行业背景与核心挑战 - 智能手机等电子设备性能提升面临散热瓶颈，在有限空间内增加处理能力导致发热问题日益突出 [2] - 晶体管尺寸持续微缩（如IBM的2纳米节点），组件仅数个原子厚，传统宏观热力学方程已无法准确描述其热特性 [2] - 人工智能技术发展推动芯片功率密度进一步提高，进而产生更多热量，使散热成为制约行业发展的关键问题 [2][3] IBM Thermonat项目成果 - IBM研究院在DARPA Thermonat项目下，开发出能对半导体热行为进行原子级建模的技术 [2] - 项目利用基于IBM海量半导体数据训练的机器学习软件，实现了预测精度在1摄氏度以内（即0.002%），远超DARPA要求的1%精度目标 [6] - 新模型的模拟速度比次优工具快数万倍，具体而言比DARPA要求的“快100倍”目标提升了500倍，达到比现有方法快5万倍的速度 [2][6] - 该方法可有效扩展，用于模拟包含数百万个晶体管的电路，并能精确模拟瞬态和稳态特性，提供晶体管级别的精确温度读数 [6] 技术方法与创新 - 开发了新的机器学习代码来构建降阶模型，在保持精度的同时大幅减少需处理的数据量 [5] - 采用名为傅里叶神经网络算子的机器学习技术，该技术专用于求解偏微分方程矩阵，非常适合此应用场景 [8] - 技术成功的关键在于结合了多学科专业知识（材料科学、热系统、材料模拟）以及IBM内部关于全环栅纳米片技术的海量数据资源 [8] - 项目与Synopsys公司合作，结合了其在工程仿真方面的专业技术 [8] 应用价值与前景 - 该技术为设计新型芯片冷却系统的工程师提供了强大工具，使其能在芯片布局设计阶段就充分考虑散热 [3] - 改进的散热方案可在相同温度下支持更高芯片功率以提升性能，或降低运行温度以减少功耗、提高效率 [9] - 该技术用途广泛，不仅用于晶体管研究，还可应用于未来三维集成电路、芯片封装和异构集成等领域 [9] - IBM内部已有晶体管研究团队和3D-IC器件开发团队在使用该技术，其开发流程具有可重复性，大部分成果将保留用于IBM及其客户的项目 [9]