Zhen Huang Hong Wang Wenkai Yang Muxi Tang et al

초록

3D IC의 열 관리 문제는 전력 밀도가 높아지면서 점점 더 도전적인 과제가 되고 있다. 기존의 PDE 해법 기반 방법은 정확도는 높지만 반복 설계에 적합하지 않을 만큼 느리다. 머신러닝 기반 접근 방식 중 FNO(Fourier Neural Operator)는 빠른 대안을 제공하지만, 고주파 정보 손실과 고정밀도 데이터에 대한 강한 의존성이라는 한계를 지닌다. 본 연구에서는 자가 주의(Self-attention) 메커니즘과 U-Net 아키텍처를 FNO와 결합한 새로운 프레임워크인 Self-Attention U-Net Fourier Neural Operator(SAU-FNO)를 제안한다. 이는 장거리 상관관계를 효과적으로 포착하고, 국소적 고주파 특징을 정확히 모델링할 수 있도록 설계되었다. 또한, 저정밀도 데이터에 대한 전이 학습(transfer learning)을 적용함으로써 고정밀도 데이터셋의 광범위한 필요성을 줄이고 학습 속도를 크게 향상시킨다. 실험 결과, SAU-FNO는 기존 최고 수준의 열 예측 정확도를 달성하였으며, 전통적인 유한요소법(FEM) 대비 842배 빠른 속도를 보여, 고도화된 3D IC 열 시뮬레이션을 위한 효율적인 도구로써의 가능성을 입증하였다.