DeepOHeat-v1：用于3D-IC设计快速可信热仿真与优化的高效算子学习

热分析在3D-IC设计中至关重要，due to increased power density and complex heat dissipation paths。虽然像DeepOHeat~\cite{liu2023deepoheat}这样的算子学习框架在加速热仿真方面显示出有前景的初步结果，但它们在多尺度热图案的预测能力、训练效率以及设计优化期间结果的可信度方面面临关键限制。本文提出了DeepOHeat-v1，一种增强的物理信息算子学习框架，通过三项关键创新来解决这些挑战。首先，我们将Kolmogorov-Arnold网络与可学习激活函数集成为trunk网络，实现对多尺度热图案的自适应表示。该方法在两个代表性测试案例中实现了1.25倍和6.29倍的误差降低。其次，我们引入一种可分离的训练方法，将基函数沿坐标轴分解，实现了基线案例中62倍的训练加速和31倍的GPU内存降低，使原本因GPU内存限制而不可行的热分析成为可能。第三，我们提出置信度评分来评估预测结果的可信度，并进一步开发了结合有限差分（FD）使用广义最小残余（GMRES）方法进行增量解细化的混合优化工作流程，实现高效可信的热优化。实验结果表明，DeepOHeat-v1在使用高保真有限差分求解器进行优化的准确度相当，同时将整个优化过程加快了 $70.6\times$，有效通过热源组件的最佳放置最小化峰值温度。开源代码可在 https://github.com/xlyu0127/DeepOHeat-v1 获取。