技術概要：2D-ThermAl：生成 AI を用いた回路の熱解析のための物理情報フレームワーク

1. 問題提起

現代の集積回路（IC）は、非均一な電力消費と高いトランジスタ密度に起因する熱的課題に直面しており、これにより急激な温度上昇や信頼性の低下を招く可能性があります。従来の熱解析は有限要素法（FEM）シミュレーションに依存しており、高い忠実度を提供するものの、設計初期段階の探索には計算コストが過大であり、しばしば後工程での熱的失敗を解決するために反復的な設計変更を必要とします。一方、既存の粗粒度モデル（例えば、解析的 RC ネットワーク）や逆熱マッピング技術は、微細なホットスポットを検出するための空間分解能が不足しているか、多様な回路配置や境界条件に対して汎化することが困難です。回路レベルの精度、計算効率、および設計自動化（EDA）ワークフローへのシームレスな統合を両立する予測手法の必要性が切実です。

2. 手法

著者らは、熱解析を画像から画像への変換タスクとして再定義する物理情報に基づく生成 AI フレームワーク「ThermAl」を提案します。この手法は、深層学習と物理的制約を統合し、入力活動プロファイルから直接、チップ全体の過渡的および定常状態の熱分布を予測します。

A. データセット生成

本モデルは、単純な論理ゲート（インバータ、NAND、XOR）から複雑な機能ブロックまでを含む 200 以上の回路構成からなる大規模な合成データセットで訓練されています。

• 生成パイプライン: 回路設計と電力分布データは、標準的な EDA ツール（Cadence）と標準セルライブラリ（TSMC 65nm）を用いて生成されます。これらは熱パラメータと結合され、COMSOL Multiphysics®でシミュレーションされて、高忠実度の 2 次元熱マップが生成されます。
• 解像度: 熱マップは $256 \times 256$ ピクセルのグリッドとして表現され、各ピクセルは約 $3.9\mu m \times 3.9\mu m$ のシリコンに対応し、マイクロ秒時間スケールにおけるシリコン内の熱拡散長の特徴と整合しています。
• 範囲: 主要なデータセットは $25^\circ\text{C}$ から $55^\circ\text{C}$（典型的な設計初期段階の領域）の温度範囲をカバーし、ストレス下での堅牢性をテストするための拡張交差検証セットは $25^\circ\text{C}$ から $95^\circ\text{C}$ にわたります。

B. ネットワークアーキテクチャ

ThermAl は、熱ダイナミクスを処理するための特定のメカニズムを強化したハイブリッド U-Net アーキテクチャを採用しています：

1. 入力エンコーディング: モデルはクエリ画像（$I$、現在の熱状態）とソース - ターゲットペア（$E, E'$、異なる時間ステップ/ワークロードからの参照熱マップ）を受け入れます。
2. 特徴量連結と位置エンコーディング: ピクセルレベルの連結とは異なり、このフレームワークはエンコードされたソース、ターゲット、クエリマップの特徴量レベルの連結を使用します。これは、チップ全体での熱拡散のモデル化に不可欠な空間関係を明示的に埋め込むために、位置エンコーディング（ピクセル座標の正弦関数）によって補強されます。
3. デコーダ: 転置畳み込みとスキップ接続を備えたデコーダが、元の解像度で熱マップを再構築し、微細な空間的詳細を保持します。

C. 物理情報正則化

モデルが単にデータの相関を学習するのではなく、熱力学法則に従うことを保証するために、物理認識正則化器が損失関数に統合されています。

• 損失関数: 総損失 $L$ は、ピクセルごとの二乗平均平方根誤差（$L_{RMSE}$）と物理ベースの残差項（$L_{physics}$）を組み合わせます。
• 物理的制約: 物理項は、双曲型熱方程式（簡略化されたボルツマン輸送方程式）の Cattaneo–Vernotte (CV) 形式から導出されます。この定式化は、古典的なフーリエ拡散が瞬時と仮定する有限の熱伝播速度と緩和効果（$\tau$）を考慮します。
  $$L = L_{RMSE} + \lambda L_{physics}$$
  ここで、$L_{physics}$ は熱伝導モデルからの逸脱を罰します：$\frac{\partial T}{\partial t} + \tau \frac{\partial^2 T}{\partial t^2} - \alpha \nabla^2 T$。

3. 主要な貢献

1. 熱解析のための生成フレームワーク: ThermAl は、チップ全体の熱マップを高精度で予測する条件付き生成モデルを導入し、商用 FEM ツール（COMSOL）と比較して約 200 倍の推論速度向上を達成しました。
2. 包括的なデータセット: 著者らは、商用 EDA および FEA フローを用いて、単純なゲートから多様な境界条件下の複雑なワークロードまでをカバーする 200 以上の回路構成の熱放散マップからなる多様なデータセットを構築しました。
3. ハイブリッドアーキテクチャ: 本論文は、位置埋め込みと特徴量レベルの連結を強化した新規 U-Net アーキテクチャを詳述しており、過渡的および定常状態の熱マップの両方に対して空間的一貫性と予測精度を大幅に向上させています。
4. 物理認識学習: Cattaneo–Vernotte 熱方程式を訓練損失に埋め込むことで、このフレームワークは物理的忠実度を確保し、特に高勾配領域や過渡領域において、純粋なデータ駆動アプローチを上回る性能を発揮します。
5. 拡張範囲検証: モデルは定格動作条件を超えて堅牢性を示し、$25^\circ\text{C}$ から $95^\circ\text{C}$ の拡張温度範囲全体で高い精度（フルスケール RMSE $< 2.2\%$）を維持しています。

4. 実験結果

• 精度: $256 \times 256$ グリッドにおいて、ThermAl は 二乗平均平方根誤差（RMSE）$0.71^\circ\text{C}$（標準偏差 $0.26^\circ\text{C}$）および構造的類似性指数（SSIM）$0.97$を達成しました。より高解像度の$512 \times 512$ 入力の場合、RMSE は $1.18^\circ\text{C}$ です。
• 速度: 推論時間はサンプルあたり 7～10 ミリ秒（1 秒あたり 100 マップ以上）であり、同等の条件下での商用 FEM ソルバの 3～4 秒と比較して高速です。
• アブレーション研究:
  • 物理正則化器を除去すると、RMSE は $0.71^\circ\text{C}$ から $1.12^\circ\text{C}$ に増加し、SSIM は $0.97$から$0.91$ に低下します。
  • ピクセルレベルの連結ではなく特徴量レベルの連結を使用すると、RMSE は $1.18^\circ\text{C}$ から $0.71^\circ\text{C}$ に改善されます。
  • ソース - ターゲット画像ペアを組み込むと、RMSE は $1.12^\circ\text{C}$ から $0.84^\circ\text{C}$ に減少します。
• 汎化: モデルは多様な回路配置およびワークロードにわたって低い誤差率を維持し、特定の訓練構成を超えて汎化する能力を確認しました。

5. 意義と主張

本論文は、EDA ワークフロー内での設計初期段階の熱的ホットスポット検出およびパターン学習に対する実用的な解決策として ThermAl を位置づけています。その主な意義は、FEM ツールの高い精度と反復的な設計探索に必要な速度の間のギャップを埋める点にあります。

• 設計への影響: 配置とフロアプランニング中に熱的問題を迅速に特定し修正することを可能にすることで、ThermAl は高価な後工程の設計変更を潜在的に防止します。
• 物理的一貫性: 新しい境界条件下で失敗する可能性のある純粋なデータ駆動モデルとは異なり、ThermAl の物理情報に基づくアプローチは、予測が基本的な熱移動法則に従うことを保証し、過渡的および高勾配のシナリオにおける信頼性を高めます。
• 限界と将来の作業: 著者らは、2D モデルに限定されていること（積層 3D IC における垂直熱移動を無視）、ダイ - 環境界面での熱抵抗が一定であると仮定していること、および実世界の実験的検証の欠如（合成 FEM データに依存）を含む現在の限界を控えめに認めています。将来の方向性としては、フレームワークを 3D に拡張すること、先進技術ノード（例：7nm 未満）に対して汎化すること、および転移学習戦略を統合することが含まれます。

コードとデータセットは、物理情報に基づく熱解析に関するさらなる研究を促進するために一般公開されています。