Zhen Huang Hong Wang Wenkai Yang Muxi Tang et al

الملخص

تُعد إدارة الحرارة في الدوائر المتكاملة ثلاثية الأبعاد (3D ICs) تحديًا متزايدًا بسبب الكثافة العالية للطاقة. وعلى الرغم من دقة الطرق التقليدية القائمة على حل المعادلات التفاضلية الجزئية (PDE)، إلا أنها بطيئة جدًا في التصميم التكراري. أما النماذج القائمة على التعلم الآلي مثل FNO، فهي توفر بدائل أسرع، لكنها تعاني من فقدان المعلومات عالية التردد، وتتطلب بيانات عالية الدقة. نقدم في هذا العمل إطار عمل جديد يُسمى "مُشغل الشبكة العصبية التناوبية ذات الانتباه الذاتي وبنية U-Net" (SAU-FNO)، الذي يجمع بين مفهوم الانتباه الذاتي وبنية U-Net مع FNO، بهدف التقاط الاعتماديات طويلة المدى وتمثيل الخصائص عالية التردد المحلية بشكل فعّال. كما نستخدم التعلم القابل للتحويل (Transfer Learning) لضبط النموذج على بيانات منخفضة الدقة، مما يقلل الحاجة إلى مجموعات بيانات عالية الدقة الواسعة، ويسرع من عملية التدريب. أظهرت التجارب أن نموذج SAU-FNO يحقق دقة متقدمة جدًا في التنبؤ بدرجات الحرارة، ويُسجّل تسريعًا بنسبة 842 مرة مقارنةً بطرق العناصر المحدودة (FEM) التقليدية، ما يجعله أداة فعّالة لمحاكاة درجات الحرارة في الدوائر المتكاملة ثلاثية الأبعاد المتقدمة.