เกิดอะไรขึ้น
นักวิจัยจากมหาวิทยาลัยเทคโนโลยีซิดนีย์ มหาวิทยาลัยเซี่ยงไฮ้เทค และมหาวิทยาลัยเทคนิคแห่งมิวนิก ได้เปิดตัว IC-ThermBench ซึ่งเป็นเกณฑ์มาตรฐานโอเพ่นซอร์สใหม่สำหรับการประเมินการสร้างแบบจำลองความร้อนที่ขับเคลื่อนด้วย AI ในบรรจุภัณฑ์เซมิคอนดักเตอร์ขั้นสูง เกณฑ์มาตรฐานประกอบด้วยชุดข้อมูล 50,000 ตัวอย่างที่กำหนดเป้าหมายไปที่สถาปัตยกรรมชิปเล็ต 2.5D โดยเฉพาะ ควบคู่ไปกับงานที่มีอยู่สำหรับการวิเคราะห์สถานะคงที่และการวิเคราะห์ความร้อนชั่วคราวแบบ 3D-IC
โครงการ IC-ThermBench ซึ่งมีรายละเอียดในรายงานของ Hang et al. กล่าวถึงความซับซ้อนที่เพิ่มขึ้นของการสร้างแบบจำลองทางความร้อนในการออกแบบชิปสมัยใหม่ วิธีการจำลองแบบดั้งเดิมมักมีราคาแพงในการคำนวณ ซึ่งนำไปสู่การนำตัวแทนเสมือนที่ใช้ AI มาใช้ อย่างไรก็ตาม โมเดลเหล่านี้มักจะต่อสู้กับสถานการณ์ 'ไม่กระจาย' (OOD) ที่สถาปัตยกรรมชิปเบี่ยงเบนไปจากข้อมูลการฝึก
เกณฑ์มาตรฐานได้รับการออกแบบให้มีความก้าวหน้า ซึ่งหมายความว่าจะเป็นการทดสอบแบบจำลองในงานที่ยากขึ้นเรื่อยๆ โดยรวมส่วนขยายตัวอย่าง 50,000 ตัวอย่างสำหรับชิปเล็ต 2.5D โดยเฉพาะ ซึ่งพบเห็นได้ทั่วไปมากขึ้นในตัวเร่งความเร็ว AI และโปรเซสเซอร์ระดับไฮเอนด์ เป้าหมายคือการประเมินว่าโมเดล AI สามารถถ่ายโอนความรู้ฟิสิกส์ความร้อนที่เรียนรู้ไปในแพ็คเกจประเภทต่างๆ และการกำหนดค่าทางกายภาพได้ดีเพียงใด
รายละเอียดที่มา: semiengineering.com ↗
ทำไมมันถึงสำคัญ
เนื่องจากการออกแบบเซมิคอนดักเตอร์เปลี่ยนไปสู่สถาปัตยกรรม 2.5D และ 3D เพื่อเอาชนะปัญหาคอขวดด้านประสิทธิภาพ การจัดการระบายความร้อนจึงกลายเป็นความท้าทายทางวิศวกรรมที่สำคัญ มีการใช้แบบจำลอง AI มากขึ้นเพื่อคาดการณ์การกระจายความร้อนในชิปหลายชั้นที่มีความหนาแน่นสูงเหล่านี้ IC-ThermBench มอบวิธีการที่เป็นมาตรฐานในการวัดว่าโมเดลเหล่านี้สามารถสรุปความแตกต่างทางกายภาพและการกำหนดค่าข้ามแพ็คเกจได้ดีเพียงใด ซึ่งจำเป็นต่อการรับรองความน่าเชื่อถือของฮาร์ดแวร์คอมพิวเตอร์ประสิทธิภาพสูงรุ่นต่อไป ด้วยการนำเสนอกรอบการประเมินแบบก้าวหน้า เกณฑ์มาตรฐานช่วยให้นักวิจัยระบุได้ว่าโมเดล AI ล้มเหลวในการอธิบายพลวัตทางความร้อนที่ซับซ้อนในรูปแบบชิปที่ไม่ใช่แบบดั้งเดิม ซึ่งอาจเร่งการพัฒนาเครื่องมือจำลองความร้อนที่แข็งแกร่งยิ่งขึ้นสำหรับอุตสาหกรรมเซมิคอนดักเตอร์
การจัดการระบายความร้อนเป็นข้อจำกัดหลักในการออกแบบ 3D-IC ซึ่งความหนาแน่นของความร้อนจะสูงกว่าชิป 2D แบบดั้งเดิมอย่างมาก การสร้างแบบจำลองความร้อนที่ไม่ถูกต้องอาจนำไปสู่การควบคุมประสิทธิภาพหรือความล้มเหลวของฮาร์ดแวร์
การวัดประสิทธิภาพมาตรฐาน เช่น IC-ThermBench จำเป็นต่อการย้ายการสร้างแบบจำลองความร้อนของ AI จากการวิจัยเชิงวิชาการไปสู่การปฏิบัติทางอุตสาหกรรมที่เชื่อถือได้ นักวิจัยตั้งเป้าที่จะส่งเสริมให้มีรูปแบบทั่วไปที่ดีขึ้น เพื่อให้มั่นใจว่าพวกเขาสามารถจัดการกับภูมิทัศน์ที่หลากหลายและการพัฒนาของการออกแบบที่ใช้ชิปเล็ตได้
กลไกเชิงโต้ตอบ: มันทำงานอย่างไร
สำรวจเทคโนโลยีเบื้องหลังการพัฒนานี้แบบโต้ตอบ
Which component of an AI application is the machine-learning model itself?
จะดูอะไรต่อไป.
ทีมวิจัยได้เผยแพร่เกณฑ์มาตรฐานเป็นการพิมพ์ล่วงหน้า arXiv (arXiv:2608.23977) การพัฒนาในอนาคตมีแนวโน้มที่จะมุ่งเน้นไปที่ว่าผู้ให้บริการเครื่องมือ EDA (Electronic Design Automation) มาตรฐานอุตสาหกรรมใช้การวัดเหล่านี้เพื่อตรวจสอบคุณสมบัติการจำลองความร้อนที่บูรณาการกับ AI ของตนเองหรือไม่ คงต้องรอดูกันต่อไปว่าโมเดลเหล่านี้ทำงานได้อย่างมีประสิทธิภาพเพียงใดเมื่อนำไปใช้กับการออกแบบชิปที่เป็นกรรมสิทธิ์ในโลกแห่งความเป็นจริง ซึ่งอาจแตกต่างอย่างมากจากชุดข้อมูลสังเคราะห์หรือชุดข้อมูลเชิงวิชาการของเกณฑ์มาตรฐาน
ปัจจุบันเกณฑ์มาตรฐานมีให้บริการเป็นแหล่งข้อมูลโอเพ่นซอร์สสำหรับชุมชนการวิจัย ผู้สังเกตการณ์ควรตรวจสอบว่าเกณฑ์มาตรฐานนี้กลายเป็นข้อมูลอ้างอิงมาตรฐานสำหรับเอกสารจำลองความร้อนที่ขับเคลื่อนด้วย AI ในการประชุมเซมิคอนดักเตอร์และการเรียนรู้ของเครื่องจักรที่กำลังจะมีขึ้นหรือไม่
สิ่งสำคัญที่ไม่ทราบคือขอบเขตที่เกณฑ์มาตรฐานทางวิชาการเหล่านี้มีความสัมพันธ์กับประสิทธิภาพของซอฟต์แวร์จำลองความร้อนเชิงพาณิชย์ที่ใช้โดยผู้ผลิตเซมิคอนดักเตอร์รายใหญ่