IBM原子級熱建模技術實現芯片熱管理突破

智能手機新品發布頻率相比十年前明顯放緩，這背后的一個重要原因是在相同空間內塞入更多處理能力會帶來新的散熱問題。

雖然純晶體管縮放近年來有所放緩，但IBM等公司仍在朝著更小的制程節點努力。隨著晶體管節點的縮小，散熱問題變得更加嚴峻。人工智能技術也在推動芯片功率密度增加，產生更多熱量。

IBM研究院宣布了其在美國國防部高級研究計劃局(DARPA)Thermonat項目下的研究成果。Thermonat是"納米級晶體管熱設計"的縮寫，IBM團隊將半導體的熱行為建模精確到了原子級別。作為IBM Thermonat項目的一部分，基于IBM海量半導體數據訓練的機器學習軟件實現了1度以內的預測精度，速度比現有最佳仿真工具快數萬倍。

對于IBM先進的2納米制程器件等技術，組件薄到只有幾個原子厚度，物理教科書中的宏觀方程已無法準確描述其熱特性。

"整個行業目前都受到散熱問題的制約，"IBM研究院資深技術專家、Thermonat團隊成員Russ Robison表示。在小區域內功耗越高，工程師就越容易遇到納米級晶體管產生的熱量難以散發的瓶頸。IBM希望通過參與Thermonat項目克服這一挑戰。

IBM研究院子系統冷卻與集成專家Timothy Chainer認為，準確建模芯片熱源的能力將為設計新芯片冷卻系統的工程師提供強大工具。"在設計芯片布局時，他們可以制作熱感知布局，"他說。

開發能夠仿真特定晶體管發熱行為的模型

開發能夠仿真特定晶體管發熱行為的模型需要Robison和同事將半導體工程要素與專業軟件工具結合。他們必須考慮晶體管的厚度、原子級材料特性以及用于測量的電路級工具。團隊開發了新的機器學習代碼來構建降階模型——在保持精度的同時減少處理數據點數量的簡化系統仿真。

最終他們獲得了對芯片如何產生熱量、熱量流向何處以及電路設計的哪些要素會影響這些特性的精確理解。Robison表示，他們的成果超越了DARPA的要求，而DARPA的要求向來以苛刻著稱。學術研究項目10%的精度誤差可能還可以接受，但DARPA需要模型在1%誤差范圍內預測半導體熱特性。該機構項目的應用場景很少有容錯空間。此外，DARPA尋求比現有技術——構建新器件物理模型收集熱數據——快100倍的解決方案。Robison和同事能夠在實際實驗數據1°C范圍內建模，即0.002%的誤差，速度比現有方法快5萬倍。

"人們原本認為對我們建模的如此大規模電路不可能達到這種精度，"Robison說。他的團隊發現該方法可有效擴展，仿真包含數百萬晶體管的電路。它能準確建模瞬態和穩態特性，包括晶體管級別的極精確溫度讀數。

多學科人才匯聚帶來高精度

Robison將團隊的高精度歸功于IBM研究院內的多學科人才匯聚。材料科學家、熱系統專家、材料仿真專家等都為解決方案貢獻了智慧。IBM現有的半導體技術也是寶貴資源：Robison和同事利用IBM環柵納米片技術的豐富內部數據開發出能夠表征晶體管熱行為的模型。

"我們擁有難以置信的優勢，"Robison說。現在IBM對晶體管節點持續縮小可能出現的散熱問題有了深入洞察。隨著公司與合作伙伴推進這項研究，Robison將Thermonat取得的進展比作明亮的前燈，將有助于照亮新技術的未知行為。"我們有一個完全理解這些器件如何產生熱量以及未來可能需要采取什么措施的工具。"

這一成果不僅精確，而且速度很快，這要歸功于晶體管降階模型。這得益于IBM的數據寶庫以及項目合作伙伴Ansys的工程仿真專業知識。一種稱為傅里葉神經算子的機器學習技術采用神經網絡訓練格式，幫助開發了這些降階模型。傅里葉神經算子專門用于解決偏微分方程矩陣的機器學習，因此特別適合這種場景，Robison說。

Chainer表示，這一工具還能幫助提高芯片性能或效率。改進的冷卻解決方案將允許在相同工作溫度下提高芯片功率以實現更高計算性能，或者更有效的冷卻解決方案可以降低芯片工作溫度，減少芯片功耗以提高效率。IBM建模的精細程度應該能夠在這方面提供幫助。"在設計冷卻解決方案時，我們既可以優化芯片功率，也可以優化散熱，"Chainer說。

雖然IBM Thermonat項目的成果還不是完全現成的工具，但開發它的工作流程是可重復的，Robison說。這些新開發成果的大部分將保留在內部，用于IBM項目和IBM客戶項目。實際上，它已經被IBM晶體管團隊以及另一個開發未來三維集成電路(3D-IC)器件的團隊使用。而且它足夠通用，可用于芯片封裝和異構集成。

"我們可以將這種方法應用到半導體上任何可能出現散熱問題的地方，"Robison說。"我們相信在這些情況下，它也將非常快速和精確。"

Q&A

Q1：Thermonat項目是什么？IBM在其中取得了什么成果？

A：Thermonat是美國國防部高級研究計劃局的"納米級晶體管熱設計"項目。IBM研究院在此項目下將半導體熱行為建模精確到原子級別，基于機器學習的軟件實現了1度以內的預測精度，速度比現有最佳仿真工具快數萬倍。

Q2：為什么芯片散熱問題變得越來越重要？

A：隨著晶體管節點不斷縮小和人工智能技術發展，芯片功率密度增加，產生更多熱量。對于2納米制程等先進技術，組件薄到只有幾個原子厚度，傳統物理方程已無法準確描述其熱特性，整個行業都受到散熱問題制約。

Q3：IBM的熱建模技術有什么實際應用價值？

A：該技術為芯片冷卻系統設計提供強大工具，工程師可以制作熱感知芯片布局。改進的冷卻解決方案能在相同溫度下提高芯片功率實現更高性能，或降低工作溫度減少功耗提高效率，已被IBM內部團隊用于晶體管和3D集成電路開發。