AI for Science with GPT-6 Astra: Thermal Design and Electrothermal Analysis of 2D CFET
本文表明，一种利用 GPT-6 Astra 的 AI 智能体工作流能够通过提出并验证能够显著降低峰值温度且量化相关电学权衡的结构修改方案，成功优化 2D CFET 反相器的热设计。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
现代电子设备的体积正在不断缩小，以至于开关计算机本身就会产生惊人的热量。当工程师为了节省空间将不同类型的晶体管堆叠在一起时，他们会将热量困在一个微小的足迹内，就像在温暖的身体上堆叠毯子一样。层与层之间的材料充当了绝缘体，使得热量难以散发。如果热量积聚，会改变电流的流动方式，进而产生更多的热量，可能导致设备失效。对于下一代超小型芯片而言，寻找一种既不增加设备体积也不降低其速度的方法来导出热量，是物理学和工程学领域最关键的挑战之一。
为了解决这个问题，研究人员最近转向了一种新型的助手：人工智能科学家。他们不仅仅是让计算机解决一个数学问题，而是给了它一个虚拟实验室和一个明确的目标。研究人员正在研究一种由二维材料制成的未来芯片，这些材料是极其薄的原子层，本质上是平面的。这些芯片旨在将 n 型和 p 型晶体管垂直堆叠，从而创建一个紧凑的反相器——这是翻转电信号的基础构建模块。团队想要知道，人工智能是否能找出如何重新排列芯片内部微小的金属导线以实现降温，以及这样做是否会损害芯片的性能。
这个名为 Astra 的人工智能系统被置于芯片的数字模拟环境中。它的任务是测试连接设备顶层和底层金属导线的不同形状和位置。研究人员设定了严格的规则：所使用的金属总量必须保持完全一致，且芯片必须能够处理特定量的电功率。Astra 首先测试了一个当时看起来似乎合乎逻辑的假设：或许将较热的上层导线加宽会有所帮助。然而，模拟结果却显示了相反的情况。当人工智能加宽顶层的导线时，芯片反而变得更热了。AI 很快意识到，解决方案不在于把东西做大，而在于移动它们。它提出了一个设计方案：将顶层的金属变窄并向内移动，同时将节省下来的金属转移到下层。这种重新分配使得热量更容易向下流动。
但人工智能并没有止步于此。第二个协调的 AI 代理观察了结果，并建议增加一个新部件：一条从设备向下延伸至底座的狭窄垂直路径，就像一个烟囱一样，用以带走热量。当研究人员将重新定位的导线与这条新的散热路径结合时，结果显而易见。在模拟中，与原始设计相比，芯片的峰值温度下降了 1.67 开尔文。这是一个显著的进步，证明了人工智能不仅能找到更好的形状，还能发明一种人类可能不会立即考虑到的移动热量的新方法。
随后，研究人员在更真实的条件下测试了这种新设计，即芯片在实际运行电路并根据工作强度产生自身热量的场景。在这种情况下，冷却效果虽然减小了，但依然存在，使温度降低了约 0.3 开尔文。更重要的是，这项研究揭示了这种冷却的代价。为了实现更低的温度，芯片的导电能力略有下降，损失了约 2% 的最大电流。这种权衡对于工程师来说至关重要：更好的冷却是可能的，但它伴随着速度或功率上的微小惩罚。人工智能成功地量化了这种平衡，准确展示了为了获得特定的冷却效果而牺牲了多少性能。
为了确保这些结果不仅仅是计算机代码中的漏洞，团队要求几个不同的 AI 模型独立重复计算。大多数模型都完全一致，证实了研究结果。然而，其中一个模型出现了严重的失败，产生了一个偏差超过 100 度的结果，这帮助研究人员识别出了该模型处理数据时的特定错误。这种检查再检查的过程让团队对模拟中 1.67 度的提升具有信心。研究结论认为，尽管该设计尚未在物理实验室中制造出来，但这里使用的流程——即由 AI 提出结构、测试它并衡量成本——是行之有效的。它表明，人工智能现在可以作为科学发现的伙伴，在任何一块金属被制造出来之前，就根据物理定律对其进行物理设计并进行严格测试。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。