一种基于机器学习与多物理场耦合的智能等效建模与仿真优化方法技术

本发明专利技术公开了一种基于机器学习与多物理场耦合的智能等效建模与仿真优化方法，该方法利用自定义材料与Python脚本输出的等效参数相结合的2.5D芯片应力仿真方法，能够在保证高精度的前提下，显著降低计算时间和内存资源消耗；且基于大规模历史数据训练的DNN，可在仿真过程中动态调整等效模型，实现更优化的应力分析；该方法能大幅缩短研发周期并提高设计可靠性，具有很高的实用价值和商业价值；通过等效模型的构建和自动化脚本的应用，设计人员可以更加高效地进行2.5D芯片的应力分析和优化，为集成电路的设计提供了一个全新的解决方案。

【技术实现步骤摘要】

本专利技术涉及一种智能等效建模与仿真优化方法，尤其涉及一种基于机器学习与多物理场耦合的智能等效建模与仿真优化方法。

技术介绍

1、随着集成电路技术的飞速发展，2.5d芯片作为一种新型的集成电路架构，已经在高性能计算、通信、人工智能等领域得到了广泛应用。2.5d芯片通过将多个功能模块集成在一个基板上，提供了更高的集成度、更强的性能和更低的功耗，成为现代电子设备中不可或缺的关键技术。然而，随着设计复杂性的增加，尤其是在设计多层次封装(如tsv(throughsilicon via，硅通孔)、bump连接和die(芯片)等)时，仿真计算面临前所未有的挑战。通常，为了准确模拟芯片在不同工作条件下的应力分布和热效应，工程师必须依赖于复杂的物理仿真模型，最常见的仿真工具如comsol和ansys。在这些仿真软件中，设计师需要精确建模每一层结构、每一个细节组件，进行多物理场耦合计算。这些仿真方法可以非常精确地预测芯片的工作状态，如热膨胀、应力分布、材料性能等，确保最终设计的可靠性与稳定性。

2、然而，随着芯片结构愈加复杂，尤其是tsv和bump连接这些微小结本文档来自技高网...

【技术保护点】

1.一种基于机器学习与多物理场耦合的智能等效建模与仿真优化方法，其特征在于，所述方法通过依次进行数据准备与模型训练、等效模型生成与参数初始化、实时监测与多物理场自适应调整、敏感性分析与局部精细化重构、仿真执行与结果验证、反馈优化与迭代调整的步骤，对复杂芯片结构进行等效化简并完成仿真运算。

2.根据权利要求1所述的智能等效建模与仿真优化方法，其特征在于，所述方法具体包括以下步骤：

3.根据权利要求2所述的智能等效建模与仿真优化方法，其特征在于，步骤(1)中，所述参数为TSV通孔尺寸、材料属性、热分布历史数据和应力分布数据；TSV通孔尺寸为通孔直径和深度几何参数；材料...

【技术特征摘要】

1.一种基于机器学习与多物理场耦合的智能等效建模与仿真优化方法，其特征在于，所述方法通过依次进行数据准备与模型训练、等效模型生成与参数初始化、实时监测与多物理场自适应调整、敏感性分析与局部精细化重构、仿真执行与结果验证、反馈优化与迭代调整的步骤，对复杂芯片结构进行等效化简并完成仿真运算。

2.根据权利要求1所述的智能等效建模与仿真优化方法，其特征在于，所述方法具体包括以下步骤：

3.根据权利要求2所述的智能等效建模与仿真优化方法，其特征在于，步骤(1)中，所述参数为tsv通孔尺寸、材料属性、热分布历史数据和应力分布数据；tsv通孔尺寸为通孔直径和深度几何参数；材料属性为铜填充热导率、硅基板杨氏模量、各材料的泊松比、密度信息；热分布历史数据为芯片在不同工况下的温度梯度范围及各区域的温度变化曲线数据；应力分布数据为最大应力值、应力集中区域的位置与应力大小分布情况数据；电气负载数据为电流密度、电压降。

4.根据权利要求2所述的智能等效建模与仿真优化方法，其特征在于，步骤(1)中，神经网络训练为，基于pytorch框架搭建深度神经网络dnn，输入层设置为10维特征，分别为tsv通孔的直径、深度，材料的热导率、杨氏模量、泊松比、密度，热场中的温度梯度、平均温度，应力场中的最大应力值和应力集中系数；输出层设定为等效热导率、等效杨氏模量参数；隐藏层设置为3层，神经元数量分别为128、64、32，采用relu激活函数；利用10,000组历史仿真数据进行训练，训练过程中采用随机梯度下降法优化模型参数，学习率设置为0.001，训练误差控制小于3％。

5.根据权利要求2所述的智能等效建模与仿真优化方法，其特征在于，步骤(2)中，将tsv通孔层等效为局部精细化的等效长方体，所述等效长方体的长和宽根据tsv通孔在芯片平面上的分布间距确定，高度等于tsv通孔的深度，同时，在长方体内部设置等效的热传导和应力传递特性，精度误差≤2％；

6.根据权利要求2所述的智能等效建模与...

【专利技术属性】
技术研发人员：伍莹，袁泉，丁孙安，曹书嵘，卢俊雄，
申请(专利权)人：南京大学，
类型：发明
国别省市：