Zhen Huang Hong Wang Wenkai Yang Muxi Tang et al

Abstract

Die thermische Verwaltung in 3D-ICs wird aufgrund höherer Leistungsdichten zunehmend herausfordernd. Traditionelle, auf der Lösung von partiellen Differentialgleichungen (PDE) basierende Methoden sind zwar hochpräzise, jedoch zu langsam für iteratives Design. Maschinenlernansätze wie der Fourier-Neurale Operator (FNO) bieten schnellere Alternativen, leiden jedoch unter Informationsverlust bei hohen Frequenzen und sind stark von hochfidelitätsbasierten Datensätzen abhängig. Wir stellen einen neuartigen Ansatz namens Self-Attention U-Net Fourier Neural Operator (SAU-FNO) vor, der Selbst-Attention-Mechanismen und die U-Net-Architektur mit dem FNO kombiniert, um langreichweitige Abhängigkeiten effektiv zu erfassen und lokale hochfrequente Merkmale präzise zu modellieren. Durch den Einsatz von Transfer-Learning wird die Feinabstimmung auf datenarme, geringfidele Daten ermöglicht, wodurch der Bedarf an umfangreichen hochfidelitätsbasierten Datensätzen minimiert und die Trainingsgeschwindigkeit erheblich gesteigert wird. Experimente zeigen, dass SAU-FNO eine state-of-the-art Genauigkeit bei der thermischen Vorhersage erreicht und im Vergleich zu traditionellen FEM-Methoden eine Beschleunigung um den Faktor 842 bietet, was ihn zu einem effizienten Werkzeug für moderne 3D-IC-Thermalsimulationen macht.