نموذج تنبؤ بالمقاومة الحرارية للشرائح المتكاملة غير المتجانسة يتضمن شبكة عصبية ارتدادية قائمة على الذكاء الاصطناعي

لماذا تهم الشرائح الأكثر برودة

تزداد قدرة هواتفنا وحواسيبنا ومراكز البيانات باستمرار عبر حشر أنواع متعددة من الشرائح الصغيرة داخل حزمة واحدة. هذا التكديس «غير المتجانس» يعزز السرعة والقدرة، لكنه أيضًا يحبس الحرارة في مساحات ضيقة. إذا لم يستطع المهندسون التنبؤ بهذه الحرارة وإدارتها بسرعة ودقة، فقد تتباطأ الأجهزة أو تتعرض للفشل المبكر أو تهدر الطاقة. يقدم هذا البحث طريقة جديدة للتنبؤ بمدى قدرة هذه الشرائح المعقدة على تبديد الحرارة، باستخدام نموذج ذكاء اصطناعي موجه بقوانين الفيزياء الأساسية بدلاً من تجاهلها.

مشكلة الحرارة داخل الشرائح الحديثة

مع قيام مصنعي الشرائح بتكديس وحدات معالجة متعددة والذاكرة ومكونات أخرى في هياكل ثلاثية الأبعاد سميكة، تصبح مسارات هروب الحرارة أقل فاعلية. تتشكل نقاط ساخنة حيث تكون الكثافة الحرارية عالية أو المواد ناقلة للحرارة بصورة ضعيفة، وتصبح الواجهات الدقيقة بين الطبقات عنق زجاجة. يمكن للمحاكيات الفيزيائية التقليدية التنبؤ بدرجات الحرارة بتفصيل كبير، لكنها بطيئة—غالبًا ما تستغرق عشرات الدقائق أو الساعات لتصميم واحد. الصيغ البسيطة أسرع بكثير، لكنها تغفل التفاصيل البنيوية الدقيقة التي تهيمن الآن على تدفق الحرارة. يواجه المهندسون معضلة بين الدقة والسرعة تمامًا عندما يحتاجون لاستكشاف آلاف خيارات التصميم.

مزاوجة البصيرة الفيزيائية مع الشبكات العصبية

بدلًا من اعتبار الشريحة صندوقًا أسود غامضًا، يعلم المؤلفون شبكة عصبية ارتدادية (BP) بما يتحكم فعلاً في الحرارة: الهندسة، والمواد، والطاقة، وظروف التبريد. يبنون نظام ميزات يصف عدد طبقات الشريحة، وسمكها، وكثافة الاتصالات العمودية الصغيرة، ومدى توصيل كل مادة للحرارة، وكيفية توزيع الطاقة على السطح، ومدى قوة التبريد في الأعلى والأسفل. بعض الميزات هي قياسات مباشرة؛ وأخرى تجمع صيغ نقل الحرارة الأساسية في مؤشرات مفيدة، مثل مدى قرب واجهة ما من تماس حراري مثالي. هذه الوصف الموجه بالفيزياء يزود الشبكة بمعلومات يستخدمها المهندسون أنفسهم عند التفكير في مشاكل الحرارة.

تعليم الذكاء الاصطناعي احترام قوانين الطبيعة

تم تخصيص بنية الشبكة العصبية بحيث تبقى سلوكياتها متوافقة مع الحدس الفيزيائي. تُجمَّع المدخلات في قنوات—الهندسة، المواد، الطاقة، والحدود—بحيث تتفاعل الكميات المرتبطة أولاً قبل أن تختلط. في طبقة داخلية رئيسية، تُجْبَر الوصلات على امتلاك إشارات تتطابق مع العلاقات السببية المعروفة: زيادة الموصلية الحرارية يجب أن تقلل دائمًا المقاومة المتوقعة، بينما زيادة سمك مادة ناقلة ضعيفة أو رفع الطاقة يجب أن تزيدها دائمًا. يتم فرض ذلك رياضيًا بحيث لا يمكن لأي قدر من البيانات أن يدفع النموذج لانتهاك هذه الاتجاهات. طبقة أخرى تستخدم آلية انتباه: تتعلم تلقائيًا أي تراكيب الميزات هي الأكثر أهمية في كل حالة، على سبيل المثال عندما تصبح الاتصالات العمودية الكثيفة حاسمة لتبريد النقاط الساخنة العميقة داخل التكديس.

تعلّم عدة إشارات حرارية في الوقت نفسه

بدلاً من التنبؤ برقم واحد فقط، يتعلم النموذج ثلاث نتائج مترابطة في آنٍ واحد: المقاومة الحرارية الكلية من الشريحة إلى البيئة، ودرجة الحرارة القصوى على الشريحة، ومدى عدم تجانس حقل درجات الحرارة. مشاركة المعلومات عبر هذه المهام تعمل كنوع من انضباط التدريب، تدفع الشبكة نحو تمثيلات منطقية لجميع الثلاثة. وللحفاظ على مصداقيته، تتضمن دالة الخسارة أيضًا شروطًا تكافئ السلوك الأحادي الاتجاه وتقريب حفظ الطاقة—ضمانًا لأن الحرارة المتوقعة الخارجة من الشريحة تتطابق مع الحرارة المولدة. بعد التدريب على 1500 حالة محاكاة عالية الدقة، يتفوق النموذج الموجه بالفيزياء على الشبكات العصبية التقليدية، والغابات العشوائية، وطرق شائعة أخرى. يصل إلى معامل تحديد بقيمة 0.982 للمقاومة الحرارية الكلية و0.969 للدرجة القصوى، مع تقليل متوسط مربع الخطأ إلى نحو النصف مقارنة بشبكة عصبية تقليدية.

من أيام من المحاكاة إلى أجزاء من الثانية

بمجرد تدريب النموذج، يقدم التنبؤات في غضون بضعة أجزاء من الألف من الثانية، مقارنةً بنحو 25 دقيقة لكل محاكاة مفصّلة. هذا التسريع الذي يزيد عن 180000 مرة يعني أن مصممي الشرائح يمكنهم استخدامه بشكل تفاعلي داخل برامج التصميم: تعديل سماكات الطبقات أو المواد أو خرائط الطاقة ومشاهدة النتائج الحرارية فورًا تقريبًا. تُظهر الاختبارات أن النموذج يظل موثوقًا حتى للهياكل الأكثر تعقيدًا ذات طبقات عديدة واتصالات كثيفة، لأنه تعلم ليس فقط أنماطًا إحصائية بل قواعد فيزيائية واسعة. وعلى الرغم من أنه لا ينتج بعد خرائط درجات حرارة ثلاثية الأبعاد كاملة أو يتعامل مع كل أساليب التبريد الغريبة، يمكن توسيع الإطار ودمجه مع أدوات أخرى لسد هذه الثغرات.

ما الذي يعنيه هذا للتكنولوجيا اليومية

عمليًا، يقدم هذا العمل «رفيقًا» حراريًا سريعًا وموثوقًا لمصممي الشرائح. من خلال دمج الفيزياء مع التعلم الآلي، يتجنب المخاطر الكبرى للذكاء الاصطناعي ذي الصندوق الأسود—التنبؤات الهرائية التي تنتهك القوانين الأساسية—مع الاحتفاظ بسرعة هائلة مقارنة بالمحاكاة القسرية. مع دفع الشركات نحو شرائح أصغر وأكثر قوة للأجهزة الاستهلاكية ومراكز البيانات والمستشعرات المتقدمة، يمكن لنماذج موجهة بالفيزياء مثل هذه أن تساعد في إبقاء الإلكترونيات المستقبلية أبرد وأكثر موثوقية وكفاءة في استخدام الطاقة، وهو ما يعود بالنفع في النهاية على أي شخص يعتمد على التكنولوجيا الرقمية.

الاستشهاد: Li, Y., Xu, S. & Guo, L. A thermal resistance prediction model for heterogeneous integrated chips incorporating an AI-based BP neural network. Sci Rep 16, 9781 (2026). https://doi.org/10.1038/s41598-026-40640-1

الكلمات المفتاحية: إدارة الحرارة في الشرائح, الاندماج غير المتجانس, الذكاء الاصطناعي الموجه بالفيزياء, نمذجة بالشبكات العصبية, تبريد الإلكترونيات