Technische Samenvatting: 2D-ThermAl: Een op fysica gebaseerd raamwerk voor thermische analyse van schakelingen met generatieve AI

1. Probleemstelling

Moderne geïntegreerde schakelingen (IC's) staan voor toenemende thermische uitdagingen als gevolg van niet-uniforme vermogensdissipatie en hoge transistordichtheden, wat kan leiden tot snelle temperatuurspiegels en betrouwbaarheidsfouten. Traditionele thermische analyse is gebaseerd op Finite Element Method (FEM)-simulaties, die hoge fideliteit bieden maar computationeel onhaalbaar zijn voor ontwerponderzoek in een vroeg stadium, vaak vereisend iteratieve herontwerpen om thermische fouten in een laat stadium op te lossen. Daarentegen missen bestaande grofkorrelige modellen (bijv. analytische RC-netwerken) en inverse thermische mapping-technieken de ruimtelijke resolutie om fijnkorrelige hotspots te detecteren, of worstelen ze met generalisatie over diverse schakelingindelingen en randvoorwaarden. Er is een kritieke behoefte aan een voorspellende methode die circuitnauwkeurigheid, computationele efficiëntie en naadloze integratie in vroege Electronic Design Automation (EDA)-werkstromen in evenwicht brengt.

2. Methodologie

De auteurs stellen ThermAl voor, een op fysica gebaseerd generatief AI-raamwerk dat thermische analyse herformuleert als een taak voor beeld-naar-beeld vertaling. De methodologie integreert deep learning met fysieke beperkingen om volledige-chip transiënte en stationaire thermische distributies direct te voorspellen vanuit invoeractiviteitsprofielen.

A. Datasetgeneratie

Het model is getraind op een uitgebreide synthetische dataset bestaande uit meer dan 200 schakelconfiguraties, variërend van eenvoudige logische poorten (inverters, NAND, XOR) tot complexe functionele blokken.

• Generatiepijplijn: Schakelontwerpen en vermogensdistributiedata worden gegenereerd met standaard EDA-tools (Cadence) en standaardcelbibliotheken (TSMC 65nm). Deze worden gekoppeld aan thermische parameters en gesimuleerd met COMSOL Multiphysics® om hoog-fideliteit 2D-thermische kaarten te genereren.
• Resolutie: Thermische kaarten worden weergegeven als $256 \times 256$ pixelroosters, waarbij elke pixel overeenkomt met ongeveer $3,9\mu m \times 3,9\mu m$ silicium, in lijn met de karakteristieke thermische diffusielengte in silicium over microseconde tijdschalen.
• Scope: De primaire dataset bestrijkt een temperatuurbereik van $25^\circ\text{C}$ tot $55^\circ\text{C}$ (typische vroege-ontwerpregimes), met een uitgebreide kruisvalidatieset die loopt van $25^\circ\text{C}$ tot $95^\circ\text{C}$ om robuustheid onder stress te testen.

B. Netwerkarchitectuur

ThermAl maakt gebruik van een hybride U-Net-architectuur verrijkt met specifieke mechanismen om thermische dynamiek te hanteren:

1. Invoerencoding: Het model accepteert een query-afbeelding ($I$, huidige thermische toestand) en een bron-doelpaar ($E, E'$, referentiethermische kaarten van verschillende tijdstappen/werklasten).
2. Functieconcatenatie & Positieencoding: In tegenstelling tot pixelniveau-concatenatie, gebruikt het raamwerk functieniveau-concatenatie van de gecodeerde bron, doel en query-kaarten. Dit wordt aangevuld met positieencoding (sinusoidale functies van pixelcoördinaten) om ruimtelijke relaties expliciet in te bedden, wat cruciaal is voor het modelleren van warmtediffusie over de chip.
3. Decoder: Een decoder met getransponeerde convoluties en skip-verbindingen reconstrueert de thermische kaart in de originele resolutie, waarbij fijnkorrelige ruimtelijke details behouden blijven.

C. Op fysica gebaseerde Regularisatie

Om ervoor te zorgen dat het model zich houdt aan thermodynamische wetten in plaats van alleen data-correlaties te leren, wordt een fysiek-bewuste regularisator geïntegreerd in de verliesfunctie.

• Verliesfunctie: De totale verlies $L$ combineert een pixel-voor-pixel Root Mean Squared Error ($L_{RMSE}$) met een op fysica gebaseerde residu-term ($L_{physics}$).
• Fysieke Beperking: De fysieke term is afgeleid van de Cattaneo–Vernotte (CV)-vorm van de hyperbolische warmtevergelijking (een vereenvoudigde Boltzmann Transport-vergelijking). Deze formulering houdt rekening met eindige thermische voortplantingssnelheden en relaxatie-effecten ($\tau$), die klassieke Fourier-diffusie als instantaan veronderstelt.
  $$L = L_{RMSE} + \lambda L_{physics}$$
  waarbij $L_{physics}$ afwijkingen van het warmtegeleidingsmodel straft: $\frac{\partial T}{\partial t} + \tau \frac{\partial^2 T}{\partial t^2} - \alpha \nabla^2 T$.

3. Belangrijkste Bijdragen

1. Generatief Raamwerk voor Thermische Analyse: ThermAl introduceert een conditioneel generatief model dat volledige-chip thermische kaarten voorspelt met hoge nauwkeurigheid, met een inferentiesnelheid van ongeveer 200$\times$ in vergelijking met commerciële FEM-tools (COMSOL).
2. Uitgebreide Dataset: De auteurs hebben een diverse dataset van warmtedissipatiekaarten voor 200+ schakelconfiguraties samengesteld met commerciële EDA- en FEA-werkstromen, variërend van eenvoudige poorten tot complexe werklasten onder gevarieerde randvoorwaarden.
3. Hybride Architectuur: Het artikel beschrijft een nieuwe U-Net-architectuur verrijkt met positie-embeddings en functieniveau-concatenatie, wat de ruimtelijke consistentie en voorspellingsnauwkeurigheid aanzienlijk verbetert voor zowel transiënte als stationaire thermische kaarten.
4. Op Fysica Gebaseerd Leren: Door de Cattaneo–Vernotte warmtevergelijking in te bedden in de trainingsverlies, zorgt het raamwerk voor fysieke fideliteit, met name in gebieden met hoge gradiënten en transiënte regimes, en presteert het beter dan puur datagedreven benaderingen.
5. Validatie met Uitgebreid Bereik: Het model demonstreert robuustheid buiten nominale bedrijfsomstandigheden, met behoud van hoge nauwkeurigheid (volledige schaal RMSE $< 2,2\%$) over een uitgebreid temperatuurbereik van $25^\circ\text{C}$ tot $95^\circ\text{C}$.

4. Experimentele Resultaten

• Nauwkeurigheid: Op een $256 \times 256$ rooster bereikt ThermAl een Root Mean Squared Error (RMSE) van $0,71^\circ\text{C}$ (standaardafwijking $0,26^\circ\text{C}$) en een Structural Similarity Index (SSIM) van $0,97$. Voor hogeresolutie $512 \times 512$ invoer is de RMSE $1,18^\circ\text{C}$.
• Snelheid: De inferentietijd bedraagt 7–10 milliseconden per steekproef (meer dan 100 kaarten/seconde), in vergelijking met 3–4 seconden voor commerciële FEM-oplossers onder vergelijkbare omstandigheden.
• Ablatiestudies:
  • Het verwijderen van de fysieke regularisator verhoogt de RMSE van $0,71^\circ\text{C}$ naar $1,12^\circ\text{C}$ en verlaagt de SSIM van $0,97$ naar $0,91$.
  • Het gebruik van functieniveau-concatenatie in plaats van pixelniveau-concatenatie verbetert de RMSE van $1,18^\circ\text{C}$ naar $0,71^\circ\text{C}$.
  • Het opnemen van bron-doel-afbeeldingsparen verlaagt de RMSE van $1,12^\circ\text{C}$ naar $0,84^\circ\text{C}$.
• Generalisatie: Het model behoudt lage foutpercentages over diverse schakelindelingen en werklasten, wat zijn vermogen bevestigt om te generaliseren buiten de specifieke trainingsconfiguraties.

5. Betekenis en Claims

Het artikel positioneert ThermAl als een praktische oplossing voor detectie van thermische hotspots in een vroeg stadium en patroonleren binnen EDA-werkstromen. De primaire betekenis ligt in het overbruggen van de kloof tussen de hoge nauwkeurigheid van FEM-tools en de snelheid die vereist is voor iteratief ontwerponderzoek.

• Ontwerpinvloed: Door snelle, indelingsbewuste thermische schatting mogelijk te maken, stelt ThermAl ontwerpers in staat om thermische problemen tijdens plaatsing en vloerplanning te identificeren en te corrigeren, wat mogelijk kostbare herontwerpen in een laat stadium voorkomt.
• Fysieke Consistentie: In tegenstelling tot puur datagedreven modellen die kunnen falen onder nieuwe randvoorwaarden, zorgt de op fysica gebaseerde aanpak van ThermAl ervoor dat voorspellingen voldoen aan fundamentele warmteoverdrachtwetten, wat de betrouwbaarheid in transiënte en hoog-gradiëntscenario's verbetert.
• Beperkingen en Toekomstig Werk: De auteurs erkennen bescheiden de huidige beperkingen, waaronder de beperking tot 2D-modellering (het negeren van verticale warmteoverdracht in gestapelde 3D-IC's), de aanname van constante thermische weerstand aan de interface tussen chip en omgeving, en het ontbreken van real-world experimentele validatie (afhankelijk van synthetische FEM-data). Toekomstige richtingen omvatten het uitbreiden van het raamwerk naar 3D, generalisatie over geavanceerde technologienodes (bijv. sub-7nm), en het integreren van transfer learning-strategieën.

De code en dataset zijn publiek beschikbaar gesteld om verder onderzoek in op fysica gebaseerde thermische analyse te faciliteren.