⚡ electrical engineering

Cooling Channel Design Optimization for High Power Multi-chip Packages

Dieser Beitrag stellt ein physikbasiertes Berechnungsframework vor, das ein poröses Medienmodell und eine surrogate-basierte gemischt-ganzzahlige quadratische Programmierung nutzt, um interdigitale Kühlkanalanordnungen für Hochleistungs-Multi-Chip-Packages wie das NVIDIA GB200 zu optimieren und im Vergleich zu Basisdesigns signifikante Reduktionen der Spitzen- und Durchschnittschiptemperaturen zu erzielen.

Ursprüngliche Autoren: Michael Acquah, Zheng Liu

Veröffentlicht 2026-05-21

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Michael Acquah, Zheng Liu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie haben einen superschnellen, hochleistungsfähigen Computerchip. Er ist wie ein Rennwagenmotor, der so heiß läuft, dass er sein eigenes Armaturenbrett schmelzen könnte. In modernen Computern sind diese „Motoren" nicht nur ein einziger großer Block; sie sind oft ein Team verschiedener Prozessoren (wie Grafikprozessoren oder GPUs), die gemeinsam auf einer einzigen quadratischen Platte arbeiten. Das Problem? Sie erzeugen so viel Wärme, dass sie, wenn sie nicht gekühlt werden, langsamer werden oder kaputtgehen.

Dieser Artikel handelt davon, ein besseres „Klimaanlagen-System" für diese Computerchips zu entwerfen, das jedoch statt Luft winzige Kanäle mit flüssigem Kühlmittel verwendet, die direkt unter den Chips verlaufen.

Hier ist die Aufschlüsselung dessen, was die Forscher getan haben, unter Verwendung einfacher Analogien:

1. Das Problem: Das „Hot Spot"-Dilemma

Stellen Sie sich den Computerchip als Küchenboden vor. Sie haben zwei riesige Öfen (die GPUs) und einen kleineren Ofen (die CPU), die darauf stehen. Wenn Sie einfach nur einen einzelnen, dünnen Schlauch mit kaltem Wasser gerade über den Boden legen, ist das Wasser am Anfang des Schlauchs eiskalt, aber bis es die Öfen am Ende erreicht, ist es bereits warm und nutzlos. Die Öfen in der Mitte werden glühend heiß, weil das Wasser nicht mehr kalt genug ist, um sie zu bewältigen. Dies erzeugt „Hot Spots", die die Geräte beschädigen können.

2. Die Lösung: Ein intelligentes, flexibles Wassernetzwerk

Die Forscher haben nicht einfach geraten, wo die Wasserschläuche platziert werden sollen. Sie bauten einen digitalen Simulator (ein virtuelles Testlabor), um das perfekte Layout zu ermitteln.

Der „poröse" Trick: Anstatt jeden einzelnen Wassertropfen zu modellieren (was auf einem Computer ewig dauern würde), behandelten sie den Wasserfluss wie einen Schwamm. Sie verwendeten ein vereinfachtes mathematisches Modell, das verfolgt, wie sich das Wasser beim Vorbeiziehen zeilenweise über den Chip erwärmt.
Das „interdigitale" Design: Stellen Sie sich vor, die Kühlkanäle sind nicht nur gerade Linien. Sie sind wie ein Kamm, dessen Zähne ihre Form ändern können. Die Forscher konnten drei Hauptdinge in ihrem virtuellen Design verändern:
1. Wie viele Zähne (Anzahl der Kanäle).
2. Wie breit die Zähne sind (Kanalleite).
3. Wie sehr sich die Zähne über die heißen Öfen ausbreiten (Ausbreitungsbreite).

3. Die „magische" Optimierung

Jede mögliche Kombination von Schlauchbreiten und -anzahlen zu testen, würde Jahre dauern. Daher verwendeten die Forscher ein Surrogatmodell.

Die Analogie: Stellen Sie sich vor, Sie wollen das beste Rezept für einen Kuchen finden. Anstatt 1.000 Kuchen zu backen, backen Sie 116 davon, probieren sie und verwenden dann ein intelligentes Computerprogramm, um basierend auf diesen 116 Ergebnissen zu erraten, wie das perfekte Rezept aussehen würde.
Sie führten 116 virtuelle Tests durch, lehrten den Computer das Muster und baten den Computer dann, das absolut beste Design mathematisch zu finden.

4. Die Ergebnisse: Vom Schmelzen zur Kühlung

Sie verglichen ihr neues, optimiertes Design mit einem „Basisfall" (ein Standard-, Durchschnittsdesign).

Der Basisfall: Das Standarddesign war schrecklich. Der heißeste Teil des Chips erreichte 220°C (428°F). Das ist heißer als ein Pizzaofen!
Das optimierte Design: Indem sie die Kühlkanäle speziell über den heißesten Teilen (den GPUs) verbreiterten und die Anzahl der Kanäle anpassten, senkten sie den heißesten Punkt auf 79,9°C (175°F).
Die Einsparung: Sie senkten die Spitzentemperatur um 140°C. Das ist ein enormer Unterschied.
Die Sicherheitszone: Das neue Design hielt den gesamten Chip unter 95°C, was die für diese Hochleistungsprozessoren empfohlene „Sicherheitszone" ist.

5. Warum es funktionierte

Das Geheimnis bestand nicht darin, einfach mehr Wasser hinzuzufügen; es lag daran, wo das Wasser hinging.

Der Computer erkannte, dass sich das Wasser wie ein breites Netz direkt über den heißesten Öfen (den GPUs) ausbreiten muss, um die Wärme schnell aufzusaugen.
Er erkannte auch, dass das Wasser wärmer wird, je weiter es reist, sodass das Design diesen „Aufwärm"-Effekt berücksichtigen musste, um sicherzustellen, dass das Wasser am Ende der Leitung immer noch kalt genug war, um seine Arbeit zu verrichten.

Zusammenfassung

Der Artikel präsentiert eine neue Art, Kühlsysteme für leistungsstarke Computerchips zu entwerfen. Indem sie ein intelligentes Computermodell verwendeten, um verschiedene Formen von Wasserkanälen zu testen, fanden sie ein Layout, das den Chip vor Überhitzung bewahrt. Sie bewiesen, dass sie durch die Anpassung der Kühlkanäle, um den heißesten Teilen des Chips zusätzliche Aufmerksamkeit zu schenken, die Temperatur von einem „gefährlichen Schmelzpunkt" auf ein „sicheres Betriebsniveau" senken konnten.

Wichtigste Erkenntnis: Sie brauchen nicht einfach mehr Kühlung; Sie brauchen intelligentere Kühlung, die genau weiß, woher die Wärme kommt und das kalte Wasser genau über diese Stellen verteilt.

Technische Zusammenfassung: Optimierung des Kühlkanal-Designs für Hochleistungs-Multi-Chip-Packages

Problemstellung
Moderne Hochleistungsrechnersysteme, insbesondere heterogene Multi-Chip-Packages wie der NVIDIA GB200 Grace Blackwell Superchip, stehen aufgrund zunehmender Leistungsdichten in GPUs und KI-Beschleunigern vor kritischen Herausforderungen im thermischen Management. Herkömmliche Kühlmethoden sind für die erzeugten hohen Wärmestromdichten oft unzureichend, und bestehende rechnerische Studien stützen sich häufig auf vereinfachte thermische Modelle, die den Kühlmitteltransport innerhalb von Kanalnetzwerken nicht explizit abbilden. Diese Auslassung kann zu ungenauen Vorhersagen thermischer Inhomogenitäten und Hotspot-Bildung führen, insbesondere in Geometrien, bei denen die Kühlmittelverbindung die thermische Leistung direkt beeinflusst. Die spezifische Herausforderung, die in dieser Arbeit adressiert wird, ist die Optimierung eingebetteter Mikrokanalanordnungen für ein repräsentatives Multi-Chip-Package (zwei GPUs und eine CPU), um die Spitzen- und Durchschnittstemperaturen der Chips zu minimieren und gleichzeitig physikalische Realitätsnähe hinsichtlich der Kühlmittelheizung und -verteilung zu gewährleisten.

Methodik
Die Autoren entwickelten ein physikbasiertes rechnerisches Framework, das stationäre Wärmeleitung in der Ebene mit einer reduzierten Darstellung des Kühlmitteltransports koppelt. Die Methodik umfasst folgende Schlüsselkomponenten:

Thermisches Modell: Die Substrattemperatur wird durch eine stationäre Energiebilanzgleichung bestimmt, die Leitung mit konvektiver Wärmeabfuhr koppelt. Der effektive Wärmeübergangskoeffizient ist räumlich variabel und wendet eine verstärkte Kühlung nur innerhalb der Kanalregionen an, während ein schwacher Hintergrundkühlwert über das gesamte Substrat aufrechterhalten wird.
Kühlmitteltransport: Um die thermische Entwicklung der Flüssigkeit ohne die Rechenkosten einer vollständigen 3D-CFD zu erfassen, verwendet das Modell eine zeilenweise Energiebilanz des Kühlmittels. Während die Flüssigkeit durch den Verteiler strömt, wird ihre Temperatur basierend auf der Wärme aktualisiert, die sie in vorangehenden Reihen vom Substrat aufgenommen hat, wodurch berücksichtigt wird, dass die reduzierte Kühlkapazität wärmerer Flüssigkeit nahe dem Auslass berücksichtigt wird.
Design-Parametrisierung: Die Kühlarchitektur wird als ineinandergreifendes Layout definiert, das durch drei geometrische Variablen parametrisiert ist: die Anzahl der Kanäle ( $N$ ), die Kanalbreite ( $W$ ) und die Erweiterungsbreite über Chipregionen ( $E$ ). Der Designraum ist so eingeschränkt, dass Symmetrie und physikalische Realisierbarkeit gewährleistet sind (z. B. muss die Erweiterungsbreite größer oder gleich der Kanalbreite sein).
Optimierungsstrategie: Aufgrund der nichtlinearen Kopplung zwischen Wärmeleitung und Fluidtransport ist eine direkte Optimierung rechnerisch prohibitiv. Die Autoren wenden einen surrogate-basierten Ansatz an. Ein vollfaktorieller Versuchsplan (116 Kandidatendesigns) wird mit dem vollständigen physikbasierten Solver simuliert. Diese Ergebnisse trainieren quadratische Surrogatmodelle, um die Beziehung zwischen geometrischen Parametern und thermischen Kenngrößen ( $T_{max}$ und $T_{avg}$ ) zu approximieren. Das Optimierungsproblem wird dann unter Verwendung eines Mixed-Integer Quadratic Programming (MIQP)-Algorithmus über den Gurobi Optimizer gelöst, um eine gewichtete Zielfunktion zu minimieren, die die Reduzierung der Spitzentemperatur priorisiert.

Hauptbeiträge
Die Arbeit beansprucht zwei primäre Beiträge:

Die Entwicklung eines gekoppelten thermischen Modells, das stationäre Wärmeleitung mit einer reduzierten Darstellung des Kühlmitteltransports integriert, die speziell für Multi-Chip-Systeme zugeschnitten ist.
Die Etablierung eines optimierungsgetriebenen Kanal-Design-Frameworks, das Kühlanordnungen identifiziert, die unter realistischen Betriebsbedingungen die Spitzen- und Durchschnittstemperaturen der Chips signifikant senken können, und damit über feste Kanallayouts hinausgeht zu einem parametrischen, optimierungsbasierten Ansatz.

Ergebnisse
Das Framework wurde auf ein 120 mm × 120 mm großes Substrat angewendet, das zwei GPUs (jeweils 1200 W) und eine CPU (300 W) enthält.

Basisleistung: Eine symmetrische, vom Verteiler gespeiste Konfiguration mit moderater Kanalbreite und begrenzter Erweiterung ergab eine maximale Chiptemperatur ( $T_{max}$ ) von 220,36 °C und eine Durchschnittstemperatur ( $T_{avg}$ ) von 102,14 °C.
Optimierte Leistung: Der MIQP-Algorithmus identifizierte eine optimale Konfiguration mit 7 Kanälen, einer Breite von 4 mm und einer Erweiterungsbreite von 28 mm. Dieses Design erreichte eine $T_{max}$ von 79,91 °C und eine $T_{avg}$ von 66,27 °C.
Verbesserung: Im Vergleich zur Basis reduzierte das optimierte Design die Spitzentemperatur um 140,45 °C und die Durchschnittstemperatur um 35,87 °C.
Physikalische Relevanz: Das optimierte Design hält Temperaturen weit unter der empfohlenen Betriebsgrenze von 95 °C für Hochleistungsprozessoren. Die Ergebnisse unterstreichen, dass die Erhöhung der Kühlungsabdeckung speziell in GPU-Regionen (durch Kanalerweiterung) der dominierende Faktor bei der Hotspot-Minderung ist, während eine ausgeglichene Strömungsverteilung für die allgemeine Gleichmäßigkeit weiterhin kritisch bleibt. Die Surrogatmodelle zeigten eine hohe Genauigkeit mit Root-Mean-Square-Errors (RMSE) von 8,051 °C für $T_{max}$ und 2,442 °C für $T_{avg}$ .

Bedeutung
Die Autoren positionieren diese Arbeit als Bereitstellung eines „praktischen und erweiterbaren Ansatzes" für topologiebewusstes Kühlungsdesign in fortschrittlichen elektronischen Verpackungssystemen. Die Bedeutung liegt darin, zu demonstrieren, dass die Kombination reduzierter thermischer Modellierung mit mathematischer Optimierung effektiv Kühltopologien identifizieren kann, die die thermische Leistung drastisch verbessern, ohne die prohibitiven Kosten einer vollständigen CFD-basierten Optimierung. Die Studie validiert, dass eine systematische Designexploration, die durch physikalische Relevanz (wie Kühlmittelheizung und lokalisierte Erweiterung) eingeschränkt ist, Designs hervorbringen kann, die die strengen thermischen Anforderungen heterogener Computing-Packages der nächsten Generation erfüllen. Die Autoren weisen darauf hin, dass zukünftige Arbeiten dieses Framework auf CFD-Validierung mit höherer Auflösung, transiente Analysen und größere Systeme im Rechenzentrumsumfang erweitern könnten.