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

गर्मी आधुनिक कंप्यूटिंग की मूक शत्रु है। जैसे-जैसे कंप्यूटर चिप्स छोटे और अधिक शक्तिशाली होते जा रहे हैं, वे बहुत कम जगह में अधिक ऊर्जा समाहित कर रहे हैं, जिससे तीव्र ऊष्मा उत्पन्न होती है जो नाजुक सर्किटों को विकृत कर सकती है या सिस्टम को बंद होने का कारण बन सकती है। इसे रोकने के लिए, इंजीनियरों को यह अनुमान लगाना होता है कि चिप के निर्माण से पहले हॉट स्पॉट्स (गर्म स्थानों) का निर्माण कहाँ होगा। दशकों तक, इसे करने का एकमात्र विश्वसनीय तरीका हर एक डिज़ाइन परिवर्तन के लिए धीमी, जटिल भौतिकी सिमुलेशन चलाना था। हाल ही में, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस (AI) को तापमान पैटर्न का अनुमान लगाने के लिए प्रशिक्षित करके इसे तेज करने का प्रयास किया, इस उम्मीद में कि ये डिजिटल मॉडल ऊष्मा प्रवाह के नियमों को सीख सकेंगे और तत्काल उत्तर दे सकेंगे। हालाँकि, एक बड़ी समस्या ने इस क्षेत्र को पीछे धकेल दिया है: बिना एक साझा मानक के, यह जानना असंभव है कि क्या एक नया AI मॉडल दूसरे से वास्तव में बेहतर है, क्योंकि हर कोई अपने निर्माणों का परीक्षण अलग-अलग डेटा और अलग-अलग नियमों के साथ कर रहा है।

इस भ्रम को दूर करने के लिए, शोधकर्ताओं की एक टीम ने एक नया, खुला मानक IC-ThermBench बनाया है, जिसे यह परीक्षण करने के लिए डिज़ाइन किया गया है कि ये AI मॉडल चिप डिज़ाइन की जटिल वास्तविकता को कितनी अच्छी तरह संभाल सकते हैं। उन्होंने पचास हजार सिम्युलेटेड चिप परिदृश्यों का एक विशाल, साझा पुस्तकालय बनाया, जिसमें सरल, स्थिर डिज़ाइनों से लेकर जटिल, निरंतर बदलते लेआउट तक सब कुछ शामिल है जहाँ सामग्री, शीतलन स्थितियाँ और भौतिक आकार सभी बदलते रहते हैं। शोधकर्ताओं ने आठ अलग-अलग AI मॉडलों को कठिनाई के बढ़ते स्तरों के माध्यम से परखा। उन्होंने मॉडलों को उन परिचित डिज़ाइनों के साथ शुरू किया जिन्हें उन्होंने पहले देखा था, फिर मॉडलों से उन्हीं बुनियादी हिस्सों के नए अरेंजमेंट के लिए गर्मी का अनुमान लगाने को कहा, और अंत में, उन्हें पूरी तरह से नए प्रकार के चिप पैकेज के साथ चुनौती दी जिनका उन्होंने पहले कभी सामना नहीं किया था। परिणामों ने एक स्पष्ट पैटर्न का खुलासा किया: जबकि मॉडल डिज़ाइन और सामग्री में क्रमिक परिवर्तनों को मामूली सटीकता गिरावट के साथ संभाल सकते थे, वे पूरी तरह से नए चिप स्ट्रक्चर का सामना करने पर अत्यधिक संघर्ष करते थे। इन अपरिचित स्थितियों में, मॉडलों के अनुमान बेहद गलत हो गए, जहाँ त्रुटियाँ एक डिग्री से कम से बढ़कर लगभग सोलह डिग्री तक पहुँच गईं। हालाँकि, अध्ययन में यह भी पाया गया कि मॉडलों को थोड़ी सी नई जानकारी देने से—विशेष रूप से, नए चिप प्रकार के केवल दस उदाहरणों से तापमान डेटा—उन्हें अपनी खोई हुई सटीकता को काफी हद तक वापस पाने में मदद मिली, जिससे त्रुटियाँ एक प्रबंधनीय स्तर तक नीचे आ गईं।

इस कार्य का मूल यह अहसास है कि एक प्रकार के चिप के लिए गर्मी का अनुमान लगाने में अच्छा होना स्वतः ही किसी AI को सभी चिप्स के लिए अच्छा नहीं बना देता। शोधकर्ताओं ने अपने परीक्षणों को कठिनाई के पांच अलग-अलग स्तरों में व्यवस्थित किया। पहले स्तर ने मॉडलों को उन डिज़ाइनों पर परखा जिनका उन्होंने पहले से अध्ययन किया था, जो एक आधार (बेसलाइन) के रूप में कार्य करता था। अगले तीन स्तरों ने ऐसे बदलाव पेश किए जो एक मॉडल वास्तविक दुनिया में देख सकता है: सूक्ष्म कंप्यूटिंग ब्लॉक्स की स्थिति बदलना, उनके बीच के अंतराल को भरने वाली सामग्रियों को बदलना, और बाहरी शीतलन स्थितियों को बदलना। इन परिदृश्यों में, मॉडल उचित रूप से प्रदर्शन करते थे, और जैसे-जैसे विविधताएँ अधिक जटिल होती गईं, उनकी त्रुटियाँ धीरे-धीरे बढ़ती गईं। इससे यह संकेत मिला कि ज्ञात भौतिक स्थितियों की एक विस्तृत श्रृंखला को संभालना इन प्रणालियों के लिए एक प्रबंधनीय कार्य है।

असली परीक्षा अंतिम स्तर पर आई, जहाँ शोधकर्ताओं ने मॉडलों के सामने पांच पूरी तरह से नए चिप पैकेज प्रस्तुत किए जो प्रशिक्षण डेटा में बिल्कुल भी मौजूद नहीं थे। यह एक ऐसे शेफ को फ्रांसीसी व्यंजन में महारत हासिल करने के बाद अचानक एक ऐसे व्यंजन को पकाने के लिए कहने जैसा है जिसे उसने पहले कभी नहीं देखा, और उन सामग्रियों का उपयोग करना है जिन्हें वह पहचानता भी नहीं है। परिणाम चौंकाने वाले थे। जिन मॉडलों ने पिछले स्तरों पर अच्छा प्रदर्शन किया था, वे अचानक विफल हो गए, और उनकी भविष्यवाणी त्रुटियाँ आसमान छूने लगीं। सबसे अच्छा मॉडल, जो शुरुआती परीक्षणों में एक डिग्री से भी कम की त्रुटि पर था, इन नए स्ट्रक्चर पर लगभग सोलह डिग्री तक चूक गया। प्रदर्शन में इस भारी गिरावट ने सिद्ध किया कि डिज़ाइनों के एक ज्ञात परिवार के भीतर सामान्यीकरण (generalize) करने की क्षमता, एक पूरी तरह से नए सिस्टम के अनुकूल होने की क्षमता से मौलिक रूप से भिन्न है। अध्ययन ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि केवल AI मॉडलों को बड़ा या अधिक जटिल बनाने से इस समस्या का समाधान होगा; परीक्षण में मौजूद सबसे विशाल मॉडलों ने भी इन अनदेखी चुनौतियों का सामना करते समय छोटे, अधिक कुशल मॉडलों से बेहतर प्रदर्शन नहीं किया।

शोधकर्ताओं ने यह भी पता लगाया कि क्या इन मॉडलों को नए चिप प्रकारों को संभालने के लिए जल्दी से सिखाया जा सकता है। उन्होंने पाया कि नए चिप के तापमान व्यवहार के केवल दस लेबल वाले उदाहरण दिखाकर, मॉडल तेजी से अनुकूलित हो सकते हैं। इस छोटी सी नई जानकारी के साथ, त्रुटि दर नाटकीय रूप से गिर गई, और वे स्तरों के करीब वापस आ गई जो शुरुआती, आसान परीक्षणों में देखे गए थे। यह सुझाव देता है कि हालांकि ये AI सिस्टम एक बिल्कुल नए चिप के व्यवहार का शून्य से जादू की तरह अनुमान नहीं लगा सकते, लेकिन वे बहुत कम मार्गदर्शन के साथ ऐसा करना सीख सकते हैं। अध्ययन का निष्कर्ष है कि थर्मल मॉडलिंग का मार्ग केवल बड़े AI बनाने के बारे में नहीं है, बल्कि ऐसी प्रणालियाँ बनाने के बारे में है जिन्हें नए डिज़ाइनों के लिए कुशलतापूर्वक अनुकूलित किया जा सके। एक साझा, कठोर परीक्षण मैदान प्रदान करके, यह नया बेंचमार्क इंजीनियरों को यह देखने की अनुमति देता है कि उनके मॉडल कहाँ सफल होते हैं और कहाँ विफल होते हैं, जिससे यह सुनिश्चित होता है कि चिप डिज़ाइन के भविष्य के उपकरण अलग-थलग, तुलनात्मक रूप से अक्षम प्रयोगों के बजाय विश्वसनीय, पुनरुत्पादक विज्ञान की नींव पर निर्मित हों।