Cadence·노터다임대, 이종 2.5D/3D-IC 패키지용 컴포저블 열해석기 개발
🇰🇷 한글 번역
Cadence 디자인 시스템과 노터다임 대학교의 연구진은 “3D-IC 열 모델링을 위한 조합형 AI 가속 반복 솔버(A Composable AI-Accelerated Iterative Solver for 3D-IC Thermal Modeling)”라는 논문을 발표했습니다.
요약:
이질적인 2.5D/3D-IC 패키지의 정확한 열 분석은 필수적이지만 계산적으로 매우 부담이 큽니다. 단일 전체 패키지 유한요소법(FEM) 시뮬레이션에는 수 시간이 소요되는 반면, AI 기반 대리 모델은 전체 스택을 단일 예측 대상으로 처리하므로 다이 수나 토폴로지가 변경될 때마다 재학습해야 합니다. 이러한 한계를 해결하기 위해 본 연구에서는 도메인 분해 AI 가속 열 분석 반복 솔버(DAIST)를 제안합니다. 이는 전역 패키지 시뮬레이션을 블록 수준 하위 도메인 문제로 분해하고, 하위 도메인 솔버를 신경 연산자로 대체하며, 인터페이스 온도와 열 플럭스의 반복적 교환을 통해 이를 결합하는 조합형 열 솔버입니다. 이러한 국소-전역 아키텍처는 단일 모델의 토폴로지 고정 문제를 제거합니다. 블록 수준 신경 연산자는 재학습 없이 보이지 않는 패키지 조립체에서 직접 재사용할 수 있습니다. 반복 결합 전략은 더 나아가 제어 가능한 정확도-실행 시간 트레이드오프를 제공하며, 반복 예산을 조정하여 정확도와 실행 시간 간에 균형을 맞출 수 있습니다. 멀티 칩렛 시스템과 고급 패키징 시스템을 대상으로 평가한 결과, DAIST는 각각 평균 온도 오차 0.068%와 0.323%를 달성하면서 기존 FEM 솔버 대비 최대 178배의 속도 향상을 보였으며, 구조적으로 서로 다른 패키지 조립체 간에 블록 수준 모델의 토폴로지 간 재사용 가능성도 입증했습니다.
기술 논문은 여기에서 확인하십시오. 2026년 10월
Li, Yixing, Jiahang Zhou, Zhiyu Zeng, Xin Ai. “3D-IC 열 모델링을 위한 조합형 AI 가속 반복 솔버.” arXiv 사전 인쇄 arXiv:2610.02461 (2026).
태그: 2.5D 3D-IC 고급 패키징 Cadence 칩렛 도메인 분해 연산자 학습 열 시뮬레이션 노터다임 대학교
📄 원문 (English)
Researchers at Cadence Design Systems and the University of Notre Dame published “A Composable AI-Accelerated Iterative Solver for 3D-IC Thermal Modeling.”
Abstract:
“Accurate thermal analysis of heterogeneous 2.5D/3D-IC packages is essential yet computationally prohibitive. A single full-package FEM simulation can take hours, while AI-based surrogates treat the entire stack as a monolithic prediction target and must be retrained whenever the die count or topology changes. To address this limitation, this work proposes Domain-Decomposed AI-Accelerated Iterative Solver for Thermal Analysis (DAIST), a composable thermal solver that decomposes the global package simulation into block-level subdomain problems, replaces subdomain solvers with neural operators, and couples them through iterative exchanges of interfacial temperature and heat flux. This local-to-global architecture eliminates the topology lock-in of monolithic models: block-level neural operators can be directly reused in unseen package assemblies without retraining. The iterative coupling strategy further provides a controllable accuracy-runtime tradeoff, where the iteration budget can be adjusted to trade accuracy for runtime. Evaluated on a multi-chiplet system and an advanced packaging system, DAIST achieves up to 178× speedup over traditional FEM solvers with mean temperature errors of 0.068% and 0.323%, respectively, while demonstrating cross-topology reuse of block-level models across structurally distinct package assemblies.”
Find the technical paper here. October 2026
Li, Yixing, Jiahang Zhou, Zhiyu Zeng, and Xin Ai. “A Composable AI-Accelerated Iterative Solver for 3D-IC Thermal Modeling.” arXiv preprint arXiv:2610.02461 (2026).
Tags: 2.5D 3D-IC advanced packaging Cadence chiplets domain decomposition operator learning thermal simulation University of Notre Dame
▶ 칩 라이브 24 홈으로 — chiplive24.com