Een model voor het voorspellen van thermische weerstand van heterogene geïntegreerde chips met een op AI gebaseerd BP-neuraal netwerk

Waarom koelere chips belangrijk zijn

Onze telefoons, laptops en datacenters worden steeds krachtiger doordat verschillende soorten kleine chips in één pakket worden samengebracht. Deze "heterogene" stapeling verhoogt snelheid en functionaliteit, maar houdt ook warmte gevangen in krappe ruimtes. Als ingenieurs deze warmte niet snel en nauwkeurig kunnen voorspellen en beheersen, kunnen apparaten vertragen, vroegtijdig uitvallen of energie verspillen. Dit artikel presenteert een nieuwe methode om te voorspellen hoe goed zulke complexe chips warmte afvoeren, met een kunstmatig-intelligentie-model dat wordt aangestuurd door de basiswetten van de fysica in plaats van die te negeren.

Het warmteprobleem binnen moderne chips

Nu chipfabrikanten meerdere verwerkingsunits, geheugen en andere componenten in dikke driedimensionale structuren stapelen, kan warmte niet langer gemakkelijk ontsnappen. Hotspots ontstaan waar vermogen dicht opeengepakt is of materialen warmte slecht geleiden, en de kleine interfaces tussen lagen worden knelpunten. Traditionele computersimulaties op basis van fysica kunnen temperaturen zeer gedetailleerd voorspellen, maar ze zijn traag—vaak tientallen minuten of uren voor één ontwerp. Eenvoudige formules zijn veel sneller, maar missen de fijne structurele details die nu de warmteoverdracht domineren. Ingenieurs zitten vast tussen nauwkeurigheid en snelheid juist wanneer ze duizenden ontwerpmogelijkheden moeten verkennen.

Combineren van fysische inzichten met neurale netwerken

In plaats van de chip als een mysterieuze zwarte doos te behandelen, leren de auteurs een backpropagation (BP) neuraal netwerk wat echt het gedrag van warmte bepaalt: geometrie, materialen, vermogen en koelomstandigheden. Ze bouwen een kenmerkensysteem dat beschrijft hoeveel lagen de chip heeft, hun diktes, hoe dicht de kleine verticale verbindingen zijn, hoe goed elk materiaal warmte geleidt, hoe vermogen over het oppervlak verdeeld is en hoe sterk de boven- en onderzijde gekoeld worden. Sommige kenmerken zijn directe metingen; andere combineren basisformules voor warmteoverdracht tot betekenisvolle indicatoren, zoals hoe dicht een interface bij ideale thermische contactwaarde ligt. Deze door de fysica geleide beschrijving voedt het netwerk met informatie die ingenieurs zelf gebruiken bij het nadenken over warmte.

De AI leren de natuurwetten te respecteren

De architectuur van het neurale netwerk is op maat gemaakt zodat het gedrag in lijn blijft met fysische intuïtie. Invoer wordt gegroepeerd in kanalen—geometrie, materialen, vermogen en grenzen—zodat gerelateerde grootheden eerst met elkaar interacteren voordat ze mengen. In een belangrijke interne laag worden de verbindingen gedwongen tekens te hebben die overeenkomen met bekende oorzaak-gevolgrelaties: het verhogen van thermische geleidbaarheid moet altijd de voorspelde weerstand verlagen, terwijl het dikker maken van een slechte geleider of het verhogen van het vermogen deze altijd moet vergroten. Dit wordt wiskundig afgedwongen zodat geen hoeveelheid data het model kan dwingen deze trends te schenden. Een andere laag gebruikt een aandachtmechanisme: het leert automatisch welke combinaties van kenmerken in elke situatie het belangrijkst zijn, bijvoorbeeld wanneer dichte verticale verbindingen cruciaal worden om hotspots diep in de stapel te koelen.

Meerdere warmte-uitkomsten tegelijk leren

In plaats van slechts één getal te voorspellen, leert het model drie gerelateerde uitkomsten tegelijk: de totale thermische weerstand van chip naar omgeving, de hoogste temperatuur op de chip en hoe ongelijk de temperatuurverdeling is. Het delen van informatie tussen deze taken werkt als een trainingsdiscipline en stuurt het netwerk naar representaties die voor alle drie zinnig zijn. Om het betrouwbaar te houden bevat de verliesfunctie ook termen die monotone gedragingen belonen en ongeveer energiebehoud afdwingen—zodat de voorspelde warmte die de chip verlaat overeenkomt met de gegenereerde warmte. Getraind op 1.500 simulaties met hoge nauwkeurigheid, presteert het fysica-geïnformeerde model beter dan standaard neurale netwerken, random forests en andere veelgebruikte methoden. Het bereikt een determinatiecoëfficiënt van 0,982 voor totale thermische weerstand en 0,969 voor maximale temperatuur, terwijl de gemiddelde kwadratische fout bijna gehalveerd wordt vergeleken met een conventioneel neuraal netwerk.

Van dagen aan simulatie naar milliseconden inzicht

Eens getraind levert het model voorspellingen in slechts enkele duizendsten van een seconde, vergeleken met ongeveer 25 minuten per gedetailleerde simulatie. Deze snelheidswinst van meer dan 180.000 keer betekent dat chipontwerpers het interactief in ontwerpprogramma's kunnen gebruiken: laagdiktes, materialen of krachtverdelingen aanpassen en de thermische gevolgen bijna direct zien. Tests tonen aan dat het model betrouwbaar blijft, zelfs voor complexere structuren met veel lagen en dichte verbindingen, omdat het niet alleen statistische patronen heeft geleerd maar ook brede fysische regels. Hoewel het nog geen volledige 3D-temperatuurkaarten produceert of elk exotisch koelschema afhandelt, kan het kader worden uitgebreid en gecombineerd met andere hulpmiddelen om die hiaten op te vullen.

Wat dit betekent voor dagelijkse technologie

Praktisch gezien biedt dit werk een snelle, betrouwbare thermische "co-piloot" voor chipontwerpers. Door fysica met machine learning te combineren, voorkomt het de ergste valkuilen van black-box AI—onzinvoorspellingen die basiswetten doorbreken—terwijl het nog steeds enorme snelheidswinst boekt ten opzichte van brute-force simulaties. Nu bedrijven streven naar steeds compactere en krachtigere chips voor consumentenelektronica, datacenters en geavanceerde sensoren, kunnen dergelijke fysica-geïnformeerde modellen helpen toekomstige elektronica koeler, betrouwbaarder en energiezuiniger te houden, wat uiteindelijk iedereen ten goede komt die afhankelijk is van digitale technologie.

Bronvermelding: 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

Trefwoorden: thermisch beheer van chips, heterogene integratie, fysica-geïnformeerde AI, neurale netwerkmodellering, elektronische koeling