Fizik temelli bir BP yapay sinir ağı içeren heterojen entegre çipler için bir ısıl direnç tahmin modeli

Neden daha serin çipler önemli

Telefonlarımız, dizüstü bilgisayarlarımız ve veri merkezlerimiz, farklı türde birçok küçük çipi tek bir pakette sıkıştırarak giderek daha güçlü hale geliyor. Bu “heterojen” yığınlama hız ve yetenekleri artırıyor, ancak aynı zamanda ısıyı dar alanlarda hapsediyor. Mühendisler bu ısıyı hızlı ve doğru şekilde tahmin edip yönetemezse, cihazlar yavaşlayabilir, erken arızalanabilir veya enerji israfı yaşanabilir. Bu makale, böyle karmaşık çiplerin ısıyı ne kadar etkili dağıttığını öngörmek için, temel fizik kanunlarıyla yönlendirilen bir yapay zeka modeli kullanan yeni bir yaklaşım sunuyor.

Modern çiplerdeki ısı sorunu

Çip üreticileri birden çok işlem birimini, belleği ve diğer bileşenleri kalın üç boyutlu yapılara yığdıkça ısı artık kolayca kaçamıyor. Güç yoğunluğunun yüksek olduğu veya malzemelerin ısıyı kötü ilettiği yerlerde sıcak noktalar oluşuyor ve katmanlar arasındaki ince arayüzler darboğaz haline geliyor. Fizik temelli geleneksel bilgisayar simülasyonları sıcaklıkları ayrıntılı şekilde tahmin edebiliyor, fakat yavaştır—tek bir tasarım için genellikle on dakika veya saatler sürebilir. Basit formüller çok daha hızlıdır, ancak artık ısı akışını belirleyen ince yapısal ayrıntıları kaçırır. Mühendisler, binlerce tasarım seçeneğini keşfetmeleri gereken bir dönemde doğruluk ile hız arasında sıkışıp kalıyor.

Fiziksel sezgi ile sinir ağlarını harmanlamak

Çipi gizemli bir kara kutu gibi ele almak yerine, yazarlar geri yayılım (BP) sinir ağına ısıyı gerçekten neyin kontrol ettiğini öğretiyor: geometri, malzemeler, güç ve soğutma koşulları. Çipin kaç katmana sahip olduğu, bunların kalınlıkları, küçük dikey bağlantıların yoğunluğu, her malzemenin ısı iletkenliği, yüzeye yayılmış güç dağılımı ve üst ile alt yüzeylerin ne kadar güçlü soğutulduğu gibi özellikleri tanımlayan bir özellik sistemi kuruyorlar. Bazı özellikler doğrudan ölçümler; diğerleri ise bir arayüzün ideal termal temasına ne kadar yakın olduğunu gösteren anlamlı göstergeler oluşturmak için temel ısı transferi formüllerini birleştiriyor. Bu fizik rehberli tanım, mühendislere ısı hakkında düşünürken kullandıkları bilgileri ağa besliyor.

Yapay zekâyı doğa yasalarına saygı göstermeye öğretmek

Sinir ağı mimarisi, davranışının fiziksel sezgiyle uyumlu kalmasını sağlayacak şekilde özelleştiriliyor. Girdiler geometri, malzemeler, güç ve sınırlar gibi kanallara gruplanıyor—böylece ilişkili nicelikler karışmadan önce önce etkileşime giriyor. Önemli bir iç katmanda, bağlantıların işaretleri bilinen nedensellikle eşleştirilecek şekilde zorlanıyor: ısı iletkenliğinin artması her zaman tahmin edilen direncin azalmasına yol açmalı, kötü bir iletkenin kalınlaşması veya gücün artması ise her zaman direnci artırmalı. Bu, hiçbir veri miktarının modelin bu eğilimleri ihlal etmesini engelleyemeyeceği şekilde matematiksel olarak uygulanıyor. Başka bir katman dikkat (attention) mekanizması kullanıyor: hangi özellik kombinasyonlarının her durumda en önemli olduğunu otomatik olarak öğreniyor; örneğin yoğun dikey bağlantıların yığının derinliklerindeki sıcak noktaları soğutmada belirleyici hale geldiği durumlarda.

Birden çok ısıl sinyali aynı anda öğrenmek

Sadece tek bir sayı tahmin etmek yerine model aynı anda üç ilişkili çıktıyı öğreniyor: çipten çevreye toplam ısıl direnç, çip üzerindeki en yüksek tek sıcaklık ve sıcaklık alanının ne kadar dengesiz olduğu. Bu görevler arasında bilgi paylaşımı, ağı tümü için mantıklı temsillere yönlendiren bir eğitim disiplini işlevi görüyor. Modelin dürüst kalması için kayıp fonksiyonuna ayrıca monoton davranışı ödüllendiren ve yaklaşık enerji korunumunu sağlayan terimler de ekleniyor—tahmin edilen çipten çıkan ısının üretilen ısıyla eşleşmesini garanti etmek için. 1.500 yüksek doğruluklu simülasyon vakası ile eğitilen fizik bilgili model, standart sinir ağları, rastgele ormanlar ve diğer yaygın yöntemlerden daha iyi performans gösteriyor. Toplam ısıl direnç için belirleme katsayısını 0,982'ye ve maksimum sıcaklık için 0,969'a ulaştırırken, ortalama kare hatayı geleneksel bir sinir ağına kıyasla neredeyse yarıya indiriyor.

Günler süren simülasyondan milisaniyelerle elde edilen içgörüye

Eğitildikten sonra model, ayrıntılı bir simülasyona kıyasla yaklaşık 25 dakikayla karşılaştırıldığında yalnızca birkaç milisaniyede tahminler sunuyor. Bu yaklaşık 180.000 katın üzerinde bir hızlanma, çip tasarımcılarının katman kalınlıklarını, malzemeleri veya güç haritalarını ayarlayıp termal sonuçları neredeyse anında görerek tasarım yazılımında etkileşimli olarak kullanabilmesine olanak sağlıyor. Testler, modelin yalnızca istatistiksel desenleri değil aynı zamanda geniş fiziksel kuralları da öğrendiği için çok katmanlı ve yoğun bağlantılı daha karmaşık yapılar için bile güvenilir kaldığını gösteriyor. Henüz tam 3B sıcaklık haritaları üretmese veya her egzotik soğutma şemasını ele almasa da, çerçeve bu boşlukları doldurmak üzere genişletilebilir ve diğer araçlarla birleştirilebilir.

Günlük teknoloji için bunun anlamı

Uygulamada bu çalışma, çip tasarımcıları için hızlı ve güvenilir bir termal “eş pilot” sunuyor. Fiziği makine öğrenimiyle birleştirerek kara kutu yapay zekânın en kötü tuzaklarından—temel yasaları çiğneyen anlamsız tahminlerden—kaçınıyor, aynı zamanda kaba kuvvet simülasyonlarına kıyasla muazzam bir hız kazancı sağlıyor. Şirketler tüketici cihazları, veri merkezleri ve gelişmiş sensörler için giderek daha kompakt ve güçlü çiplere doğru ilerledikçe, böyle fizik bilgili modeller gelecekte elektroniğin daha serin, daha güvenilir ve daha enerji verimli kalmasına yardımcı olabilir; nihayetinde dijital teknolojiye bağımlı olan herkesin yararına olacaktır.

Atıf: 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

Anahtar kelimeler: çip ısıl yönetimi, heterojen entegrasyon, fizik bilgili yapay zeka, sinir ağı modelleme, elektronik soğutma