En modell för prognos av termiskt motstånd i heterogena integrerade kretsar som inkluderar ett AI-baserat BP-neuralt nätverk

Varför svalare chip spelar roll

Våra telefoner, bärbara datorer och datacenter blir allt kraftfullare genom att många olika typer av små kretsar pressas ihop i ett enda paket. Denna "heterogena" stapling ökar hastighet och kapacitet, men fångar också värme i trånga utrymmen. Om ingenjörer inte snabbt och korrekt kan förutsäga och hantera denna värme kan enheter bli långsammare, fallera i förtid eller slösa energi. Denna artikel presenterar ett nytt sätt att förutsäga hur väl sådana komplexa kretsar avleder värme, med en artificiell intelligensmodell som styrs av fysikens grundläggande lagar istället för att ignorera dem.

Värmeproblemet inne i moderna chip

När krettillverkare staplar flera processorenheter, minne och andra komponenter i tjocka tredimensionella strukturer kan värme inte längre komma ut lätt. Hotspots bildas där effekten är tät eller material leder värme dåligt, och små gränssnitt mellan lager blir flaskhalsar. Traditionella datorbaserade simuleringar som bygger på fysik kan förutsäga temperaturer i detalj, men de är långsamma—ofta tar de tiotals minuter eller timmar för en enda design. Enkla formler är mycket snabbare, men missar de fina strukturella detaljer som nu dominerar värmeflödet. Ingenjörer sitter fast mellan noggrannhet och hastighet just när de behöver utforska tusentals designalternativ.

Att blanda fysisk insikt med neurala nätverk

I stället för att betrakta chippet som en mystisk svart låda lär författarna ett backpropagation (BP)-neuronalt nätverk om vad som verkligen styr värme: geometri, material, effekt och kylförhållanden. De bygger ett featuresystem som beskriver hur många lager chippet har, deras tjocklekar, hur täta de små vertikala förbindelserna är, hur väl varje material leder värme, hur effekten fördelas över ytan och hur starkt toppen och botten kyls. Vissa features är direkta mätvärden; andra kombinerar grundläggande värmeöverföringsformler till meningsfulla indikatorer, som hur nära ett gränssnitt är idealisk termisk kontakt. Denna fysikinformerade beskrivning matar nätverket med information som ingenjörer själva använder när de resonerar om värme.

Att lära AI att respektera naturens lagar

Det neurala nätverkets arkitektur är anpassad så att dess beteende förblir i linje med fysikalisk intuition. Ingångar grupperas i kanaler—geometri, material, effekt och gränsvillkor—så att relaterade storheter interagerar först innan de blandas. I ett viktigt internt lager tvingas kopplingarna att ha tecken som matchar känd orsak-verkan: ökad värmeledningsförmåga måste alltid minska det förutsagda motståndet, medan att förtjocka en dålig ledare eller öka effekten alltid måste öka det. Detta upprätthålls matematiskt så att ingen mängd data kan pressa modellen att bryta dessa trender. Ett annat lager använder en attention-mekanism: det lär sig automatiskt vilka kombinationer av features som betyder mest i varje situation, till exempel när täta vertikala förbindelser blir avgörande för att kyla hotspots djupt inne i stapeln.

Att lära flera värmesignaler samtidigt

I stället för att förutsäga bara ett tal lär sig modellen tre relaterade utfall samtidigt: det övergripande termiska motståndet från chip till omgivning, den högsta enskilda temperaturen på chippet och hur ojämnt temperaturfältet är. Att dela information över dessa uppgifter fungerar som en form av träningsdisciplin och styr nätverket mot representationer som är meningsfulla för alla tre. För att hålla det ärligt inkluderar förlustfunktionen också termer som belönar monoton beteende och approximativ energikonservering—vilket säkerställer att den förutsagda värmen som lämnar chippet matchar den genererade värmen. Tränad på 1 500 högupplösta simuleringsfall överträffar den fysikinformerade modellen standardneuronätverk, random forests och andra vanliga metoder. Den når en förklaringsgrad på 0,982 för total termisk resistans och 0,969 för maximal temperatur, samtidigt som medelkvadratfelet nästan halveras jämfört med ett konventionellt neuralt nätverk.

Från dagar av simulering till millisekunder av insikt

När modellen väl är tränad levererar den förutsägelser på bara några tusendelar av en sekund, jämfört med ungefär 25 minuter per detaljerad simulering. Denna hastighetsökning på mer än 180 000 gånger innebär att kretdesigners kan använda den interaktivt i designprogramvara: justera lagertjocklekar, material eller effektkartor och se termiska konsekvenser nästan omedelbart. Tester visar att modellen förblir pålitlig även för mer komplexa strukturer med många lager och täta förbindelser, eftersom den har lärt sig inte bara statistiska mönster utan också breda fysikaliska regler. Även om den ännu inte producerar fullständiga 3D-temperaturkartor eller hanterar varje exotiskt kylupplägg, kan ramverket utökas och kombineras med andra verktyg för att fylla dessa luckor.

Vad detta betyder för vardagsteknik

I praktiska termer erbjuder detta arbete en snabb, pålitlig termisk "samarbetspartner" för kretdesigners. Genom att förena fysik med maskininlärning undviker det de värsta fallgroparna med svart-låda-AI—nonsensförutsägelser som bryter grundläggande lagar—samtidigt som det fortfarande ger enorm hastighetsfördel jämfört med bruteforce-simuleringar. När företag strävar efter allt mer kompakta och kraftfulla chip för konsumentprodukter, datacenter och avancerade sensorer kan sådana fysikinformerade modeller hjälpa till att hålla framtida elektronik svalare, mer pålitlig och mer energieffektiv, vilket i slutändan gynnar alla som är beroende av digital teknik.

Citering: 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

Nyckelord: kylning av chip, heterogen integrering, fysikinformerad AI, neuralt nätverksmodellering, elektronisk kylning