DeepOHeat-v1: 3D-IC 설계의 혁신적인 열 시뮬레이션 및 최적화 프레임워크

DeepOHeat-v1은 3D-IC 설계의 열 시뮬레이션 및 최적화 속도를 획기적으로 향상시키는 새로운 프레임워크로, Kolmogorov-Arnold Networks, 분리 가능한 학습 방법, 신뢰도 점수 등의 혁신적인 기술을 통해 정확도와 효율성을 동시에 달성합니다.

DeepOHeat-v1: 3D 집적 회로 설계의 미래를 여는 열 해석의 혁신

3차원 집적 회로(3D-IC) 설계는 전력 밀도 증가와 복잡한 열 방출 경로로 인해 열 분석이 필수적입니다. 기존의 DeepOHeat 프레임워크는 열 시뮬레이션 속도 향상에 기여했지만, 다중 스케일 열 패턴 예측, 학습 효율, 최적화 과정에서의 결과 신뢰성 측면에서 한계를 보였습니다.

중국과학원과 미국 연구진이 공동 개발한 DeepOHeat-v1은 이러한 문제점들을 획기적으로 해결합니다. 세 가지 핵심 혁신 기술을 통해 3D-IC 설계의 열 분석 및 최적화 과정을 혁신적으로 변화시키고 있습니다.

첫째, Kolmogorov-Arnold Networks와 학습 가능한 활성화 함수를 결합하여 다중 스케일 열 패턴을 적응적으로 표현합니다. 이를 통해 두 가지 대표적인 테스트 사례에서 오류를 각각 1.25배 및 6.29배 감소시키는 놀라운 성과를 달성했습니다. 이는 기존 방식으로는 표현하기 어려웠던 복잡한 열 분포를 정확하게 예측할 수 있다는 것을 의미합니다.

둘째, 좌표축을 따라 기저 함수를 분해하는 분리 가능한 학습 방법을 도입하여 학습 속도와 GPU 메모리 효율을 극대화했습니다. 기준 사례에서 학습 속도는 62배, GPU 메모리 사용량은 31배 감소했습니다. 이는 GPU 메모리 제약으로 인해 이전에는 불가능했던 고해상도 열 분석을 가능하게 합니다.

셋째, 예측 결과의 신뢰성을 평가하는 신뢰도 점수를 개발하고, 이를 기반으로 유한 차분(FD) 방법과 일반화된 최소 잔차(GMRES) 방법을 결합한 하이브리드 최적화 워크플로우를 구축했습니다. 이는 효율적이고 신뢰할 수 있는 열 최적화를 가능하게 합니다. 고정밀 유한 차분 해법과 비교하여 동등한 정확도를 유지하면서 전체 최적화 프로세스 속도를 무려 70.6배 향상시켰습니다. 이는 발열 부품의 최적 배치를 통해 최고 온도를 효과적으로 최소화하는 것을 의미합니다.

결론적으로, DeepOHeat-v1은 3D-IC 설계 분야에 획기적인 발전을 가져올 잠재력을 지닌 기술입니다. 향상된 정확도, 속도, 신뢰성을 통해 3D-IC의 성능과 안정성을 한 단계 끌어올릴 것으로 기대됩니다. Xinling Yu, Ziyue Liu, Hai Li, Yixing Li, Xin Ai, Zhiyu Zeng, Ian Young, Zheng Zhang 등 저명한 연구자들의 노력이 결실을 맺은 이 연구는 미래 반도체 기술 발전에 중요한 이정표를 세울 것입니다.