高温为何会耗尽芯片寿命？

随着功率密度持续提升，AI硬件的热失效与可靠性问题越来越多发。GPU集群任务报错和芯片表面热点，表象虽不相同，但本质是不同尺度下的同一类物理问题。本文将探讨AI芯片功率密度快速走高的原因、热点如何引发封装失效，以及这类失效为何会缩短芯片使用寿命，并结合一项案例研究展开说明。

AI芯片功率密度为何快速攀升？

热设计功耗（TDP，以热量形式散出的功耗）随着每一代全新AI芯片持续走高。2010年，单颗加速器功耗约106瓦；到2023年，NVIDIA GH200模组功耗直接翻十倍，达到1000瓦。

功耗暴涨，让传统封装与供电方案超出了原有设计承载上限。行业的解决方案是采用先进2.5D、3D封装：将GPU、CPU和高带宽内存（HBM）并排集成在硅中介层上，依靠高密度微凸点互连，保障高带宽、低时延。

图1：2010至2023年GPU与AI加速器热设计功耗变化，功耗从106瓦升至1000瓦，封装需要承担更多供电与散热工作。

先进封装虽然解决了旧难题，却带来了新问题：功耗上升、集成度更高，局部热点效应变得更加突出，进而在封装内部产生热应力。

热点如何损害AI硬件的可靠性？

芯片热点并不会直接损坏封装，而是产生应力；正是这种应力造成互连结构开裂，最终体现为良率损失。图2展示了这条完整的四级失效传导链条，以AI先进封装为核心。

图2：AI先进封装的失效传导路径，从局部热点出发，经过热机械应力、互连失效，最终造成良率损失。

整个链条始于散热瓶颈带来的局部温升，形成热热点；热量进一步催生热机械应力。封装内部的硅、铜、塑封料热膨胀系数（CTE）各不相同，受热后膨胀幅度不一致，引发翘曲、分层以及热循环疲劳。

应力继而作用在互连结构上，通过微凸点、电迁移、焦耳热、裂纹等形式造成损伤。受损的互连结构最终会因为空洞、浸润不良、金属间化合物生长，表现为良率下降。

温度为什么会缩短芯片使用寿命？

为什么同一颗芯片上两颗结构完全一致的存储单元，老化速度天差地别？绝大多数情况下，根源在于热量。

存储单元在交叉阵列里的位置，会决定它在编程过程中产生多少自热。位线、字线上的寄生电阻随距离驱动电路的长度增加而变大，电阻带来压降，抵达单元的电流随之减少。图3是同一块128×128相变存储（PCM）交叉阵列的热分布图与耐久度分布图，直观体现该现象。

图3：同一块128×128相变存储交叉阵列的热图与耐久度图，标注裸片上每个单元的自热温度与擦写循环寿命。

该交叉阵列采用65nm工艺，环境温度298K。最热角落的单元循环寿命低至10⁶次；最冷角落的单元可达10¹⁰次，仅由单元在裸片上的位置差异，寿命差距就达到四个数量级。

案例研究

一项为期2.5年的研究，基于生产集群内1056张A100、H100 GPU，累计1170万GPU小时的运行数据，得出了有参考价值的数据。表1按照错误类型、GPU代际，统计各类硬件错误最终造成任务失败的概率。

表1：A100、H100 GPU不同硬件错误对应的任务失败概率，数据来自895天集群采集记录。

不同错误对应的失效概率区间在54%~100%。其中一类错误：向GPU系统处理器（GSP）发起远程过程调用（RPC）超时，一旦在A100上出现，任务必定失败。

其中一项统计错误类型为 “GPU脱离总线”，成因是GPU与主板之间连接松动、接触失效。该研究认为，这类失效源于热循环效应 —— 也就是同样会破坏AI硬件互连结构的热机械应力。

小结

散热设计、封装方案与器件可靠性三者相互耦合，功率密度越高，这种耦合关系就越强。芯片尺度上，热点催生应力、撕裂互连，造成良率损失；裸片尺度上，热效应决定存储单元耐久寿命；放大到集群规模，就体现为本案例中统计出来的任务失效概率。应对这类挑战一个简单思路是尽早检测热点，从而减少设备在使用现场的故障。