IC-ThermBench: An Open, Progressive Benchmark for Generalizable 2.5D/3D-IC Thermal Learning

تعد الحرارة العدو الصامت للحوسبة الحديثة. فبينما تصبح رقائق الكمبيوتر أصغر وأكثر قوة، فإنها تضغط المزيد من الطاقة في مساحات ضئيلة، مما يولد حرارة شديدة يمكن أن تؤدي إلى تشويه الدوائر الدقيقة أو تسبب توقف النظام عن العمل. ولمنع حدوث ذلك، يجب على المهندسين التنبؤ بدقة بمكان تكون البقع الساخنة قبل بناء الرقاقة فعليًا. ولعقود من الزمن، كانت الطريقة الوحيدة الموثوقة للقيال بذلك هي تشغيل عمليات محاكاة فيزيائية معقدة وبطيئة لكل تغيير في التصميم. ومؤخرًا، حاول الباحثون تسريع هذه العملية عبر تعليم الذكاء الاصطناعي تخمين أنماط الحرارة بدلاً من ذلك، آملين أن تتمكن هذه النماذج الرقمية من تعلم قواعد تدفق الحرارة وتقديم إجابات فورية. ومع ذلك، كانت هناك مشكلة رئيسية أعاقت هذا المجال: فبدون مقياس مشترك، يستحيل معرفة ما إذا كان نموذج ذكاء اصطناعي جديد أفضل حقًا من غيره، لأن الجميع كانوا يختبرون ابتكاراتهم باستخدام مجموعات بيانات مختلفة وقواعد مختلفة.

ولحل هذا الارتباك، طور فريق من الباحثين معيارًا مفتوحًا جديدًا يسمى "IC-ThermBench"، صُمم لاختبار مدى قدرة نماذج الذكاء الاصطناعي هذه على التعامل مع الواقع المعقد لتصميم الرقائق. لقد أنشأوا مكتبة مشتركة ضخمة تضم خمسين ألف سيناريو لمحاكاة الرقائق، تغطي كل شيء بدءًا من التصاميم البسيطة والثابتة وصولًا إلى التخطيطات المعقدة والمتغيرة باستمرار حيث تختلف المواد وظروف التبريد والأشكال الفيزيائية. ثم أخضع الباحثون ثمانية نماذج مختلفة من الذكاء الاصطناعي لسلسلة من الاختبارات المتزايدة الصعوبة؛ حيث بدأوا بتصاميم مألوفة سبق للنماذج رؤيتها، ثم طلبوا من النماذج التنبؤ بالحرارة لترتيبات جديدة من نفس الأجزاء الأساسية، وأخيرًا تحدوا النماذج بأنواع جديدة تمامًا من حزم الرقائق التي لم يسبق لها مواجهتها. وكشفت النتائج عن نمط واضح: فبينما استطاعت النماذج التعامل مع التغييرات التدريجية في التصميم والمواد مع انخفاض طفيف فقط في الدقة، إلا أنها واجهت صعوبة هائلة عند مواجهة نوع جديد تمامًا من هياكل الرقائق. وفي هذه المواقف غير المألوفة، أصبحت تنبؤات النماذج غير دقيقة بشكل صارخ، حيث قفزت الأخطاء من أقل من درجة واحدة إلى قرابة ست عشرة درجة. ومع ذلك، وجدت الدراسة أن تزويد النماذج بقدر ضئيل جدًا من المعلومات الجديدة — وتحديدًا بيانات درجات الحرارة لعشر عينات فقط من نوع الرقاقة الجديد — سمح لها باستعادة معظم دقتها المفقودة، مما أعاد معدلات الخطأ إلى مستويات يمكن السيطرة عليها.

إن جوهر هذا العمل هو الإدراك بأن كون النموذج جيدًا في التنبؤ بالحرارة لنوع واحد من الرقائق لا يعني تلقائيًا أن يكون نموذج ذكاء اصطناعي جيدًا في التنبؤ بالحرارة لجميع الرقائق. وقد نظم الباحثون اختباراتهم في خمس مستويات متميزة من الصعوبة. اختبر المستوى الأول النماذج في تصاميم كانت قد درستها بالفعل، ليكون بمثابة خط أساس. وأدخلت المستويات الثلاثة التالية تغييرات قد يواجهها النموذج في العالم الحقيقي: تغيير موقع كتل الحوسبة الصغيرة، واستبدال المواد التي تملأ الفراغات بينها، وتغيير ظروف التبريد الخارجية. وفي هذه السيناريوهات، كان أداء النماذج جيدًا بشكل معقول، مع زيادة تدريجية بطيئة في أخطائها مع ازدياد تعقيد التغييرات. وقد أشار ذلك إلى أن تعلم التعامل مع نطاق أوسع من الظروف الفيزيائية المعروفة يعد مهمة يمكن لهذه الأنظمة إنجازها.

أما الاختبار الحقيقي فقد جاء في المستوى الأخير، حيث قدم الباحثون للنماذج خمس حزم رقائق جديدة تمامًا غائبة تمامًا عن بيانات التدريب. وهذا يشبه مطالبة طاهٍ أتقن المطبخ الفرنسي بأن يطهو فورًا وجبة مثالية من مطبخ لم يره من قبل، باستخدام مكونات لا يتعرف عليها. كانت النتائج صارخة؛ فالنماذج التي كان أداؤها جيدًا في المستويات السابقة فشلت فجأة، حيث ارتفعت أخطاء تنبؤاتها بشكل حاد. فالنموذج الأفضل، الذي كان ينحرف بأقل من درجة واحدة في الاختبارات السابقة، أخطأ الهدف بنحو ست عشرة درجة في هذه الهياكل الجديدة. أثبت هذا الهبوط الحاد في الأداء أن القدرة على التعميم ضمن عائلة معروفة من التصاميم تختلف جوهريًا عن القدرة على التكيف مع نظام جديد تمامًا. كما استبعدت الدراسة صراحةً فكرة أن مجرد جعل نماذج الذكاء الاصطناعي أكبر أو أكثر تعقيدًا ستحل هذه المشكلة؛ إذ لم تتفوق حتى النماذج الأكثر ضخامة في الاختبار على النماذج الأصغر والأكثر كفاءة عند مواجهة هذه التحديات غير المرئية.

كما استكشف الباحثون ما إذا كان من الممكن تعليم هذه النماذج بسرعة للتعامل مع أنواع الرقائق الجديدة. ووجدوا أنه من خلال عرض عشر عينات فقط مصنفة من سلوك درجة حرارة الرقاقة الجديدة، يمكن للنماذج التكيف بسرعة. ومع هذه الكمية الصغيرة من المعلومات الجديدة، انخفضت معدلات الخطأ بشكل كبير، عائدة إلى المستويات القريبة من تلك التي شوهدت في الاختبارات الأولى الأسهل. ويشير هذا إلى أنه بينما لا تستطيع أنظمة الذكاء الاصطناعي هذه تخمين سلوك رقاقة جديدة تمامًا من الصفر بشكل سحري، إلا أنها تستطيع التعلم للقيام بذلك بإرشاد ضئيل جدًا. وتخلص الدراسة إلى أن المسار المستقبلي للنمذجة الحرارية لا يقتصر فقط على بناء ذكاء اصطناعي أكبر، بل يتعلق بإنشاء أنظمة يمكن تكييفها بكفاءة مع التصاميم الجديدة. ومن خلال توفير أرضية اختبار مشتركة وصارمة، يسمح هذا المعيار الجديد للمهندسين بمعرفة أين تنجح هذه النماذج وأين تفشل، مما يضمن بناء أدوات مستقبلية لتصميم الرقائق على أساس من العلم الموثوق والقابل للتكرار، بدلاً من التجارب المنعزلة وغير القابلة للمقارنة.