散热为何成为芯片设计的重大难题？

近日，多位专家围绕芯片裸片堆叠、垂直集成带来日益严峻的散热挑战与设计取舍问题进行了探讨。参加讨论的嘉宾包括：Synopsys, Inc. 产品管理总监Lang Lin；Silvaco, Inc. 业务发展副总裁Jack Berg；Vinci半导体与电子业务负责人Satish Radhakrishnan；Keysight Technologies新市场管理总监Chris Mueth；以及西门子旗下Mentor高级产品管理总监John Ferguson。

从左至右：Silvaco的Berg、Synopsys的Lin、Vinci的Radhakrishnan、Keysight的Mueth、西门子的Ferguson。

先进芯片设计中一大核心取舍是电压与电流的权衡。各位如何平衡二者？

Lin：降低电压会改变时序、降低性能，但同时也会减少发热。如果持续让芯片高速运行，就会遇到大量散热问题。这些物理效应相互矛盾，工程师需要为芯片找到最佳平衡点。需要尝试实际组合方案，例如在特定电压与时序余量之间做取舍。同时要对时序、散热、电源电压或电源完整性开展循环协同优化。必须完成这一闭环，在多种不同负载工况下验证，确保不会出现失效或其他故障。目前我们还没有工具可以全自动完成这一大循环。因此工程师常会面临难题：在完成布局布线的同时，还要跑时序、散热与电压仿真，并且最终保证设计能够收敛。

Radhakrishnan：除散热之外，电阻还会随温度发生变化。需要理解基于温度的瞬态动态特性。电流通过时，温度上升，电阻随之改变。此时能否维持原有性能？总电流是否需要调整？功耗预算如何设定？全仿真耦合正是行业的发展方向，也是当前行业重点攻关的领域。功耗升高，温度随之上升，于是就需要更强的散热方案，进而又可以继续拉高功耗。所有这些因素相互耦合，预计从明年开始，这类耦合仿真会更加普遍。

既然存在这么多难题，完整的3D集成电路能否落地？

Mueth：只是时间问题。很多难题终将被攻克。这需要大量材料科学研究，相关领域需要更多投入。针对器件老化问题，我们会采用专用材料科学求解器，并且还需要对这类工具做进一步扩展才能实现目标。业界还有一些前沿方案，例如带流体循环的堆叠式中间冷却器。当然，这类方案制造成本极高，只会用于高性能场景，不会普及到所有应用。

Radhakrishnan：业内已经在讨论3D DRAM和3D集成电路。从散热角度，已有冷却中介层等各类技术方案，但行业的发展方向更倾向于把所有器件堆叠在一起、侧边集成光模块的3D集成电路。不过成本会更高，所以或许要先从窄范围应用切入。

Mueth：还有一点尚未提及，也就是异构技术。借助异构技术，可以为不同应用匹配合适的模态技术并完成集成。如果是超高性能、小尺寸的应用场景，异构集成就很有价值。可以在专用场景中将多种不同技术整合在一起。

这涉及整体统筹，不只是工艺本身，还包括所用材料。

Berg：确实如此。材料至关重要，而且散热对应的时间常数，和晶体管内电子的传输速度并不匹配。这种差异必须持续纳入考量。但对于3D集成电路，问题不在于是否能实现，而在于何时实现，它一定会到来。

这里指的是完整3D集成电路，还是2.5D、3.5D方案？

Berg：如果把单封装内堆叠16颗HBM称为3D集成电路，那么按这个定义，我们其实已经实现了。但Z轴方向的缩放非常关键，需要一批顶尖材料科学家，以及掌握热学、力学能力的工程师共同推动落地。

Radhakrishnan：混合键合技术正在为其提供支撑。纳米级TSV等更多创新技术也会助力实现。

Ferguson：这场讨论很有意思，让我想起摩尔定律早期。每次进入新制程节点，总会有人说：“到此为止了，我们做不下去，再也无法推进下一个节点。” 但我们最终总能实现。或许落地时间会晚于预期，但目标总能达成。之后大家又会提出新需求：“不错，但芯片还要更快，信号完整性要更好。” 如今随着模型上下文协议（MCP）的引入，不再只依赖资深工程师。智能MCP的处理速度远快于人，我们需要工程师去发掘、搭建合适的MCP。这个行业有个需要反思的点：我们习惯孤立看待各项问题。我们现在讨论散热、评估热影响；而另一组人在研究材料化学改性。如果信息不通，两项技术的进度就会错配。我们需要推动整个生态协同，保持信息互通，确保各项技术能够按时适配。

国际半导体技术路线图（ITRS）终止后，行业失去了这套协同机制，如今大家寄希望于AI来承接这一角色。

Mueth：没错，过去一年AI的发展程度超出我的预期，令人惊叹。几个月前我们办了一场黑客松，借助工具实现了很多过去难以想象的功能。客户清楚自身需要解决的问题，作为供应商，我们的职责就是提供工具协助客户。但归根结底，客户掌握业务目标，会主导整体统筹工作，我们需要赋能客户完成这件事。

Lin：这会带来一次工程团队重组，或是组织能力升级。过去，散热问题交给热学工程师单独解决，半导体设计团队不会介入。“把数据发给热学团队，让他们处理问题就行。” 但现在，得益于智能芯片代理，布局布线工程师也可以直接处理散热问题。工程师可以用自然语言向代理下达指令：“帮我检查这个设计的散热是否达标，给出最高温度Tmax。” 代理会自动运行仿真并返回结果。

Mueth：传统上工程师只深耕单一学科，属于单领域人才。但现在他们需要处理多物理场耦合问题。如何实现？AI是一条路径；另一条是简化多物理场工具的操作门槛，让单领域工程师也能运行仿真。AI会起到很大助力。

Radhakrishnan：AI固然好用，但精度是第一位。设计师依靠AI输出做决策，一旦AI结果出错，就会产出错误设计。但我认同仿真不能只局限于专业仿真团队，需要让更多人参与。要降低门槛，让工程师快速构建几何模型并仿真，保证设计正确。同时，仿真工具还要对接力学、电学等其他团队，实现多学科联合。整套工作必须准确、协同地完成。

随着智能体AI（agentic AI）发展，所需算力不再只有GPU，还需要CPU以及各类专用加速器。这会加剧散热问题吗？还是说，它只是新增一个变量，反而更容易管控？

Mueth：显然，同时管理两种不同技术难度不小。但好处是，多种技术协同能够提升效率。效率提升之后，散热表现有望改善，电学性能也可能同步提升。本质上是在电路性能、散热性能与设计复杂度之间做取舍。

Berg：我大体认同。当下，无论是模型训练还是推理，拥有多种方案十分重要。这有助于提升方案有效性、控制成本。

Lin：传统EDA工具一般基于CPU加速。进入多物理场领域后，GPU的作用凸显，因为存在大量三维求解运算。矩阵求解器可以借助GPU实现并行计算。这是GPU另一大用途：加速工具仿真，提升运行速度、实现并行处理。

也就是大规模并行系统？

Lin：是的，数千颗GPU协同工作，对3D集成电路做分区设计求解。CPU负责整体调度、逻辑推理，驱动整个流程。

Berg：想要通过多个相互耦合的多物理场求解器生成合成数据，需要大规模GPU集群。拿到合成数据后，就可以构建代理模型，在普通PC的CPU上运行，开展各类 “假设分析”。关键在于多物理场模型要使用真实数据校准，并且区分插值区间与外推区间，保证仿真边界可控。