IBM 与 Synopsys 携手，依托热建模技术迈向 1.4 纳米工艺节点

IBM 携手 Synopsys 研发全新热建模技术，并在美国国防高级研究计划局（DARPA）的支持下，向 1.4 纳米工艺节点发起攻坚。两家企业向《电子工程时报》（EE Times）透露，随着 2 纳米工艺节点进入量产爬坡阶段，其将与芯片制造合作伙伴共享这项技术。台积电、三星等头部芯片制造商已于去年启动 2 纳米制程的量产工作。

2021 年，IBM 曾发布全球首款 2 纳米芯片，引领全球芯片制造行业发展，此次布局 1.4 纳米是其技术攻坚的全新动作。尽管 IBM 数十年前便退出了商用芯片制造领域，但凭借涵盖芯片制造、先进封装的完整技术体系，其仍是半导体领域的核心技术玩家。

本次技术研发是 IBM 研究院在 DARPA “纳米级晶体管热设计” 项目（Thermonat）框架下的成果，项目获 DARPA 资助，IBM 联合现已并入 Synopsys 的 Ansys 共同开发出一款全新机器学习（ML）工具。该工具可实现芯片热行为的原子级建模分析。

随着晶体管工艺节点持续微缩，散热问题愈发突出；而人工智能技术的发展推高了芯片功率密度，进一步加剧了产热难题。IBM 表示，其基于海量半导体领域数据对这款机器学习软件完成训练，模型的热特性预测误差可控制在 1 摄氏度以内，运算速度较当前次优的仿真工具提升了上万倍。

IBM 研究院 EDA 首席架构师 Russ Robison 向 EE Times 表示：“我们预计采用该技术的芯片将在本轮 2 纳米工艺节点技术周期内面市。这是实现 1.4 纳米及更先进工艺节点性能表现的硬性要求，数据中心和高性能计算（人工智能）领域将率先落地，手机领域也将紧随其后。”

IBM 研究院子系统散热与集成专家 Timothy Chainer 表示，能精准建模芯片热源的技术，将为设计新一代芯片冷却系统的工程师提供强大工具。他说：“进行芯片布局设计时，工程师可打造具备热感知能力的布局方案。”

图 | Russ Robison

DARPA 原本要求该模型的热特性预测误差控制在 1% 以内，同时希望解决方案的运算速度较当前顶尖技术提升 100 倍 —— 传统技术需搭建新器件物理模型以收集热数据。而 Robison 及其团队研发的模型，与实验数据的偏差可控制在 1 摄氏度内，运算速度更是较现有方法提升了 5 万倍。

DARPA 旗下 Thermonat 项目负责人 Yogendra Joshi 在新闻稿中称：“Thermonat 项目团队突破了芯片级热特性预测技术的现有极限。通过将基础物理原理与可直接用于设计的工具相结合，团队打造的技术能力，既能加速国家安全相关应用的技术创新，也能推动整个半导体行业的创新进程。”

DARPA 在新闻稿中指出，芯片制造商在投入数年时间、数亿美元资金开展芯片制造前，亟需能预判热致失效问题的工具。但现有商用建模工具无法完整捕捉纳米级热流规律，新兴的原子级建模方法虽精度达标，却往往需要数周甚至数月才能完成运算，难以适配实际的芯片设计周期。

Robison 补充道，对于当下的半导体产品，热优化设计与非热优化设计的性能差距在 5% 至 15% 之间。从技术研发角度，该技术需兼顾各类终端应用的整体热性能，包括电路设计和实际使用场景；从设计与应用角度，热特性是制约芯片潜在性能和性能余量的重要因素，更精准的热反馈数据能带来技术层面的提升。

目前 IBM 正将该方法应用于 3D-IC 芯片的全场景建模。

Robison 说：“依托这一技术的运算速度和性能，我们也能以相同思路对完整的 3D-IC 芯片案例进行建模，仅需适当延长运算时间即可。相关热学研究成果现已融入 IBM 的芯粒、先进封装技术及封装设计套件中。”

技术转化

IBM 暂未公布将共享该技术的芯片制造合作伙伴。目前该公司正与日本初创晶圆代工厂 Rapidus 合作，计划于 2027 年启动 2 纳米工艺节点的量产。去年 8 月，Rapidus 已在其新厂房启动 2 纳米全环绕栅极（GAA）晶体管的原型研发，这是其 2027 年实现量产的关键一步。同时，三星也是 IBM 的晶圆代工供应商。

这项技术的大部分新研发成果将由 IBM 内部掌握，应用于自身及客户的项目中。IBM 旗下晶体管研发团队已开始采用该技术，另一团队则将其用于下一代 3D-IC 器件的研发，该技术还将被 IBM 应用于芯片封装和异质集成领域。

IBM 与 Synopsys 合作项目

Synopsys 资深研究员 Norman Chang 向 EE Times 表示，现已并入 Synopsys 的 Ansys，为 IBM 与 DARPA 合作的 Thermonat 项目贡献了两项核心技术。

Chang 说：“第一项是降阶建模方法，可快速完成 2 纳米 GAA 晶体管设计的自热效应计算；第二项是基于机器学习的热求解器，该求解器结合分块激活法与傅里叶神经算子建模，针对晶体管数量超 100 万的芯片设计，能在不损失精度的前提下将运算速度提升高达 1000 倍。我们计划持续优化这两项技术，拓展其功能边界，为后续商业化发布做准备。”

图 | Norman Chang

一种采用神经网络训练模式、名为傅里叶神经算子的机器学习技术，为降阶建模（ROM）的研发提供了技术支撑。Robison 表示，傅里叶神经算子是机器学习领域中专门用于求解偏微分方程矩阵的技术，因此对此类场景具有独特的适配性。

降阶建模是复杂、高保真度数学模型的简化版本，其构建目的是在保留模型核心特性的前提下降低计算成本，从而能在全量模型运算过慢、资源消耗过高的场景中，实现更快速的分析与实时仿真。降阶建模以牺牲少量精度为代价，换取运算速度的大幅提升，让复杂的工程问题更易处理。

Chainer 表示，这款工具能助力挖掘芯片的更多性能潜力：优化后的冷却方案，可让芯片在相同工作温度下承载更高功率，进而提升计算性能；此外，更高效的冷却方案也能降低芯片工作温度，减少芯片功耗并提升能效。

目前 Synopsys 正针对这款全新的自热效应降阶模型及高速机器学习热求解器开展多方验证。

Chang 称：“这款基于机器学习的求解器可支持数字和模拟电路中的静态及瞬态工作负载，运算速度能提升 1000 倍乃至更高。这也是 Synopsys 将机器学习与人工智能技术应用于设计全流程各阶段的又一实例，我们期待在 2026 年 DesignCon 展会上分享更多相关细节。”

资讯来源：EE Times