقسيم الشريحة إلى شبكة صلبة من المربعات الصغيرة، كما تفعل البرامج التقليدية، يتعامل COOL مع الهيكل بأكره كأنه سحابة من النقاط الفردية. تخيل النظر إلى منحوتة ليس ككتلة صلبة، بل كمجموعة من ملايين النقاط الصغيرة، حيث تعرف كل نقطة بالضبط المادة التي صُنعت منها، وكمية الحرارة التي تولدها، ونوع السطح الذي تلامسه. ومن خلال تغذية هذه السحابة من المعلومات في نموذج تعلم متخصص، يمكن للنظام فهم كيفية تدفق الحرارة عبر المواد والطبقات المختلفة دون الحاجة إلى بناء شبكة تفصيلية بطيئة أولاً.
وجد الباحثون أن هذه الطريقة ليست سريعة فحسب، بل هي دقيقة بشكل ملحوظ أيضًا. ففي اختباراتهم، تنبأ النظام بتوزيعات درجات الحرارة بمعدل خطأ قدره 2.4 بالمائة فقط، وهو مستوى من الدقة يضاهي أفضل أدوات المحاكاة التقليدية. والأهم من ذلك، أنه حقق ذلك في جزء ضئيل من الوقت؛ فبينما استغرق برنامج محاكاة تجاري قياسي قرابة ثلاث دقائق لتحليل تصميم واحد، أكمل النظام الجديد المهمة نفسها في أقل من اثني عشر ثانية. ويمثل هذا تسريعًا يزيد عن خمسة عشر ضعفًا، مما يسمح للمهندسين باستكشاف المزيد من خيارات التصميم في الوقت الذي كان يُستغرق فيه لاختبار تصميم واحد فقط. ويعد النظام فعالًا بشكل خاص لأنه صُمم لفهم التحديات المحددة لتغليف الرقائق الحديثة، مثل كيفية انتقال الحرارة بين الرقائق المكدسة وطرق تفاعل هياكل التبريد، مثل موزعات الحرارة، مع الطبقات الموجودة أسفلها.
غالبًا ما أخفقت المحاولات السابقة لاستخدام الذكاء الاصطناعي لهذه المهمة لأنها كانت تعامل الشريحة كطبقة مسطحة واحدة أو تفترض أن أنظمة التبريد ثابتة وغير متغيرة. وقد عانت هذه النماذج القديمة عند مواجهة الواقع المعقد والمتغير لرقائق الـ 3D والـ 3.5D الحديثة، حيث يمكن أن يتغير سمك المواد وترتيب الطبقات بشكل متكرر أثناء عملية التصميم. ومع ذلك، فإن الإطار الجديد يتعلم صراحةً التعرف على هذه المتغيرات؛ فهو يفهم أن الحد الفاصل بين مادتين مختلفتين، أو السطح الذي يبرد الشريحة بواسطة الهواء، يتبع قواعد فيزيائية محددة. ومن خلال تدريب النظام على احترام هذه الحدود الفيزيائية، ضمن الباحثون أن تظل التنبؤات واقعية حتى عندما يتغير التصميم.
تحقق الفريق من نتائجهم من خلال إنشاء مجموعة بيانات ضخمة من تصميمات الرقائق المتنوعة، مع تغيير كل شيء بدءًا من عدد الطبقات المكدسة وصولًا إلى سمك مواد التبريد. وقد اختبروا النظام ضد تصميمات لم يسبق له رؤيتها من قبل، وقد تفوق باستمرار على الأساليب القائمة على التعلم الأخرى التي تعتمد على هياكل شبكية أبسط. وتشير النتائج إلى أن هذا النهج القائم على النقاط يمكنه التعامل مع التعقيد الهندسي لتغليف العالم الحقيقي، حيث يجب أن تنتقل الحرارة عبر السيليكون والنحاس ومختلف المواد اللاصقة في أنماط غير منتظمة. ومن خلال استبدال الخطوات اليدوية البطيئة للمحاكاة التقليدية بعملية تعلم آلية وسريعة، يوفر هذا العمل مسارًا عمليًا نحو تصميم الجيل القادم من الإلكترونيات عالية الأداء. فهو يسمح للمهندسين بالتحقق من أن رقائقهم لن ترتفع درجة حرارتها بشكل مفرط قبل بنائها فعليًا، مما قد يوفر الوقت والموارد في السباق نحو ابتكار أجهزة أسرع وأكثر قوة.
ملخص تقني: COOL – إطار عمل محول نقطي مدرك للتبريد للتنبؤ الحراري في التغليف المتقدم للدوائر المتكاملة ثلاثية الأبعاد و3.5D
بيان المشكلة تتيح تقنيات تغليف الدوائر المتكاملة (IC) المتقدمة ثلاثية الأبعاد (3D) و3.5D كثافة تكامل عالية، ولكنها تفرض تحديات شديدة في الإدارة الحرارية. وتشمل هذه التحديات الاقتران الحراري المعقد عبر الطبقات، والتركيبات المادية غير المتجانسة (مثل السيليكون، والمواد الواصلة حرارياً TIMs، والوسائط Interposers)، وهياكل التبريد الديناميكية. تعتمد التحليلات الحرارية التقليدية على حلول طريقة العناصر المحدودة (FEM) أو طريقة الفروق المحدودة (FDM) (مثل COMSOL وANSYS Icepak). ورغم دقتها، إلا أن هذه الطرق مكلفة حاسوبياً، حيث تتطلب غالباً ساعات لمحاكاة مسار طاقة واحد، وتتطلب جهداً يدوياً كبيراً لنمذجة الهندسة والتشبيك (Meshing). وهذا يجعلها غير عملية لاستكشاف فضاء التصميم التكراري.
تحاول طرق التنبؤ الحراري القائمة على التعلم الحالية تسريع هذه العملية، لكنها تواجه قيوداً حرجة في سيناريوهات التغليف المتقدمة:
الفشل في التقاط الاقتران بين الرقائق (Inter-die coupling): تتعامل العديد من النماذج (مثل DeepOHeat وASRR-PINN) مع الأنظمة كرقائق منفردة أو تفترض خرائط طاقة موحدة عبر الطبقات، مما يؤدي إلى الفشل في نمذجة انتشار الحرارة الرأسي بين الرقائق المكدسة.
التعامل الاستاتيكي مع هياكل التبريد: غالباً ما تعامل الأطر الحالية مكونات التبريد (موزعات الحرارة، المواد الواصلة حرارياً TIMs) كشروط حدودية ثابتة ومحددة مسبقاً بدلاً من كونها عناصر تصميم مرنة ذات سماكة وخصائص مادية متغيرة. هذا الجمود يمنع التعميم عبر تكوينات التغليف المتنوعة.
المنهجية يقترح المؤلفون COOL، وهو إطار عمل مدرك للتبريد ومعتمد على البيانات، يقوم بنمذجة المجال الحراري بأكمله (الرقائق، العبوات، وهياكل التبريد) كـ "سحابة نقاط" ثلاثية الأبعاد موحدة وموسومة. يتكون الإطار من ثلاثة مكونات أساسية:
تمثيل سحابة النقاط وتشفير الميزات:
بدلاً من الشبكات الثابتة، يمثل COOL التجميعات غير المتجانسة كمجموعة من النقاط ثلاثية الأبعاد (N≈3×105 لكل تصميم).
تشفير المواد ثنائي النطاق: لتمييز الخصائص الفيزيائية المتداخلة، يتم تشفير المواد عبر معرف فئوي (One-hot) مدمج مع سمات فيزيائية مستمرة (الموصلية الحرارية kiso، السعة الحرارية Cp، والكثافة ρ).
تمثيل الطاقة ثلاثي القنوات: يتم تشفير تبدد الطاقة باستخدام المقدار الخام، وعلامة ثنائية للحالة (نشط/خامل)، وتحويل لوغاريتمي للطاقة للتعامل مع التوزيعات المتباعدة والذات الذيول الطويلة.
الميزات الهندسية والحدودية: يتم وسم النقاط بمعرفات نطاق الهندسة وعلامات محددة لعمليات الحمل الحراري (Robin) والحدود الأديباتية (Neumann).
بنية المحول النقطي الهرمي (Hierarchical Point Transformer):
المُشفر (Encoder): يستخدم استراتيجية "الانتقال للأسفل" (Transition Down - TD). وخلافاً لطريقة اختيار النقطة الأبعد (FPS) القياسية، يستخدم COOL طريقة اختيار النقطة الأبعد المدركة لدرجة الحرارة (TA-FPS)، والتي توجه أخذ العينات نحو المناطق الحرارية الحرجة (البقع الساخنة، الواجهات) بناءً على درجة مركبة من تدرجات الحرارة، وكثافة الطاقة، ومؤشرات الحدود.
كتل المحول النقطي (Point Transformer Blocks): تستخدم هذه الكتل آليات الانتباه لتجميع ميزات الجوار المحلي، مما يسمح للشبكة بإعطاء الأولوية للجيران الذين يؤثرون بشكل كبير على انتقال الحرارة.
المُفكك (Decoder): يحاكي المُشفر عبر مراحل "الانتقال للأعلى" (Transition Up - TU) باستخدام الاستيفاء الموزون بالمسافة ووصلات التخطي (Skip connections) لاستعادة الدقة الكاملة.
الضبط الحدودي المستند إلى الفيزياء (PI-BC):
لفرض الاتساق الفيزيائي، تجمع دالة الخسارة (L) بين حد البيانات (متوسط الخطأ التربيعي MSE) وحدود التنظيم القائمة على الفيزياء:
التنظيم اللابلاسي (Laplacian Regularization - Lphys): يعاقب القفزات الحرارية غير الفيزيائية داخل نطاقات المواد المتجانسة.
خسارة الشروط الحدودية (LBC): يفرض صراحةً شروط "روبن" (الحمل الحراري) و"نيومان" (الأديباتية) على النقاط السطحية ذات الصلة أثناء التدريب.
المساهمات الرئيسية
أول إطار عمل مدرك للتبريد للدوائر المتكاملة 3D/3.5D: يعد COOL أول طريقة قائمة على التعلم لنمذجة انتقال الحرارة المقترن عبر الرقائق، والعبوات، وهياكل التبريد في آن واحد، مما يلتقط التأثيرات المعتمدة على التصميم مثل الـ TIMs، والـ TSVs، وموزعات الحرارة.
منهجية التعلم القائمة على سحابة النقاط: يقدم البحث تمثيلاً حيث يتم التعامل مع المجال الحراري بأكمله كمجموعة من النقاط المكانية الموسومة بخصائص المادة، والهيكل، والطاقة، مما يتجنب أخطاء التكميم الشبكي.
الضبط الحدودي المستند إلى الفيزياء (PI-BC): نظام تدريب مبتكر يحقن فيزياء الحدود (روبن/نيومان) مباشرة في دالة الخسارة لتعزيز الدقة عند الواجهات المادية ومناطق البقع الساخنة.
التقييم الشامل: أنشأ المؤلفون مجموعة بيانات متنوعة تضم 740 سيناريو حراري تغطي 74 تكويناً فريداً لتغليف 3D/3.5D مع متغيرات هيكلية وتبريدية مختلفة.
النتائج التجريبية أجريت التجارب على مجموعة بيانات تم إنشاؤها عبر محاكاة FEM، مقسمة إلى 580 عينة للتدريب و160 عينة للاختبار (تقسيم على مستوى التصميم لمنع التسرب).
الدقة: حقق COOL متوسط خطأ مطلق معير (NMAE) بنسبة 2.4% في مجموعة الاختبار، متفوقاً بشكل كبير على النماذج القائمة على النقاط (U-Net: 15.6% NMAE؛ U-Net+SA: 13.7% NMAE).
التقارب: أظهر COOL تقارباً أسرع وأكثر استقراراً، حيث وصل إلى مرحلة ما قبل التقارب بحلول الحقبة (Epoch) 160 مقارنة بالانخفاض الأبطأ للنماذج المرجعية.
السرعة: مقارنة بالمحركات التجارية لـ FEM (التي تستغرق حوالي 189 ثانية لكل تصميم)، يقوم COOL بعملية الاستدلال في 12 ثانية، مما يحقق تسريعًا بمقدار 15.7 ضعفًا.
التصور المرئي: أظهرت النتائج النوعية أن COOL يلتقط بدقة تدرجات الحرعة المكانية وتوزيعات البقع الساخنة في كل من تكوينات 3D المكدسة وتكوينات 3.5D من نوع CoWoS، مع متوسط أخطاء محلية بلغ 0.45 درجة مئوية و0.38 درجة مئوية على التوالي.
الأهمية والادعاءات يزعم البحث أن COOL يوفر حلاً عملياً للتصميم المشترك المدرك حرارياً في التغليف المتقدم للدوائر المتكاملة. ومن خلال نمذجة هياكل التبريد صراحةً كعناصر تصميم ديناميكية بدلاً من حدود ثابتة، ومن خلال الاستفادة من المحولات النقطية للتعامل مع عدم التجانس الهندسي، يسد COOL الفجوة بين سرعة الطرق القائمة على التعلم والدقة المطلوبة للأنظمة المعقدة 3D/3.5D. ويؤكد المؤلفون أن هذا الإطار يتيح تحليلاً حرارياً سريعاً ومؤتمتاً مناسباً لتحسين التصميم التكراري، متجاوزاً الاختناقات التي تفرضها الحلول التقليدية والقيود العامة للنهج السابقة القائمة على التعلم.