IBM原子级热建模技术实现芯片热管理突破

智能手机新品发布频率相比十年前明显放缓，这背后的一个重要原因是在相同空间内塞入更多处理能力会带来新的散热问题。

虽然纯晶体管缩放近年来有所放缓，但IBM等公司仍在朝着更小的制程节点努力。随着晶体管节点的缩小，散热问题变得更加严峻。人工智能技术也在推动芯片功率密度增加，产生更多热量。

IBM研究院宣布了其在美国国防部高级研究计划局(DARPA)Thermonat项目下的研究成果。Thermonat是"纳米级晶体管热设计"的缩写，IBM团队将半导体的热行为建模精确到了原子级别。作为IBM Thermonat项目的一部分，基于IBM海量半导体数据训练的机器学习软件实现了1度以内的预测精度，速度比现有最佳仿真工具快数万倍。

对于IBM先进的2纳米制程器件等技术，组件薄到只有几个原子厚度，物理教科书中的宏观方程已无法准确描述其热特性。

"整个行业目前都受到散热问题的制约，"IBM研究院资深技术专家、Thermonat团队成员Russ Robison表示。在小区域内功耗越高，工程师就越容易遇到纳米级晶体管产生的热量难以散发的瓶颈。IBM希望通过参与Thermonat项目克服这一挑战。

IBM研究院子系统冷却与集成专家Timothy Chainer认为，准确建模芯片热源的能力将为设计新芯片冷却系统的工程师提供强大工具。"在设计芯片布局时，他们可以制作热感知布局，"他说。

开发能够仿真特定晶体管发热行为的模型

开发能够仿真特定晶体管发热行为的模型需要Robison和同事将半导体工程要素与专业软件工具结合。他们必须考虑晶体管的厚度、原子级材料特性以及用于测量的电路级工具。团队开发了新的机器学习代码来构建降阶模型——在保持精度的同时减少处理数据点数量的简化系统仿真。

最终他们获得了对芯片如何产生热量、热量流向何处以及电路设计的哪些要素会影响这些特性的精确理解。Robison表示，他们的成果超越了DARPA的要求，而DARPA的要求向来以苛刻著称。学术研究项目10%的精度误差可能还可以接受，但DARPA需要模型在1%误差范围内预测半导体热特性。该机构项目的应用场景很少有容错空间。此外，DARPA寻求比现有技术——构建新器件物理模型收集热数据——快100倍的解决方案。Robison和同事能够在实际实验数据1°C范围内建模，即0.002%的误差，速度比现有方法快5万倍。

"人们原本认为对我们建模的如此大规模电路不可能达到这种精度，"Robison说。他的团队发现该方法可有效扩展，仿真包含数百万晶体管的电路。它能准确建模瞬态和稳态特性，包括晶体管级别的极精确温度读数。

多学科人才汇聚带来高精度

Robison将团队的高精度归功于IBM研究院内的多学科人才汇聚。材料科学家、热系统专家、材料仿真专家等都为解决方案贡献了智慧。IBM现有的半导体技术也是宝贵资源：Robison和同事利用IBM环栅纳米片技术的丰富内部数据开发出能够表征晶体管热行为的模型。

"我们拥有难以置信的优势，"Robison说。现在IBM对晶体管节点持续缩小可能出现的散热问题有了深入洞察。随着公司与合作伙伴推进这项研究，Robison将Thermonat取得的进展比作明亮的前灯，将有助于照亮新技术的未知行为。"我们有一个完全理解这些器件如何产生热量以及未来可能需要采取什么措施的工具。"

这一成果不仅精确，而且速度很快，这要归功于晶体管降阶模型。这得益于IBM的数据宝库以及项目合作伙伴Ansys的工程仿真专业知识。一种称为傅里叶神经算子的机器学习技术采用神经网络训练格式，帮助开发了这些降阶模型。傅里叶神经算子专门用于解决偏微分方程矩阵的机器学习，因此特别适合这种场景，Robison说。

Chainer表示，这一工具还能帮助提高芯片性能或效率。改进的冷却解决方案将允许在相同工作温度下提高芯片功率以实现更高计算性能，或者更有效的冷却解决方案可以降低芯片工作温度，减少芯片功耗以提高效率。IBM建模的精细程度应该能够在这方面提供帮助。"在设计冷却解决方案时，我们既可以优化芯片功率，也可以优化散热，"Chainer说。

虽然IBM Thermonat项目的成果还不是完全现成的工具，但开发它的工作流程是可重复的，Robison说。这些新开发成果的大部分将保留在内部，用于IBM项目和IBM客户项目。实际上，它已经被IBM晶体管团队以及另一个开发未来三维集成电路(3D-IC)器件的团队使用。而且它足够通用，可用于芯片封装和异构集成。

"我们可以将这种方法应用到半导体上任何可能出现散热问题的地方，"Robison说。"我们相信在这些情况下，它也将非常快速和精确。"

Q&A

Q1：Thermonat项目是什么？IBM在其中取得了什么成果？

A：Thermonat是美国国防部高级研究计划局的"纳米级晶体管热设计"项目。IBM研究院在此项目下将半导体热行为建模精确到原子级别，基于机器学习的软件实现了1度以内的预测精度，速度比现有最佳仿真工具快数万倍。

Q2：为什么芯片散热问题变得越来越重要？

A：随着晶体管节点不断缩小和人工智能技术发展，芯片功率密度增加，产生更多热量。对于2纳米制程等先进技术，组件薄到只有几个原子厚度，传统物理方程已无法准确描述其热特性，整个行业都受到散热问题制约。

Q3：IBM的热建模技术有什么实际应用价值？

A：该技术为芯片冷却系统设计提供强大工具，工程师可以制作热感知芯片布局。改进的冷却解决方案能在相同温度下提高芯片功率实现更高性能，或降低工作温度减少功耗提高效率，已被IBM内部团队用于晶体管和3D集成电路开发。