关键要点：
复杂设计现在需要将电压、时序、电阻、功率和温度放在一起、相互关联地进行分析。
垂直扩展将需要新材料和冷却方案。
智能体 AI 有助于工程师跨越传统学科壁垒，这一点至关重要，因为热问题本质上是一个系统级问题。
专家圆桌：Semiconductor Engineering 召集多位专家，探讨芯片堆叠、垂直集成以及散热难度增加所带来的热挑战与权衡问题。参与讨论的专家包括新思科技产品管理总监 Lang Lin、Silvaco 业务拓展副总裁 Jack Berg、Vinci 半导体与电子业务负责人 Satish Radhakrishnan、是 Keysight EDA 新市场管理总监 Chris Mueth，以及西门子 EDA 产品管理高级总监 John Ferguson。以下是本次研讨会的内容节选，该研讨会在近期的设计自动化大会（DAC）期间闭门举行。
SE：先进设计中的一大权衡问题是电压与电流之间的取舍，你们如何平衡这一关系？
Lin：如果降低电压，会改变时序并降低性能，但同时也能降低发热。如果一直让芯片高速运行，就会遇到大量热问题。这些是相互冲突的物理规律，你需要找到适合自己芯片的最佳平衡点。你需要尝试真实的组合方案，比如这种电压对应这种时序预算。你需要进行时序、热和供电电压（或电源完整性）协同优化的循环流程，必须把这个循环闭合，并运行几种不同的工作负载，以确保不会出现故障或其他问题。目前我们还没有工具能一次性完成这个大循环，所以工程师可能一边在解决布局布线问题，一边还要同时运行时序、热和电压分析，之后还要确保设计能够收敛。
Radhakrishnan：除了热问题，还有因温度变化引起的电阻变化。你需要理解基于温度的瞬态动态过程。随着电流通过，温度上升，电阻也随之变化。你是要保持相同的性能吗？还是要改变总电流？你的功率预算是多少？这就是整个仿真走向耦合化的原因，也是行业未来很大一部分关注点所在。随着功率上升，温度上升，你就需要加强散热，进而又能提升功率。所有这些因素都会相互耦合，预计从明年开始会更明显。
SE：既然存在这么多问题，完全的 3D-IC 是否可行？
Mueth：这只是时间问题，我们会解决很多问题，这需要大量材料科学方面的投入。针对老化问题，我们会使用专门的材料科学类求解器，这些求解器需要进一步扩展才能实现目标。还有一些比较特殊的方案，比如带流体循环的堆叠式冷却器。当然，这意味着制造成本会非常高，所以只会用在高性能应用上，不会用于所有场景。
Radhakrishnan：业内已经在讨论 3D DRAM 和 3D-IC。从散热角度看，有像冷却中介层这样的不同技术，但行业更多地在朝着把所有东西都堆叠在一起的 3D-IC 方向发展，光学器件则从侧面接入。不过这样成本会更高，所以可能需要先从一个较窄的应用场景入手。
Mueth：还有一点没提到，就是异构技术，以及如何引入合适的模态技术来满足特定应用需求，并把这些整合在一起。如果你有超高性能应用，同时又需要小尺寸，这种方式会很有帮助。可以用它来为特定应用整合不同的技术。
SE：这就涉及到编排协同的问题，不仅仅是你在工艺上做什么，还包括你使用的材料。
Berg：确实如此。材料极其重要，而且热的时间常数与电子穿过晶体管的速度是不同的。这种不一致需要持续纳入考量。但对于 3D-IC 来说，问题不在于我们是否会实现它，而在于何时实现，它一定会发生。
SE：是完全的 3D-IC，还是 2.5D 或 3.5D？
Berg：其实，把 16 颗 HBM 堆叠在单一封装中也可以称为 3D-IC。所以，按照不同的定义，我们已经实现了。但纵向（z 轴）扩展将变得非常重要，这需要一群非常聪明的材料科学家，以及具备热学和机械技能的人才来共同实现。
Radhakrishnan：混合键合正在推动这一进程的实现。更多的创新，比如基于纳米级的 TSV（硅通孔），也将为此提供支持。
Ferguson：整个讨论很有意思，让我想起摩尔定律早期的情形——每次我们推进到一个新工艺节点时，总有人说“到头了，我们做不到了，没法再往下一个节点走了。”但我们最终还是做到了。可能不是我们预期的时间点，但终究实现了。然后我们又会说，“这很好，但现在我需要更快的速度，现在我需要更好的信号完整性。”现在，随着我们引入 MCP（模型上下文协议），情况不仅仅是引进聪明的人，智能化的 MCP 能比我们更快地完成这些工作，我们需要的是能找到并构建合适 MCP 的人。这个行业需要思考的一点是，我们现在几乎是孤立地看待每一件事。这里我们在谈热问题，会有什么热影响？但同时，可能有人正在改变某些材料的化学成分。如果你不知道这一点，这些工作最终会在错误的时间点碰到一起。我们必须考虑把整个生态系统整合起来，让大家都能彼此沟通，清楚地知道各项工作何时能正确契合。
SE：随着 ITRS（国际半导体技术路线图）的终止，我们失去了这种协同机制，现在我们希望 AI 能接过这个重任。
Mueth：是的，过去一年 AI 的进步让我感到惊讶，简直令人震撼。几个月前我们办了一场黑客松活动，用这些工具完成了许多我们从未想过能实现的事情。如果客户知道自己需要解决的问题是什么，那么作为供应商，我们的工作就是提供帮助他们的工具。但最终，因为他们清楚自己需要做什么，他们会想要主导整个编排协同过程，而我们需要让他们能够做到这一点。
Lin：这将带来一场非常有趣的工程团队重组或组织升级。过去，我们会让热工程师专门解决热问题，而半导体团队根本不关心这个，‘把数据发给热团队，他们会解决一切问题。’但现在，即使是布局布线工程师也有能力去处理热问题，因为我们有了芯片智能体（chip agents）。他们可以用自然语言告诉智能体，‘我想看看这个设计是否通过热测试，给我看看 Tmax（最高温度）。’智能体会帮你运行仿真并返回结果。
Mueth：传统上，每个人只在一个专业领域内接受培训，所以都是单一领域的工程师。但现在他们真正需要处理的是多领域问题，如何实现这一点？一种方式是通过 AI；另一种方式是简化多物理场工具的使用门槛，让单一领域的人也能运行这些仿真。但 AI 会提供很大帮助。
Radhakrishnan：AI 很好，但必须准确，这是最重要的一点，因为设计师可以运行 AI，但如果他要基于 AI 做出决策，而结果是错的，就会导致错误的设计。但我同意，这项工作需要超越专门的仿真团队，需要让更多的人参与进来，必须让他们能够方便地获取几何结构并快速进行仿真，从而做出正确的设计。当然，这也需要与其他团队沟通，把机械、电气等各方面结合起来，这项工作必须正确、准确、协同地完成。
SE：随着我们迈向智能体 AI，所需要的不仅仅是 GPU，还需要 CPU，可能还需要不同类型的加速器。这会加剧热问题，还是说这反而让管理变得更容易，因为它只是多了一个变量，而不是把一切都当成单一整体来处理？
Mueth：同时管理两种不同的技术显然很难，但你获得的是通过推动多种技术来获得效率提升。如果效率提升了，热性能也会提升，并有望带来电气性能的提升。所以这是设计复杂性与电路性能（以及热性能）之间的权衡。
Berg：我总体同意这个观点。目前在训练和推理方面拥有多种解决方案都很重要，这也是让整体方案更高效、更具成本效益的重要考量因素。
Lin：对于传统 EDA 工具，我们通常使用基于 CPU 的加速方式。但当我们进入多物理场领域时，GPU 就显得很重要，因为涉及到大量的三维求解。你可以用类似 GPU 负载的方式来并行化矩阵求解器，这是 GPU 的另一个重要用途——加速工具仿真，实现运行时性能提升和并行处理。
SE：也就是大规模并行系统？
Lin：是的，可以用数千个 GPU 协同运行，解决基于分区的 3D-IC 设计问题。CPU 则负责编排协调并进行某种推理，然后驱动整个流程。
Berg：为了用多个相互耦合的物理场求解器来生成合成数据，你需要一个非常庞大的 GPU 集群。一旦有了这些合成数据，你就能够构建出替代模型（surrogate models），这些模型可以在别人的 PC 上用 CPU 运行，用来探讨各种“假设情形”。关键在于确保你的多物理场模型经过了数据校准，同时也要确保明确区分哪些是插值范围、哪些属于外推范围。
Q&A
Q1：什么是 3D-IC？它面临哪些挑战？
A：3D-IC 是指将芯片进行垂直堆叠集成的技术，比如把多个 HBM 堆叠在单一封装内。它面临的主要挑战是散热问题，需要依靠混合键合、纳米级 TSV 等新技术，以及材料科学方面的大量投入才能实现。
Q2：为什么芯片设计中热问题和电压、时序问题要一起分析？
A：因为降低电压会减少时序性能但能降低发热，而让芯片高速运行又会带来热问题，这些物理规律相互冲突。因此需要进行时序、热、供电电压协同优化的循环分析，才能找到最佳平衡点，确保设计能够收敛。
Q3：AI 智能体如何帮助工程师解决芯片热问题？
A：借助芯片智能体，即使是布局布线工程师，也可以用自然语言直接询问设计是否通过热测试，智能体会自动运行仿真并返回结果，这打破了以往只有专门热工程师才能处理热问题的局限，让多领域协同变得更容易。
