基于深度学习的3DIC分布式热管理技术研究

随着集成电路工艺的发展,集成电路的特征尺寸减小了,集成电路的核心数量变多了,并且开始从普通集成电路发展到了三维集成电路,这些因素共同导致了集成电路的功耗密度越来越大,集成电路的热可靠性问题成为业界内的一大难题。传统的集总式热建模和热管理,在核心数较少时,可以发挥比较好的性能,但在核心数比较多的时候,其热模型尺寸过大,热管理的开销过大,会严重影响集成电路的性能。采用分布式热管理方法可以缓解这个问题,利用分布式热建模可以有效降低模型的尺寸。然而,传统的分布式热管理,采取的是对每个核只建立一个热点,但同一个核心不同位置的温度,相差可以高达4℃,这会导致,核心热点位置的温度被管理得很好,满足要求,而核心其他位置的温度却管理得不好,从而导致集成电路可靠性降低。本文提出了基于深度学习的分布式热管理方法。该方法对每个核都建立一个细颗粒的热模型,每个核心建立了64个热点,这样就能保证核上的最高温度能够比较好地稳定在目标温度附近。通过观察发现,该热模型对应着一个模式识别问题,因此本文用深度学习来拟合这个热模型,本文使用了卷积神经网络和循环神经网络这两种常用的网络,并对其做了简要的介绍。然后利用这些热模型,来进行分布式热管理,其中又用到了扩展卡尔曼滤波器来估计每个核的状态值,也用到了功耗调整器,它通过划分等级来调节功耗值。还提出了迭代算法来解决各核热管理模块之间的信息交换问题。最终的实验表明,本文所提出的基于深度学习的分布式热建模方法,有效地减小了热模型的尺寸,并且利用卷积神经网络和循环神经网络所搭建的热模型有较高的精度,同时,本文所提出的基于深度学习的3D IC分布式热管理方法有较好的控制效果和较高的控制精度,能够提供准确的控制策略。