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

技术摘要：COOL —— 一种用于先进 3D/3.5D IC 封装热预测的冷却感知点云 Transformer 框架

问题陈述
先进的 3D 和 3.5D 集成电路（IC）封装技术实现了高集成密度，但也引入了严峻的热管理挑战。这些挑战包括复杂的跨层热耦合、异构材料组成（例如硅、热界面材料 TIMs、中介层）以及动态冷却结构。传统的热分析依赖于有限元法（FEM）或有限差分法（FDM）求解器（如 COMSOL、ANSYS Icepak）。虽然这些方法精度很高，但计算成本极其昂贵，通常需要数小时才能模拟单个功率轨迹，并且需要大量的体力劳动进行几何建模和网格划分。这使得它们在迭代设计空间探索中变得不切实际。

现有的基于学习的热预测方法试图加速这一过程，但在先进封装场景中面临关键局限性：

1. 未能捕捉芯片间耦合： 许多模型（如 DeepOHeat、ASRR-PINN）将系统视为单芯片，或假设各层具有统一的功率图，无法对堆叠芯片之间的垂直热传播进行建模。
2. 对冷却结构的静态处理： 当前的框架通常将冷却组件（散热器、TIMs）视为固定的、预定义的边界条件，而非具有可变厚度和材料属性的可变设计元素。这种僵化性阻碍了其在多样化封装配置中的泛化能力。

方法论
作者提出了 COOL，一个冷却感知的、数据驱动的框架，它将整个热域（芯片、封装和冷却结构）建模为一个统一的、带有注释的 3D 点云。该框架由三个核心部分组成：

1. 点云表示与特征编码：

   • 不同于固定网格，COOL 将异构组件表示为一组 3D 点集（每个设计约 $N \approx 3 \times 10^5$ 个点）。
   • 双域材料编码： 为了区分重叠的物理属性，材料通过连接一个独热（one-hot）类别标识符与连续物理属性（热导率 $k_{iso}$、比热 $C_p$、密度 $\rho$）来进行编码。
   • 三通道功率表示： 功率耗散通过原始量级、二元激活/被动标志以及对数变换后的功率进行编码，以处理稀疏且长尾的分布。
   • 几何与边界特征： 点被标注了几何域 ID 以及特定的对流（Robin）和绝热（Neumann）边界标志。

2. 分层点云 Transformer 架构：

   • 编码器： 采用“降采样转换”（Transition Down, TD）策略。不同于标准的远程序采样（FPS），COOL 采用了 温度感知 FPS（TA-FPS），该方法根据温度梯度、功率密度和边界指标的复合评分，将采样偏向于热敏感区域（热点、界面）。
   • 点 Transformer 模块： 这些模块使用注意力机制来聚合局部邻域特征，使网络能够优先处理对热传递有显著影响的邻居。
   • 解码器： 通过“升采样转换”（Transition Up, TU）阶段镜像编码器过程，利用距离加权插值和跳跃连接来恢复全分辨率。

3. 物理启发式边界约束（PI-BC）：

   • 为了强制执行物理一致性，训练损失函数（$L$）结合了数据项（均方误差）和基于物理的正则化项：
     • 拉普拉斯正则化（$L_{phys}$）： 惩罚同质材料域内非物理性的温度跳变。
     • 边界条件损失（$L_{BC}$）： 在训练期间，显式地在相关表面点上强制执行 Robin（对流）和 Neumann（绝热）边界条件。

核心贡献

• 首个面向 3D/3.5D IC 的冷却感知框架： COOL 是第一个能够显式建模芯片、封装和冷却结构之间耦合热传递的学习型方法，捕捉了 TIMs、TSVs 和散热器的设计相关效应。
• 基于点云的学习方法论： 本文引入了一种表示法，将整个热域视为一组带有材料、结构和功率属性的空间点集合，避免了网格量化误差。
• 物理启发式边界约束（PI-BC）： 一种新颖的训练方案，将边界物理特性（Robin/Neumann）直接注入损失函数，从而增强了材料界面和热点区域的准确性。
• 全面的基准测试： 作者构建了一个包含 740 个热场景的多元数据集，涵盖了 74 种具有不同结构和冷却参数的独特 3D/3.5D 封装配置。

实验结果
实验通过 FEM 模拟生成的数据集进行，该数据集分为 580 个训练样本和 160 个测试样本（采用设计级拆分以防止数据泄露）。

• 准确度： COOL 在测试集上实现了 2.4% 的归一化平均绝对误差（NMAE）。这显著优于基于点的基准模型（U-Net：15.6% NMAE；U-Net+SA：13.7% NMAE）。
• 收敛性： COOL 展示了更快且更稳定的收敛速度，在第 160 个 epoch 时即接近收敛，而基准模型的下降速度较慢。
• 加速比： 与商业 FEM 求解器（每个设计约需 189 秒）相比，COOL 的推理仅需 12 秒，实现了 15.7 倍的加速。
• 可视化： 定性结果显示，COOL 能够准确捕捉 3D 堆叠和 3.5D CoWoS 式配置中的空间温度梯度和热点分布，其局部 MAE 分别约为 0.45°C 和 0.38°C。

意义与主张
本文声称 COOL 为下一代 IC 封装中的热感知协同设计提供了切实可行的解决方案。通过将冷却结构建模为动态设计元素而非静态边界，并利用点 Transformer 处理几何异构性，COOL 弥合了学习型方法的高速与复杂 3D/3.5D 系统所需的高保真度之间的差距。作者断言，该框架能够实现快速、自动化的热分析，适用于迭代设计优化，克服了传统求解器的瓶颈以及先前学习型方法的泛化限制。