UCSB和Cadence的研究人员发表了一篇名为“DeepOHeat: 3D-IC设计中基于操作员学习的超快速热模拟”的新技术论文(预印本)。
摘要
“热问题是3D集成电路(IC)设计中的一个主要问题。3D集成电路的热优化通常需要大量昂贵的PDE模拟。基于神经网络的热预测模型可以对许多未见过的新设计进行实时预测。然而,现有的工作要么只解决二维温度场,要么不能很好地推广到具有未知设计配置(例如热源和边界条件)的新设计。在本文中,我们首次提出了DeepOHeat,这是一个物理感知算子学习框架,用于预测具有多参数或非参数设计配置的一系列热方程的温度场。该框架从多个关键PDE配置的功能空间(如边界条件、功率图、传热系数)学习到相应解的功能空间(即温度场)的功能映射,通过改变关键设计配置(而不仅仅是一些参数)实现快速热分析和优化。我们在一些工业设计案例中测试了DeepOHeat,并将其与Cadence design Systems的Celsius 3D进行了比较。我们的结果表明,对于未知的测试用例,训练有素的DeepOHeat可以以1000倍到30万倍的速度产生准确的结果。”
找到技术纸在这里。2023年2月出版。
刘子岳,李一星,胡静,余欣玲,肖新宇,艾欣,曾志宇,张铮。DeepOHeat: 3D-IC设计中基于操作员学习的超快速热模拟。arXiv预印本arXiv:2302.12949(2023)。
留言回复