COOL: A Cooling-Aware Point Transformer Framework for Thermal Prediction in Advanced 3D/3.5D IC Packaging

技術要約：COOL – 高度な3D/3.5D ICパッケージングにおける熱予測のための冷却認識型ポイントトランスフォーマー・フレームワーク

問題提起
高度な3Dおよび3.5D集積回路（IC）パッケージング技術は、高い集積密度を可能にする一方で、深刻な熱管理の課題をもたらします。これらには、複雑な層間熱結合、不均一な材料組成（シリコン、TIM、インターポーザなど）、および動的な冷却構造が含まれます。従来の熱解析は、有限要素法（FEM）または有限差分法（FDM）ソルバー（COMSOL、ANSYS Icepakなど）に依存しています。これらは正確ではあるものの、計算コストが非常に高く、単一の電力トレースのシミュレーションに数時間を要する場合もあり、形状モデリングやメッシュ生成に多大な手作業を必要とします。このため、反復的な設計空間探索には実用的ではありません。

既存の学習ベースの熱予測手法は、このプロセスを加速させようと試みていますが、高度なパッケージングのシナリオにおいて決定的な限界に直面しています：

1. ダイ間結合の捕捉失敗： 多くのモデル（DeepOHeat、ASRR-PINNなど）は、システムを単一のダイとして扱ったり、層全体で均一なパワーマップを仮定したりしており、スタックされたチップレット間の垂直方向の熱伝播をモデル化できていません。
2. 冷却構造の静的な扱い： 現在のフレームワークの多くは、冷却コンポーネント（ヒートスプレッダー、TIM）を、可変の厚さや材料特性を持つ柔軟な設計要素としてではなく、固定された事前定義済みの境界条件として扱っています。この硬直性は、多様なパッケージング構成に対する汎用性を妨げています。

手法
著者らは、冷却を考慮したデータ駆動型フレームワークであるCOOLを提案します。これは、全熱領域（チップ、パッケージ、および冷却構造）を、注釈付きの統一された3Dポイントクラウドとしてモデル化するものです。本フレームワークは、以下の3つのコアコンポーネントで構成されています。

1. ポイントクラウド表現と特徴エンコーディング：

   • 固定グリッドの代わりに、COOLは不均一なアセンブリを、一連の3D点（設計あたり $N \approx 3 \times 10^5$）として表現します。
   • デュアルドメイン材料エンコーディング： 重複する物理的特性を区別するため、材料はワンホット・カテゴリ識別子と、連続的な物理属性（熱伝導率 $k_{iso}$、比熱 $C_p$、密度 $\rho$）を結合することでエンコードされます。
   • 3チャンネル・パワー表現： 電力散逸は、生の大きさ、バイナリの活性/非活性フラグ、および疎でロングテールな分布を扱うための対数変換された電力を用いてエンコードされます。
   • 幾何学的および境界特徴： ポイントには、ジオメニドメインID、および対流（Robin）境界と断熱（Neumann）境界のための特定のフラグが付与されます。

2. 階層的ポイントトランスフォーマー・アーキテクチャ：

   • エンコーダ： 「Transition Down (TD)」戦略を利用します。標準的な最遠点サンプリング（FPS）とは異なり、COOLは**温度認識型FPS (TA-FPS)**を採用しており、温度勾配、電力密度、および境界インジケーターの複合スコアに基づいて、熱的にクリティカルな領域（ホットスポット、界面）にサンプリングを偏らせます。
     。
   • ポイントトランスフォーマー・ブロック： これらのブロックは、局所的な近傍特徴を集約するためのアテンションメカニズムを使用し、熱伝達に大きく影響を与える近傍をネットワークが優先できるようにします。
   • デコーダ： エンコーダと鏡合わせの構造を持ち、距離加重補間とスキップ接続を用いた「Transition Up (TU)」ステージを使用して、フル解像度を復元します。

3. 物理情報境界条件（PI-BC）：

   • 物理的一貫性を強制するために、学習損失関数（$L$）は、データ項（平均二乗誤差）と物理ベースの正則化項を組み合わせます。
     • ラプラシアン正則化 ($L_{phys}$)： 均質な材料ドメイン内での非物理的な温度ジャンプを抑制します。
     • 境界条件損失 ($L_{BC}$)： 学習中に、関連する表面ポイントに対してRobin（対流）およびNeumann（断熱）境界条件を明示的に強制します。

主な貢献

• 3D/3.5D ICのための初の冷却認識型フレームワーク： COOLは、チップ、パッケージ、および冷却構造を同時に明示的にモデル化し、TIM、TSV、およびヒートスプレッダーの設計依存の効果を捉える、最初の学習ベースの手法です。
• ポイントクラウドベースの学習手法： 本論文は、全熱領域を、材料、構造、および電力属性が付与された空間点の集合として扱う表現を導入しており、グリッド量子化誤差を回避しています。
• 物理情報境界条件（PI-BC）： 境界の物理学（Robin/Neumann）を損失関数に直接注入することで、材料界面やホットスポット領域での精度を高める新しい学習スキームを提供します。
• 包括的なベンチマーク： 著者らは、異なる構造および冷却パラメータを持つ74のユニークな3D/3.5Dパッケージング構成をカバーする、740の熱シナリオからなる多様なデータセットを構築しました。

実験結果
実験は、FEMシミュレーションによって生成されたデータセットを用いて行われ、設計レベルの分割（リーク防止のため）により、580の訓練サンプルと160のテストサンプルに分けられました。

• 精度： COOLは、テストセットにおいて**2.4%の正規化平均絶対誤差（NMAE）**を達成しました。これは、ポイントベースのベースライン（U-Net: 15.6% NMAE; U-Net+SA: 13.7% NMAE）を大幅に上回る性能です。
• 収束性： COOLは、ベースラインの緩やかな減少と比較して、160エポックまでにほぼ収束に達するなど、より速く安定した収束を示しました。
• 高速化： 商用のFEMソルバー（1設計あたり約189秒）と比較して、COOLは12秒で推論を実行し、15.7倍の高速化を実現しました。
• 可視化： 定性的な結果は、COOLが3Dスタックおよび3.5D CoWoSスタイルの構成の両方において、空間的な温度勾配とホットスポットの分布を正確に捉えていることを示しており、それぞれの局所MAEは0.45°Cおよび0.38°Cでした。

意義と主張
本論文は、COOLが次世代ICパッケージングにおける**熱認識型共同設計（thermal-aware co-design）**のための実用的なソリューションを提供すると主張しています。冷却構造を静的な境界ではなく動的な設計要素として明示的にモデル化し、ポイントトランスフォーマーを活用して幾何学的な不均一性を処理することで、COOLは学習ベースの手法の速度と、複雑な3D/3.5Dシステムに必要な忠実度の間のギャップを埋めます。著者らは、このフレームワークが、従来のソルバーのボトルネックや従来の学習ベースのアプローチの汎用性の限界を克服し、反復的な設計最適化に適した迅速かつ自動化された熱解析を可能にすると断言しています。