2.5D/3D先进封装的多物理场仿真智能加速方法

本发明属于集成电路电子设计自动化、先进封装热管理及人工智能辅助物理仿真，具体涉及一种2.5d/3d先进封装的多物理场仿真智能加速方法及系统。本发明尤其适用于包含芯粒、硅中介层、硅通孔、微凸块、c4凸块、热界面材料及基板的多材料强异构封装结构在早期设计阶段的快速热风险、翘曲风险筛查与布局优化。

背景技术：

1、随着后摩尔时代异构集成和chiplet技术的发展，热管理对象已由单芯片热点估计转变为跨芯粒、跨中介层、跨互连结构和跨封装基板的系统级热分析问题。典型2.5d/3dchiplet封装中同时存在逻辑芯粒、高带宽存储芯粒、硅中介层、硅通孔、微凸块、c4凸块、热界面材料、底填充材料和散热结构，热流在横向芯粒耦合和纵向堆叠通路中共同传播，这种结构导致热流密度在垂直方向上急剧增加，并产生了大量的材料界面。

2、传统有限元、有限差分或商业多物理场求解器能够提供较高保真度，但在早期封装协同设计中需要反复扫描芯粒数量、布局、功耗、材料热导率和边界条件，单次高精度仿真耗时长，难以满足大规模设计空间探索需要。近年来，基于卷积神经网络、傅里叶神经算子、图神经网络或点云神经网络的热代理模型被用于加速温度场预测，然而，这些现有方法存在一个共同的、根本性的缺陷：它们的学习单元通常是基于单个点或均匀的卷积核，忽略了热传导的物理本质。他们将整个热域视为统一学习对象，或者仅依据点级特征、材料标签进行局部路由，难以把材料界面、边界换热、热点邻域和垂直堆叠通路组织为可解释的热传导上下文。

3、对于异构2.5d/3d封装而言，预测误差通常集中在可靠性最敏感的热点区域和材料界面区域。热量是在具有相似材料属性和热学上下文的“区域”内传递的，而在不同材料的界面处（如芯片与导热界面材料tim之间），导热系数会发生数量级突变。现有技术的统一点级学习算子，将每个点视为独立的个体：1.学习单元可能跨越了物理边界，无法准确捕捉由材料突变引起的剧烈温度梯度，导致在关键的热点和界面区域预测精度系统性下降；2.点级学习单元可能忽略了热学上连贯的区域信息，使得模型难以学习到符合物理规律的、平滑的热传导路径。因此，亟需一种能够尊重物理结构、以“组”为单位进行学习，并能支持连续坐标查询和高效部署的早期的热代理模型，以解决上述技术难题，用于在早期封装协同设计中快速、准确地发现热点和评估热风险。此外，封装结构在非均匀温度场及不同材料热膨胀特性的共同作用下还会产生翘曲变形，仅预测温度场难以直接反映封装的热致变形风险。因此，在保持上述热代理预测能力的基础上，还需要根据预测温度场及封装结构参数进一步提取与热致弯曲相关的力学特征，实现封装翘曲场的快速预测。

技术实现思路

1、本发明旨在提供一种2.5d/3d先进封装的多物理场仿真智能加速方法，以解决现有深度学习热代理模型在多材料界面、热点区域和跨尺度坐标查询中存在的结构不匹配、热点误差集中和部署成本高的问题，并在温度预测基础上进一步实现封装翘曲场的快速预测。

2、为实现上述目的，本发明提供如下技术方案，一种2.5d/3d先进封装的多物理场仿真智能加速方法，所述方法包括以下步骤：

3、s1：获取异构2.5d/3d 芯粒封装的多层堆叠几何结构、各材料区域热参数、芯片热源分布及边界换热条件，对封装内部域和边界域执行多尺度自适应采样。采样分为两个阶段：首先依据各布尔层的几何尺度与热学重要性采用不同空间间距进行自由采样，在微互连结构、材料界面及热源邻近区域加密，在大尺度均匀区域稀疏；随后以固定分辨率体素网格划分全域，对超过点数阈值的体素执行随机下采样以均匀化密度。生成携带空间坐标、材料类别、各向异性等效热导率、体积热源密度、对流换热系数、边界类型及封装层级标识的非结构化点云数据集，对于周期性凸块或硅通孔阵列，采用series-parallel模型计算方向依赖的等效热导率；

4、s2：基于点云数据中的材料类别、热导率差异、界面距离、热源邻近关系和垂直堆叠层级，通过可学习的物理-组亲和度映射计算每个点隶属于多个物理上下文的软归属权重，将孤立点软聚分为多个物理一致点云组。各组通过加权聚合生成反映热学上下文的组级表示。所述物理一致点云组至少包括材料界面主导组、边界换热主导组、芯粒热源主导组和垂直互连主导组；

5、s3：将各物理一致点云组的组级表示输入专家路由器，以组级表示为依据采用top-k策略动态激活对应的组级专家网络。所述组级混合专家模块包括学习通用导热规律的共享专家和分别适配不同热学上下文的组级专家。被激活的专家在组级表示上求解对应子问题的热响应，并通过s2中相同的软归属权重将组级专家输出可逆地映射回原始点级特征空间；

6、s4：针对任意待查询空间坐标，融合多分辨率哈希局部几何编码与多频傅里叶全局坐标编码，并与材料界面距离嵌入融合，生成具有跨尺度连续性的混合空间坐标编码，使模型支持训练点集之外的任意坐标温度查询；

7、s5：采用双分支网络结构，分支网络以点云物理属性及s3输出的物理一致热特征为输入提取热特征，主干网络以s4生成的连续混合空间编码为输入提取空间特征，两分支特征经融合后由预测头输出待查询坐标处的温度预测值或整体三维温度场；

8、s6：首先训练高容量教师模型，其损失函数包含温度监督误差、稳态热传导偏微分方程残差约束、边界条件约束及专家负载均衡约束。随后通过层级特征蒸馏迫使学生模型各阶段中间特征模仿教师对应阶段，并通过教师有界回归损失仅当学生预测误差超过教师误差时施加惩罚以完成轻量化部署；

9、s7：翘曲场预测。基于s5获得的封装温度预测结果以及封装各结构层的材料与几何参数，构建中性面位置、弯曲刚度、各层热弯矩及总热弯矩等力学特征，并通过翘曲预测网络对所述力学特征进行多尺度特征提取与融合，输出封装翘曲场。

10、其中，s2中，物理引导的软分组与组级上下文构建，设点j的物理属性为（材料、热导率、边界类型、界面距离、热源邻近度、层级），经注意力编码后的潜在特征为，跨阶段分组数g设为64、32、8、4、2，对第g个物理一致组，通过可学习映射（由两层mlp实现）计算点j隶属于组g的亲和度，并经softmax归一化得到软归属权重：

11、

12、该权重可微、稀疏，且训练中自适应更新，随后按权重加权聚合组级潜在特征和物理属性：

13、

14、拼接得到组级表示，该组级表示编码了组内平均热学行为和宏观物理上下文，为专家路由提供稳定、低方差的输入，其中，分别表示注意力潜在特征分量和物理属性分量，为第g个物理一致组在对应分量上的加权聚合结果，权重归一化分母为该组所有点的软归属权重之和，组级表示由组内点的潜在热特征和物理属性按软归属权重加权平均得到；分母为对应物理组的权重和，用于避免不同组点数不一致造成的尺度偏差；表示点对第g组的软归属权重，

15、组级混合专家路由与可逆回写，在组级执行以降低路由方差，专家池含1个共享专家和4个组级专家（专家总数m=5），激活top-2（每个组激活的专家数k=2），路由器以组级表示为唯一输入计算兼容性分数并选择专家，共享专家学习稳态导热方程的通用扩散基底；4个组级专家分别针对材料界面热阻区域、高功率密度芯粒区域、低导热介质区域和大尺度基板区域进行专业化建模，各专家mlp扩展比均为4，被激活专家输出按路由权重加权求和得到组级输出，随后用s2中同一软归属权重将组级输出回写至点级：，其中，为软回写得到的点级预测特征，表示第g组的组级预测输出，j表示点级特征或采样点的索引，g表示特征组的索引，g表示特征组总数，表示点对第g组的软归属权重，且满足权重非负并归一化。

16、而理论误差上界分析表明，重建误差 满足，即误差受限于组内特征一致性，分组越合理回写越准确。其中，表示利用软归属权重将组级输出回写得到的点级预测特征，表示点j对应的真实值或目标热特征；表示点j的预测误差，和分别表示点级特征和组级特征，且二者位于同一特征空间，表示特征空间中的范数或距离；表示专家映射函数的lipschitz 常数，表示专家输出的上界，表示专家路由映射的 lipschitz 常数，表示专家路由映射或路由权重。

17、其中，步骤s3中组级混合专家模块包括建模通用导热规律的共享专家、以及多个对应不同热学上下文的组级专家；专家路由器以物理一致点云组的组级表示 为唯一输入计算专家选择分数，组级表示同时包含材料类型、边界条件、界面距离、热源邻近关系和层级堆叠关系的混合语义，使专家选择对应于宏观热传导上下文而非单一材料标签；组级专家分别用于适配材料边界热阻区域、热界面层区域、芯粒高功率密度区域或封装基板大尺度导热区域中的至少一种局部热响应模式；

18、步骤s4中连续混合空间编码包括多分辨率哈希编码和多频傅里叶编码，其中多分辨率哈希编码用于表达局部几何细节和界面附近的细粒度变化，多频傅里叶编码用于表达跨层级的全局坐标连续性；二者经多层感知机融合后，与材料标识、边界标识或界面距离嵌入共同形成待查询坐标的空间编码。

19、其中，步骤s5中采用双分支网络结构，其中分支网络以点云物理属性为输入并提取物理一致热特征，主干网络以待查询坐标为输入并提取连续空间特征；物理一致热特征和连续空间特征经特征拼接、线性适配或多层感知机融合后输出温度预测结果；

20、训练高容量教师模型时使用复合损失函数，复合损失函数包括温度监督损失、热传导或热扩散偏微分方程残差损失、边界条件损失和专家负载均衡损失；热传导或热扩散偏微分方程残差损失用于约束预测温度场满足稳态导热方程，边界条件损失用于约束对流边界或绝热边界，专家负载均衡损失用于防止专家路由坍缩。

21、其中，步骤s6中教师-学生蒸馏流程包括层级特征蒸馏和任务回归蒸馏；层级特征蒸馏将学生模型各编码器阶段或解码器阶段的特征投影至教师模型对应特征空间并进行一致性约束；任务回归蒸馏采用教师有界回归损失，仅当学生模型相对于真实温度的误差大于教师模型相对于真实温度的误差时对学生模型施加惩罚。

22、其中，步骤s7中的翘曲预测根据预测温度场以及封装承载结构层的厚度、空间位置、弹性模量、泊松比和热膨胀系数，计算中性面位置、弯曲刚度、各层热弯矩及总热弯矩，并将所述力学特征编码为多尺度力学特征，与翘曲预测网络对应尺度的特征进行融合，以获得封装翘曲场。

23、其中，所述方法用于对拉丁超立方采样生成的封装横向芯粒数量变化、垂直堆叠层数变化、热界面材料热导率变化、芯粒总功率变化以及热源数量变化中的至少一种工况进行热代理预测，并输出全局平均绝对误差、均方根误差、平均绝对百分比误差以及热点区域平均绝对误差中的至少一种评价结果；所述热点区域定义为真实温度不低于全场第95百分位温度的区域。

24、本发明还提供一种2.5d/3d先进封装的多物理场仿真智能加速预测系统，包括如下模块：

25、点云构建模块：用于读取或接收异构2.5d/3d 芯粒封装的几何结构、材料热参数、热源分布及边界条件信息，对封装内部域和边界域执行多尺度自适应采样并经过体素容量约束均匀化处理，生成携带空间坐标、材料类别、热导率、体积热源密度、对流换热系数和边界类型的非结构化点云数据；

26、物理引导分组模块：用于根据点云数据中的材料类别、热导率差异、界面距离、热源邻近关系和垂直堆叠层级，通过可学习的物理-组亲和度映射计算每一点隶属于多个物理一致点云组的软归属权重，基于所述软归属权重将孤立点软聚分为多个物理一致点云组并加权聚合生成各组对应的组级表示；

27、组级混合专家模块：用于接收所述物理引导分组模块输出的组级表示，以组级表示为依据通过专家路由器计算兼容性分数并采用top-k策略为每一组动态激活对应的专家网络，将各专家网络输出按路由权重加权聚合得到组级专家输出，并通过所述软归属权重将组级专家输出映射回点级特征空间；

28、连续混合空间编码模块：用于对任意待查询空间坐标执行多分辨率哈希局部几何编码、多频傅里叶全局坐标编码以及材料界面距离嵌入，并将三者融合生成具有跨尺度连续性的混合空间坐标编码；

29、温度预测模块：包含双分支融合网络，分支网络以点云物理属性及所述组级混合专家模块输出的点级热特征为输入提取物理一致热特征，主干网络以所述连续混合空间编码模块输出的混合空间坐标编码为输入提取空间连续特征，两分支特征经融合后由预测头输出待查询坐标处的温度预测值或整体三维温度场；

30、教师-学生蒸馏模块：用于将经复合损失函数训练完成的高容量教师模型的知识迁移至轻量学生模型，通过层级特征蒸馏约束学生模型各阶段中间特征与教师模型对应阶段特征一致，通过教师有界回归损失约束学生最终预测精度，以获得用于快速推理的轻量化部署模型；

31、翘曲预测模块：用于根据温度预测模块输出的温度场以及封装各结构层的材料与几何参数，构建中性面位置、弯曲刚度、各层热弯矩及总热弯矩等力学特征，并通过多尺度特征提取与融合输出封装翘曲场。

32、本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述2.5d/3d先进封装的多物理场仿真智能加速方法。

33、本发明还提供一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现上述2.5d/3d先进封装的多物理场仿真智能加速方法。

34、有益效果：

35、1. 本发明将模型学习单元与真实封装物理结构对齐，通过物理引导软分组使材料界面、边界、热点和芯粒区域分别形成热学上下文明确的点云组，缓解了现有统一算子在界面和热点区域误差集中的问题，

36、2. 本发明的组级混合专家模块基于组级表示而非孤立点特征执行专家路由，使热连续区域的专家选择更加稳定，能够在材料热导率突变和垂直堆叠热通路中保持更好的热点保真度，

37、3. 本发明的连续混合空间编码同时利用多分辨率局部几何编码和多频全局坐标编码，能够在不同点云密度和未见查询坐标下保持连续温度预测能力，适合从粗粒度设计筛选到细粒度热风险复核的多阶段使用，

38、4. 本发明通过教师-学生蒸馏将高容量教师模型压缩为轻量学生模型，能够在早期设计空间探索中显著降低推理时间和部署成本，

39、5. 在异构2.5d/3d 芯粒封装热预测验证中，本发明对应框架相较统一算子类热代理模型可将全局平均绝对误差从0.408k降低至0.296k，将热点区域平均绝对误差从0.559k降低至0.121k，热点误差降低约78.4%，并相较高保真有限元仿真实现超过200倍的计算加速；学生模型最高可实现约70.9%的参数压缩和约2.5倍推理加速，

40、6. 本发明在温度场预测基础上进一步设置翘曲预测模块，通过中性面位置、弯曲刚度和热弯矩等力学特征建立温度场与封装热致变形之间的联系，并利用多尺度特征融合实现封装翘曲场的快速预测，从而在保持原有热代理预测能力的基础上扩展对封装热致翘曲风险的评估能力。