Модель предсказания теплового сопротивления для гетерогенно интегрированных микросхем с использованием нейронной сети BP, ориентированной на физику

Почему холодные микросхемы важны

Наши телефоны, ноутбуки и центры обработки данных становятся всё мощнее, упаковывая множество различных типов мелких микросхем в один корпус. Такая «гетерогенная» укладка повышает скорость и функциональность, но при этом запирает тепло в плотных слоях. Если инженеры не смогут быстро и точно предсказывать и управлять этим теплом, устройства начнут тормозить, преждевременно выходить из строя или тратить лишнюю энергию. В статье предлагается новый способ прогнозирования того, насколько эффективно такие сложные микросхемы отводят тепло, с помощью искусственной нейронной сети, руководствующейся фундаментальными законами физики, а не игнорирующей их.

Проблема тепла внутри современных микросхем

По мере того как производители размещают несколько вычислительных блоков, память и другие компоненты в толстых трёхмерных структурах, тепло уже не может легко уходить наружу. Там, где плотность мощности велика или материалы плохо проводят тепло, формируются горячие точки, а тонкие интерфейсы между слоями становятся узкими местами. Традиционные физические симуляции могут подробно предсказывать температурное поле, но они медленны — часто занимают десятки минут или часов для одного проекта. Простые формулы работают быстрее, но пропускают мелкие структурные детали, которые теперь определяют теплоперенос. Инженеры оказываются между точностью и скоростью как раз тогда, когда нужно исследовать тысячи вариантов проектирования.

Сочетание физического понимания и нейронных сетей

Вместо того чтобы рассматривать микросхему как таинственную «чёрную коробку», авторы обучают нейронную сеть обратного распространения (BP) тому, что действительно контролирует тепло: геометрии, материалам, распределению мощности и условиям охлаждения. Они создают систему признаков, описывающую число слоёв в кристалле, их толщины, плотность вертикальных соединений, теплопроводность материалов, распределение мощности по поверхности и интенсивность охлаждения сверху и снизу. Некоторые признаки — прямые измерения; другие объединяют базовые формулы теплопереноса в полезные индикаторы, например насколько близок интерфейс к идеальному тепловому контакту. Это физически направленное описание снабжает сеть информацией, которой инженеры сами пользуются при рассуждении о тепле.

Обучение ИИ уважать законы природы

Архитектура нейросети настроена так, чтобы её поведение соответствовало физической интуиции. Входные данные сгруппированы по каналам — геометрия, материалы, мощность и граничные условия — так что связанные величины сначала взаимодействуют внутри групп, а затем перемешиваются. На ключевом внутреннем слое связи принудительно получают знаки, согласующиеся с известной причинно-следственной связью: увеличение теплопроводности всегда должно уменьшать предсказанное сопротивление, тогда как утолщение плохого проводника или увеличение мощности всегда должно его увеличивать. Это математически строго обеспечено, поэтому никакие данные не смогут заставить модель нарушить эти тренды. Ещё один слой использует механизм внимания: он автоматически учится тому, какие комбинации признаков наиболее важны в каждой ситуации, например когда плотные вертикальные соединения становятся решающими для охлаждения горячих точек глубоко в стеке.

Одновременное изучение нескольких тепловых сигналов

Вместо предсказания одного числа модель одновременно изучает три взаимосвязанных результата: общее тепловое сопротивление от кристалла до окружающей среды, максимальную температуру на кристалле и степень неоднородности температурного поля. Совместное обучение по этим задачам действует как дисциплина — направляет сеть к представлениям, имеющим смысл для всех трёх задач. Чтобы удержать её честной, функция потерь также включает слагаемые, поощряющие монотонность и приближённое соблюдение закона сохранения энергии — обеспечивая, что предсказанное тепло, уходящее из кристалла, соответствует генерируемому. Обученная на 1500 высокоточных симуляциях, физически-информированная модель превосходит стандартные нейросети, случайные леса и другие распространённые методы. Коэффициент детерминации достигает 0.982 для суммарного теплового сопротивления и 0.969 для максимальной температуры, при этом среднеквадратичная ошибка сокращается почти вдвое по сравнению с обычной нейросетью.

От дней симуляций к миллисекундам инсайта

После обучения модель выдаёт предсказания за считанные тысячные секунды, в то время как подробная симуляция занимает примерно 25 минут. Ускорение более чем в 180 000 раз позволяет конструкторам микросхем использовать её интерактивно в среде проектирования: изменять толщины слоёв, материалы или карты мощности и почти мгновенно видеть тепловые последствия. Тесты показывают, что модель остаётся надёжной даже для более сложных структур с множеством слоёв и плотными соединениями, потому что она выучила не только статистические закономерности, но и общие физические правила. Хотя она ещё не даёт полных 3D-карт температур и не охватывает все экзотические схемы охлаждения, эту концепцию можно расширить и объединить с другими инструментами, чтобы закрыть эти пробелы.

Что это значит для повседневных технологий

В практическом плане работа предлагает быстрый и надёжный «со-пилот» по тепловому проектированию микросхем. Сочетая физику и машинное обучение, она избегает худших ловушек чёрного ящика ИИ — бессмыслицы, противоречащей базовым законам — при этом обеспечивая огромный выигрыш в скорости по сравнению с прямыми симуляциями. По мере того как компании стремятся к всё более компактным и мощным микросхемам для потребительских устройств, центров обработки данных и продвинутых датчиков, такие модели, учитывающие физику, могут помочь сохранять электронику будущего холоднее, надёжнее и энергоэффективнее, принося выгоду каждому, кто зависит от цифровых технологий.

Цитирование: 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

Ключевые слова: тепловое управление микросхемой, гетерогенная интеграция, ИИ, учитывающий физику, моделирование нейронными сетями, охлаждение электроники