Zhen Huang Hong Wang Wenkai Yang Muxi Tang et al

要約

3次元集積回路（3D IC）における熱管理は、電力密度の上昇に伴いますます課題となっている。従来の偏微分方程式（PDE）を解く手法は精度が高いものの、反復的な設計にはあまりに時間がかかりすぎる。機械学習手法の一つであるFNO（Fourier Neural Operator）は高速な代替手段を提供するが、高周波成分の情報損失や高精度データへの依存性という課題を抱えている。本研究では、自己注意機構（self-attention）とU-NetをFNOと組み合わせた新しいフレームワーク「Self-Attention U-Net Fourier Neural Operator（SAU-FNO）」を提案する。この手法は、長距離依存関係を捉えつつ、局所的な高周波特徴を効果的にモデル化できる。さらに、転移学習を活用して低精度データの微調整を行うことで、高精度データセットの大量必要を最小限に抑え、学習速度を向上させる。実験結果から、SAU-FNOは最先端の熱予測精度を達成し、従来の有限要素法（FEM）に対して842倍の高速化を実現した。これにより、高度な3D IC熱シミュレーションにおける効率的なツールとしての実用性が示された。