💻 computer science

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

본 논문은 3D/3.5D IC 패키징을 물리 기반 경계 조건을 가진 주석 처리된 포인트 클라우드로 표현함으로써, 전통적인 솔버 대비 상당한 속도 향상을 달면서도 다이 간 결합 및 동적 냉각 구조를 효과적으로 다루어 높은 정확도의 열 예측을 달성하는 냉각 인지 포인트 트랜스포머 프레임워크인 COOL을 소개한다.

원저자: Yao Lu, Zhicheng Guo, Qijun Zhang, Shang Liu, Wenji Fang, Wenkai Li, Zhiyao Xie

게시일 2026-08-18

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yao Lu, Zhicheng Guo, Qijun Zhang, Shang Liu, Wenji Fang, Wenkai Li, Zhiyao Xie

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현대 전자 기기는 그 어느 때보다 더 작은 공간에 더 많은 컴퓨팅 성능을 담아내며 놀라울 정도로 밀도가 높아지고 있습니다. 이를 달성하기 위해 엔지니어들은 이제 여러 층의 컴퓨터 칩을 서로 위로 쌓아 올려 복잡한 3차원 구조를 만듭니다. 이러한 적층 방식은 성능을 높여주지만, 심각한 물리적 문제인 열을 발생시킵니다. 이 미세한 층들이 작동할 때 강렬한 열이 발생하며, 이 열이 빠르게 빠져나가지 못하면 장치는 고장 나게 됩니다. 과거에는 엔지니어들이 이 층들을 통해 열이 어떻게 이동하는지 시뮬레이션하기 위해 표준 컴퓨터 프로그램을 활용할 수 있었지만, 이러한 시뮬레이션은 매우 느렸습니다. 종종 단 하나의 설계를 모델링하는 데에도 몇 시간이 걸려, 수천 가지의 변형을 빠르게 테스트하는 것을 불가능하게 만들었습니다. 칩 설계가 다양한 재료와 냉각 시스템이 함께 쌓인 형태로 더욱 정교해짐에 따라, 기존의 방식들은 혁신의 속도를 따라잡기에는 너무 느려졌습니다.

홍콩 과학기술대학교의 연구진은 이 병목 현상을 해결하기 위한 새로운 접근 방식을 개발했습니다. 그들은 첨단 칩 패키지의 온도 패턴을 거의 즉각적으로 예측하는 인공지능 유형을 사용하는 COOL이라는 시스템을 만들었습니다. 전통적인 소프트웨어가 칩을 작은 사각형의 경직된 격자로 나누는 대신, COOL은 전체 구조를 개별 점들의 구름으로 취급합니다. 마치 조각상을 하나의 단단한 블록이 아니라 수백만 개의 작은 점들의 집합체로 보는 것과 같습니다. 여기서 각 점은 자신이 어떤 재료로 만들어졌는지, 얼마나 많은 열을 생성하는지, 그리고 어떤 표면과 맞닿아 있는지를 정확히 알고 있습니다. 이 정보의 구름을 특화된 학습 모델에 입력함으로써, 시스템은 느리고 상세한 메쉬(mesh)를 먼저 구축할 필요 없이 서로 다른 재료와 층 사이에서 열이 어떻게 흐르는지 이해할 수 있습니다.

연구진은 이 방법이 빠를 뿐만 아니라 놀라울 정도로 정확하다는 것을 발견했습니다. 테스트 결과, 이 시스템은 단 2.4%의 오차율로 온도 분포를 예측했으며, 이는 최고의 전통적인 시뮬레이션 도구들과 일치하는 정밀도 수준입니다. 더 중요한 것은, 이 작업이 훨씬 짧은 시간 안에 이루어졌다는 점입니다. 표준 상용 시뮬레이션 프로그램이 단 하나의 설계를 분석하는 데 거의 3분이 걸린 반면, 이 새로운 시스템은 동일한 작업을 12초 미만에 완료했습니다. 이는 15배 이상의 속도 향상을 의미하며, 엔지니어들이 단 하나를 테스트하는 데 걸렸던 시간 동안 훨씬 더 많은 설계 옵션을 탐색할 수 있게 해줍니다. 이 시스템은 특히 현대적인 패키징의 과제, 즉 적층된 칩들 사이에서 열이 어떻게 이동하는지, 그리고 히트 스프레더와 같은 냉각 구조가 아래쪽 층들과 어떻게 상호작용하는지를 이해하도록 설계되었기에 효과적입니다.

이 과업에 인공지능을 사용하려는 이전의 시도들은 칩을 단일 평면 층으로 취급하거나 냉각 시스템이 고정되어 있고 변하지 않는다고 가정했기 때문에 한계에 부딪히곤 했습니다. 이러한 오래된 모델들은 칩의 두께나 층의 배치가 설계 과정 중에 빈번하게 변경될 수 있는 현대의 복잡하고 가변적인 3D 및 3.5D 칩 스택을 마주했을 때 어려움을 겪었습니다. 그러나 새로운 프레임워크는 이러한 변화를 인식하도록 명시적으로 학습합니다. 이 시스템은 서로 다른 두 재료 사이의 경계나 공기가 칩을 냉각하는 표면이 특정 물리적 규칙을 따른다는 것을 이해합니다. 이러한 물리적 경계를 존중하도록 시스템을 훈련함으로써, 연구진은 설계가 변경되더라도 예측이 현실적으로 유지되도록 보장했습니다.

연구진은 다양한 칩 설계의 대규모 데이터셋을 생성하여 그 결과를 검증했는데, 여기에는 적층된 층의 수부터 냉각 재료의 두께까지 모든 것이 포함되었습니다. 그들은 시스템이 본 적 없는 설계들을 대상으로 테스트를 진행했으며, 시스템은 단순한 격자 구조에 의존하는 다른 학습 기반 방식들을 지속적으로 능가했습니다. 결과는 이러한 점 기반 접근 방식이 실리온, 구리, 그리고 다양한 접착제를 통해 불규칙한 패턴으로 열이 이동해야 하는 실제 패키징의 기하학적 복잡성을 처리할 수 있음을 시사합니다. 전통적인 시뮬레이션의 느리고 수동적인 단계를 빠른 자동 학습 과정으로 대체함으로써, 이 연구는 차세대 고성능 전자 기기를 설계하기 위한 실질적인 경로를 제시합니다. 이는 엔지니어들이 칩을 실제로 제작하기도 전에 과열 여부를 확인할 수 있게 하여, 더 빠르고 강력한 장치를 만들기 위한 경쟁에서 시간과 자원을 절약할 수 있게 해줍니다.

기술 요약: COOL – 차세대 3D/3.5D IC 패키징의 열 예측을 위한 냉각 인지형 포인트 트랜스포머 프레임워크

문제 정의
첨단 3D 및 3.5D 집적 회로(IC) 패키징 기술은 높은 집적도를 가능하게 하지만, 심각한 열 관리 과제를 유발합니다. 여기에는 복잡한 계층 간 열 결합, 이질적인 재료 구성(예: 실리콘, TIM, 인터포저), 그리고 동적인 냉각 구조가 포함됩니다. 전통적인 열 분석은 유한 요소법(FEM) 또는 유한 차분법(FDM) 솔버(예: COMSOL, ANSYS Icepak)에 의존합니다. 이러한 방법들은 정확하지만 계산 비용이 매우 높으며, 단일 전력 트레이스를 시뮬레이션하는 데만 수 시간이 소요될 수 있고, 기하학적 모델링과 메싱(meshing)을 위한 상당한 수동 작업이 필요합니다. 이는 반복적인 설계 공간 탐색을 수행하기에는 비효실적입니다.

기존의 학습 기반 열 예측 방법들은 이 과정을 가속화하려고 시도하지만, 첨단 패키징 시나리오에서 다음과 같은 결정적인 한계에 직면합니다:

다이 간 결합(Inter-die coupling) 포착 실패: 많은 모델(예: DeepOHeat, ASRR-PINN)은 시스템을 단일 다이로 취급하거나 레이어 전체에 걸쳐 균일한 전력 맵을 가정하며, 적층된 칩렛 간의 수직 열 전파를 모델링하지 못합니다.
냉각 구조의 정적 처리: 현재의 프레임워크는 냉각 구성 요소(히트 스프레더, TIM)를 가변적인 두께와 재료 특성을 가진 유연한 설계 요소가 아닌, 고정되고 사전 정의된 경계 조건으로 취급하는 경우가 많습니다. 이러한 경직성은 다양한 패키징 구성에 대한 일반화 능력을 저해합니다.

방법론
저자들은 전체 열 도메인(칩, 패키지 및 냉각 구조)을 통합된 주석이 달린 3D 포인트 클라우드로 모델링하는 냉각 인지형 데이터 기반 프레임워크인 COOL을 제안합니다. 이 프레임워크는 세 가지 핵심 구성 요소로 이루어져 있습니다:

포인트 클라우드 표현 및 특징 인코딩:
- 고정된 그리드 대신, COOL은 이질적인 어셈블리를 하나의 3D 포인트 집합( $N \approx 3 \times 10^5$ per design)으로 표현합니다.
- 이중 도메인 재료 인코딩: 중첩된 물리적 특성을 구분하기 위해, 재료는 원-핫 카테고리 식별자와 연속적인 물리적 속성(열전도율 $k_{iso}$ , 비열 $C_p$ , 밀도 $\rho$ )이 결합된 형태로 인코딩됩니다.
- 삼채널 전력 표현: 전력 소모는 원시 크기(magnitude), 이진 활성/비활성 플래그, 그리고 희소하고 긴 꼬리를 가진 분포를 처리하기 위한 로그 변환 전력을 사용하여 인코딩됩니다.
- 기하학적 및 경계 특징: 포인트에는 기하학적 도메인 ID와 대류(Robin) 및 단열(Neumann) 경계에 대한 특정 플래그가 주석으로 달립니다.
계층적 포인트 트랜스포머 아키텍처:
- 인코더: "Transition Down" (TD) 전략을 활용합니다. 표준적인 최원점 샘플링(FPS)과 달리, COOL은 온도 구배, 전력 밀도 및 경계 지표의 복합 점수를 기반으로 열적으로 중요한 영역(핫스팟, 인터페이스)에 편향된 **온도 인지형 FPS (TA-FPS)**를 채택합니다.
- 포인트 트랜스포머 블록: 이 블록들은 어텐션 메커니즘을 사용하여 로컬 이웃 특징을 집계하며, 이를 통해 열 전달에 유의미한 영향을 미치는 이웃을 우선시할 수 있습니다.
- 디코더: 거리 가중 보간(distance-weighted interpolation)과 스킵 연결(skip connections)을 사용하는 "Transition Up" (TU) 단계로 인코더를 미러링하여 전체 해상도를 복구합니다.
물리 정보 기반 경계 조건화 (PI-BC):
- 물리적 일관성을 강제하기 위해, 훈련 손실 함수( $L$ $L$ )는 데이터 항(평균 제곱 오차)과 물리 기반 정규화 항을 결합합니다:
  - 라플라시안 정규화 ( $L_{phys}$ ): 균질한 재료 도메인 내에서의 비물리적인 온도 급변을 억제합니다.
  - 경계 조건 손실 ( $L_{BC}$ ): 훈련 중에 관련 표면 포인트에 대해 Robin(대류) 및 Neumann(단열) 경계 조건을 명시적으로 강제합니다.

주요 기여

최초의 3D/3.5D IC용 냉각 인지형 프레임워크: COOL은 칩, 패키지 및 냉각 구조 전체를 동시에 모델링하여 TIM, TSV 및 히트 스프레더의 설계 의존적 효과를 포착하는 최초의 학습 기반 방법입니다.
포인트 클라우드 기반 학습 방법론: 전체 열 도메인을 재료, 구조 및 전력 속성이 주석 처리된 공간 포인트의 집합으로 취급하는 표현 방식을 도입하여, 그리드 양자화 오류를 방지합니다.
물리 정보 기반 경계 조건화 (PI-BC): 경계 물리(Robin/Neumann)를 손실 함수에 직접 주입하여 재료 인터페이스 및 핫스팟 영역에서의 정확도를 높이는 새로운 훈련 체계를 제공합니다.
포괄적인 벤치마킹: 저자들은 74개의 고유한 3D/3.5D 패키징 구성(다양한 구조 및 냉각 파라미터 포함)을 포함하는 740개의 열 시나리오로 구성된 다양한 데이터셋을 구축했습니다.

실험 결과
실험은 FEM 시뮬레이션을 통해 생성된 데이터셋을 사용하여 진행되었으며, 데이터 누출을 방지하기 위해 설계 수준 분할(design-level split)을 적용하여 580개의 훈련 샘플과 160개의 테스트 샘플로 나누었습니다.

정확도: COOL은 테스트 세트에서 **2.4%의 정규화 평균 절대 오차(NMAE)**를 달축했습니다. 이는 포인트 기반 베이스라인(U-Net: 15.6% N계; U-Net+SA: 13.7% NMAE)을 크게 상회하는 성능입니다.
수렴성: COOL은 베이스라인의 느린 감소와 비교하여 에포크 160 부근에서 근접 수렴에 도달하는 등 더 빠르고 안정적인 수렴을 보여주었습니다.
속도 향상: 설계당 약 189초가 소요되는 상용 FEM 솔버와 비교했을 때, COOL은 12초 만에 추론을 완료하여 15.7배의 속도 향상을 달성했습니다.
시각화: 정성적 결과에 따르면, COOL은 3D 적층 및 3.5D CoWoS 스타일 구성 모두에서 공간적 열 구배와 핫스팟 분포를 정확하게 포착하였으며, 각각 약 0.45°C 및 0.38°C의 국부적 MAE를 기록했습니다.

의의 및 주장
본 논문은 COOL이 차세대 IC 패키징을 위한 **열 인지형 공동 설계(thermal-aware co-design)**의 실질적인 솔루션을 제공한다고 주장합니다. 냉각 구조를 정적인 경계가 아닌 동적인 설계 요소로 명시적으로 모델링하고, 포인트 트랜스포머를 활용하여 기하학적 이질성을 처리함으로써, COOL은 학습 기반 방법의 속도와 복잡한 3D/3.5D 시스템에 필요한 충실도 사이의 간극을 메웁니다. 저자들은 이 프레임워크가 기존 솔버의 병목 현상과 이전 학습 기반 접근 방식의 일반화 한계를 극복하여, 반복적인 설계 최적화에 적합한 신속하고 자동화된 열 분석을 가능하게 한다고 단언합니다.

유사한 논문