每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

DeepOHeat-v1：高效的算子学习，用于 3D-IC 设计中快速可靠的热仿真和优化

Created by
  • Haebom

作者

于心凌、刘子跃、李海、李艺兴、艾欣、曾志宇、Ian Young、张峥

大纲

DeepOHeat-v1 是一个增强型基于物理的算子学习框架，用于解决 3D IC 设计中由于功率密度不断增加和散热路径复杂化而产生的关键热分析问题。本文提出了一项创新技术，它集成了 Kolmogorov-Arnold 网络、可分离训练方法和置信度评分，以解决设计优化过程中多尺度热模式预测、训练效率和结果可靠性方面的关键挑战。与现有方法相比，DeepOHeat-v1 提高了训练速度和 GPU 内存使用率，实现了与使用有限差分 (FD) 求解器进行优化相当的精度，并加速了整个优化过程，通过优化发热组件的布局有效地降低了峰值温度。

Takeaways, Limitations

•
Takeaways：
◦
利用 Kolmogorov-Arnold 网络有效地表示多尺度热模式并提高预测准确性。
◦
可分离的训练方法显著提高了训练速度并减少了 GPU 内存使用量，从而实现了高分辨率的热分析。
◦
通过置信度分数和混合优化工作流程确保预测结果的可靠性并执行高效的热优化。
◦
与现有方法相比，显著提高了整体优化过程的速度。
•
Limitations：
◦
论文中没有具体提及Limitations。
👍
Made with Slashpage