Mit zunehmender Verbreitung von 2.5D- und 3D-Integration wächst der Bedarf an präzisen thermischen Simulationen, da eng gestapelte Chiplets und Through-Silicon-Vias lokale Hotspots erzeugen können, die mit klassischen FEM1. finite element modelRechenverfahren oder mathematisches Modell zur Simulation, Beschreibung oder Optimierung technischer Zusammenhänge.2. focus-exposure matrixVerfahren zur Übertragung feiner Strukturen auf einen Wafer, beispielsweise durch Belichtung eines Fotolacks.3. final energy magnet4. Finite Element MethodDie Methode dient als Vergleichsbasis für die vollständige thermische Simulation des Packages.-Methoden nur langsam zu berechnen sind. Ein Forscherteam der University of Technology Sydney, der ShanghaiTech University und der TU München hat deshalb mit IC1. integrated circuitIC ist die gängige Bezeichnung für einen integrierten Schaltkreis.2. ion chromatographyAnalysenverfahren, bei dem die Bestandteile eines Stoffgemischs getrennt und untersucht werden.-ThermBench einen offenen Benchmark veröffentlicht, der maschinelle Lernverfahren zur Temperaturvorhersage systematisch testbar macht.
Der Datensatz kombiniert bestehende Aufgabenstellungen aus stationärer und transienter 3D-IC3D Integrated Circuit3D-IC bezeichnet integrierte Schaltungen mit dreidimensional gestapelten Bauelementen.-Simulation mit industriellen Package-Szenarien und ergänzt sie um einen neuen Satz von 50.000 synthetischen 2.5D-Chiplet-Konfigurationen. Ziel ist es, KIArtificial IntelligenceKI bezeichnet Verfahren, die Aufgaben durch datengetriebene Modelle automatisieren.-Modelle nicht nur auf einzelnen, oft firmenspezifischen Layouts zu bewerten, sondern ihre Generalisierungsfähigkeit über verschiedene Package-Topologien, Wärmequellenverteilungen und Randbedingungen hinweg zu prüfen.
Relevanz für Advanced Packaging
Thermisches Management gilt als eine der zentralen Herausforderungen beim Übergang zu heterogener Integration und Chiplet-basierten Systemen. Schnelle, datengetriebene Vorhersagemodelle könnten in frühen Designphasen helfen, Hotspots zu identifizieren, ohne für jede Iteration aufwendige physikalische Simulationen durchführen zu müssen. Ein einheitlicher, offener Benchmark schafft dabei die Voraussetzung, unterschiedliche Modellansätze — von neuronalen Netzen bis zu Graph-basierten Lernverfahren — fair miteinander zu vergleichen und Fortschritte in der Forschung nachvollziehbar zu machen.