본 논문은 3차원 집적 회로(3D-IC) 설계에서의 열 분석을 가속화하기 위해 향상된 물리 정보 기반 연산자 학습 프레임워크인 DeepOHeat-v1을 제시합니다. DeepOHeat-v1은 기존의 연산자 학습 프레임워크의 한계점인 다중 스케일 열 패턴 예측 성능, 훈련 효율성, 설계 최적화 중 결과의 신뢰성 문제를 해결하기 위해 세 가지 핵심 혁신을 도입합니다. 첫째, 학습 가능한 활성화 함수를 사용하는 Kolmogorov-Arnold 네트워크를 트렁크 네트워크로 통합하여 다중 스케일 열 패턴의 적응적 표현을 가능하게 합니다. 둘째, 좌표축을 따라 기저 함수를 분해하는 분리 가능한 훈련 방법을 도입하여 훈련 속도와 GPU 메모리 사용량을 크게 줄입니다. 셋째, 예측 결과의 신뢰성을 평가하기 위한 신뢰도 점수를 제안하고, 연산자 학습과 유한 차분법을 결합한 하이브리드 최적화 워크플로우를 개발하여 효율적이고 신뢰할 수 있는 열 최적화를 가능하게 합니다. 실험 결과, DeepOHeat-v1은 고정밀 유한 차분 솔버를 사용한 최적화와 비교할 만한 정확도를 달성하면서 전체 최적화 프로세스를 최대 70.6배까지 가속화하여 열 발생 부품의 최적 배치를 통해 최고 온도를 효과적으로 최소화합니다.
