从物理到 surrogate 智能：TSV 网络的统一电-热优化框架
机器学习
2026-04-01 v1 硬件体系结构
摘要
高密度 through-substrate vias（TSVs）enable 2.5D/3D 混合集成，但由于电气耦合、插入损耗和自热效应，引入显著的信号完整性与热可靠性挑战。传统的全波有限元方法（FEM）仿真提供高精度，但对于大规模设计空间探索计算负担沉重。本工作提出一种可扩展的电-热建模与优化框架，结合 physics-informed 分析建模、图神经网络（GNN） surrogate 以及全波签核验证。一种多导体分析模型计算 TSV 阵列的宽频 S 参数和有效各向异性热导率，实现最多 15x15 阵列尺寸下 5%-10% 的相对弗罗benius误差（RFE）。基于分析数据训练并用 HFSS 仿真微调的 physics-informed GNN surrogate（TSV-PhGNN）可推广至更大阵列，RFE 低于 2%，方差 nearly constant。该 surrogate 集成到针对反射系数、插入损耗、最坏情况串扰（NEXT/FEXT）和有效热导率的多目标帕累托优化框架中。可在分钟级内探索数百万 TSV 配置，实现无法仅用 FEM 实现的彻底布局与几何优化。最终设计经 Ansys HFSS 和 Mechanical 验证，结果表明强烈吻合。该框架显著（> 6 个数量级）降低了 TSV 阵列的电-热共设计的 per-design 评估时间。
引用
@article{arxiv.2603.29268,
title = {From Physics to Surrogate Intelligence: A Unified Electro-Thermo-Optimization Framework for TSV Networks},
author = {Mohamed Gharib and Leonid Popryho and Inna Partin-Vaisband},
journal= {arXiv preprint arXiv:2603.29268},
year = {2026}
}
备注
Submitted to IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems (IEEE TCAD)