Zhen Huang Hong Wang Wenkai Yang Muxi Tang et al

Résumé

La gestion thermique dans les circuits intégrés 3D devient de plus en plus complexe en raison de densités de puissance croissantes. Les méthodes traditionnelles basées sur la résolution d’équations aux dérivées partielles (PDE), bien qu’extrêmement précises, sont trop lentes pour être utilisées dans un cadre itératif de conception. Les approches fondées sur l’apprentissage automatique, telles que le Fourier Neural Operator (FNO), offrent des alternatives plus rapides, mais souffrent d’une perte d’informations à haute fréquence et d’une forte dépendance aux données de haute fidélité. Nous proposons une nouvelle architecture, le Self-Attention U-Net Fourier Neural Operator (SAU-FNO), combinant attention auto-associative, réseau U-Net et FNO, afin de capturer efficacement les dépendances à longue portée tout en modélisant les caractéristiques locales à haute fréquence. L’apprentissage par transfert est employé pour ajuster finement des données de faible fidélité, réduisant ainsi la nécessité de grands jeux de données de haute fidélité et accélérant significativement l’entraînement. Les expériences montrent que SAU-FNO atteint une précision de prédiction thermique au niveau de l’état de l’art, tout en offrant un gain de vitesse de 842× par rapport aux méthodes classiques de éléments finis (FEM), en faisant un outil efficace pour les simulations thermiques avancées des circuits intégrés 3D.