要点：

• 复杂设计如今需要把电压、时序、电阻、功耗和温度放在一起分析，并结合彼此影响来评估。
• 垂直扩展将需要新的材料和冷却方案。
• Agentic AI 可能帮助工程师跨越传统学科边界，而这将是必要的，因为热问题本质上是系统级问题。

《Sem代币发行nductor Engineering》邀请多位业内人士讨论了随着裸片堆叠、垂直集成推进以及散热难度上升，热挑战和相关权衡如何不断增加。参与讨论的包括：Synopsys产品管理总监Lang Lin、Silvaco业务发展副总裁Jack Berg、Vinci半导体与电子业务负责人Satish Radhakrishnan、Keysight EDA新市场管理总监Chris Mueth，以及Siemens EDA产品管理高级总监John Ferguson。以下内容摘自这场在近期设计自动化大会期间闭门举行的讨论。

SE：先进设计中的一个重要权衡是电压与电流。你们如何平衡这一点？

Lin：如果降低电压，就会改变时序并降低性能，但也会减少发热。如果你继续让芯片高速运行，就会遇到很多热问题。这些是相互冲突的物理效应。你需要为芯片找到最佳平衡点。你需要尝试真实的组合，比如某个电压对应某个时序预算。并且需要在时序、热以及供电电压或电源完整性之间做协同优化闭环。你必须把这个闭环跑通，并运行几种不同工作负载，以确保不会出现失效或其他问题。

他表示，目前还没有工具能够完成这样的大闭环，因此工程师可能会问，如何在解决布局布线问题的同时，还要运行时序、热和电压分析，并最终确保设计收敛。

Radhakrishnan：除了热之外，温度变化还会带来电阻变化。你需要理解基于温度的瞬态动态过程。电流通过时，温度会上升，电阻也会变化。性能是否还能保持不变？总电流是否会变化？功耗预算该如何设定？这正是整个仿真日益走向耦合化的方向，也是行业未来关注的重点。随着功率上升，温度也会上升，因此你会增加冷却能力，并进一步推高功率。所有这些都会耦合在一起，可能从明年就开始明显发生。

SE：考虑到这些问题，完整的3D-IC是否可行？

Mueth：这只是时间问题。我们会解决很多问题。这将需要大量材料科学投入，也需要更多投资。对于老化问题，我们会使用专门的材料科学求解器，而这些工具也需要进一步扩展才能实现目标。还有一些更激进的方案，比如带流体循环的堆叠式中间冷却器。当然，这意味着制造成本会高得惊人，因此只会用于高性能应用，不会用于其他所有场景。

Radhakrishnan：人们已经在讨论3D DRAM和3D-IC。从热的角度看，有不同技术路线，比如冷却型中介层，但行业正更多走向一种所有部件都堆叠在一起、并且光学连接从侧面进入的3D-IC方案。不过这会更昂贵，因此也许需要先从较窄的应用场景开始。

Mueth：还有一点此前没有提到，就是异构技术，以及如何把它引入进来，为不同应用使用合适的模态技术并将其集成在一起。如果你有超高性能应用，同时又需要小尺寸，这会有所帮助。你可以把它用于某些专用应用，把不同技术整合在一起。

SE：这就涉及编排问题，不只是工艺流程本身，还包括所使用的材料。

Berg：完全正确。材料极其重要，而且热相关的时间常数与电子穿过晶体管的速度并不相同。这个脱节必须被持续纳入考虑。但对于3D-IC来说，问题不是我们会不会做，而是什么时候做。它一定会发生。

SE：你说的是完整3D-IC，还是2.5D或3.5D？

Berg：如果你把单一封装中的16层HBM堆叠也算作3D-IC，那么取决于定义，我们其实已经有了。但这种z轴方向的扩展会非常重要，而要实现这一点，需要一批非常聪明的材料科学家，以及具备热和机械能力的人才。

Radhakrishnan：混合键合正在推动这一进展。更多创新，比如基于纳米尺度的TSV，将使这成为可能。

Ferguson：整个讨论很有意思。这让我想起摩尔定律早期。每次进入新工艺节点时，总会有人说，“到头了，我们做不到了，不可能进入下一个节点。”但我们最终还是做到了。也许不是完全按我们想要的时间做到，但总能做到。然后我们又会说，“很好，但现在我需要更快，我需要更好的信号意图。”如今随着MCP（Model Context Protocols，模型上下文协议）的引入，不只是把聪明的人聚集起来。智能MCP完成这些工作的速度会比我们快得多，而我们需要人去找到并构建正确的MCP。

他还表示，这个行业需要思考的一点是，大家几乎总是在孤立地看待每个问题。这里讨论的是热影响，但与此同时，其他人可能正在改变某些材料的化学性质。如果你不知道这一点，这些事情最终会在错误的时间点碰到一起。整个生态系统必须被整合起来，让所有人都能沟通，并准确知道各种技术何时能够正确匹配。

SE：随着ITRS结束，我们失去了那种协同机制，现在似乎在期待AI接过这个角色。

Mueth：是的，而且过去一年AI进步之快让我很惊讶，令人震撼。几个月前我们办过一次黑客松，我们用这些工具做了大量以前认为不可能做到的事情。如果客户知道自己要解决什么问题，那么作为供应商，我们的职责就是提供工具来帮助他们。但最终，因为客户最清楚自己要做什么，他们会希望主导这种编排，而我们需要让他们具备这种能力。

Lin：这会带来一次非常有意思的工程组织重组，或者说组织能力升级。过去，热工程师负责解决热问题，半导体团队并不会去看它，只会说，“把数据发给热团队，他们会解决问题。”但今天，即便是布局布线工程师，也有条件处理热问题，因为我们有芯片智能体。他们可以用自然语言告诉一个智能体，“我想看看这个设计能否通过热分析，给我看一下最高温度T max。”智能体会帮助你运行仿真并返回结果。

Mueth：传统上，每个人只接受单一学科训练，因此你拥有的是单领域工程师。但现在他们实际上需要处理多领域问题。如何做到这一点？一种方式是AI。另一种方式是把多物理场工具做得更易用，让单一领域的人也能运行这些仿真。但AI会是很大的帮助。

Radhakrishnan：AI很好，但必须准确。这是最重要的，因为如果设计人员使用AI来做决策，而AI错了，就会导致错误设计。不过我同意，这件事不能只局限于专业仿真团队。它需要让更多人参与进来，而且必须让他们能够方便地获取几何数据并快速完成仿真，这样他们才能把设计做对。当然，它还必须能与其他团队沟通，把机械、电气以及其他因素结合起来。这件事必须被正确、准确并且协同地完成。

SE：随着我们走向Agentic AI，你需要的不只是GPU，还需要CPU，可能还需要不同类型的加速器。这会加剧热问题，还是说因为它只是多了一个变量，反而更容易管理？

Mueth：显然，管理两种不同技术并不容易。但你获得的是，通过推动多种技术协同来提升效率。如果效率提升了，你就能获得更好的热性能，也希望能获得更好的电性能。所以这是设计复杂度与电路性能之间的权衡，同时也包括热性能。

Berg：我总体上同意。无论是训练还是推理，在当前阶段拥有多种解决方案都很重要，这也是让系统更高效、更具成本效益的重要考量。

Lin：对于传统EDA工具，我们通常运行的是基于CPU的加速。但进入多物理场领域后，我们看到GPU正在发挥重要作用，因为这里有大量3D求解任务。你可以把矩阵求解器并行化，交给GPU这类负载处理。这也是GPU的另一个重要用途——加速工具仿真，也就是提升运行时间和并行处理能力。

SE：所以是大规模并行系统？

Lin：是的，用数千个GPU一起运行，来求解基于分区的3D-IC设计。CPU将负责编排并进行某种推理，然后驱动整个流程。

Berg：为了生成由多个相互耦合的物理求解器构成的合成数据，你需要一个非常庞大的GPU资源池。有了这些合成数据之后，你就能够建立替代模型，让别人可以在自己PC上的CPU上运行，去查看各种“如果……会怎样”的情形。关键在于确保你的多物理场模型已经根据数据完成校准，同时也能够确保你知道哪些边界内是在做插值，哪些情况已经变成外推。

相关阅读包括《从晶体管到数据中心的热分析扩展：功率密度上升和小芯粒复杂性推动热考量更早进入设计流程》以及《AI芯片与光子学推动热复杂性增长：功率密度上升使热、应力和老化更难预测，也更需要在设计流程早期加以解决》。

作者：Ed Sperling