论文摘要与创新点

随着先进封装技术向混合键合（Hybrid Bonding）时代迈进，铜-铜直接键合互连间距已缩小至亚微米级（）。极细间距互连带来了前所未有的电-热紧密耦合问题：电流通过微小互连产生的焦耳热显著改变局部温度分布，而温度变化又反向影响互连电阻和电路性能。传统的电-热协同仿真（Two-way Coupling）需要在电仿真和热仿真之间反复迭代，计算代价极为高昂。

Juhitha Konduru等人在IEEE ECTC 2025上发表了AI-Assisted Electro-Thermal Co-Design for Hybrid Bonded Packages，提出了一套完整的AI辅助电热协同设计框架。该工作系统性地比较了多种机器学习方法在混合键合封装电热协同仿真中的表现，实现了相对于传统双向耦合方法的220倍加速，同时保持高精度。

核心创新点

1. 混合键合封装的电热耦合基准建立：首次针对混合键合（Cu-Cu Hybrid Bonding）封装场景建立系统的电-热协同仿真基准数据集
2. 多种ML方法的系统比较：全面评估神经网络（NN）、线性回归（LR）、随机森林等多种方法在电热协同仿真中的适用性
3. AI替代双向迭代：用训练好的ML模型替代传统电-热双向耦合迭代过程，实现”一次预测”替代”多次迭代”
4. 实用的封装设计流程集成：展示了AI辅助方法在实际混合键合封装设计流程中的集成路径

技术深度剖析

1. 混合键合封装的电-热耦合挑战

1.1 混合键合技术背景

混合键合（Hybrid Bonding）是下一代先进封装的核心互连技术，通过铜-铜直接键合+介电层-介电层键合实现芯片间互连，互连间距可达0.4μm以下（远超传统微凸点的 40~55μm 间距）。

关键物理特征：

• 极小互连截面：铜焊盘直径 
• 极高互连密度：数万至数十万互连/mm²
• 极短互连长度：通常 

1.2 电-热耦合的物理机制

在混合键合互连中，电流通过铜互连产生的焦耳热为：

其中  为电流， 为温度依赖的铜互连电阻， 为铜的电阻温度系数。

铜电阻率与温度的关系：

这构成了典型的**双向耦合（Two-way Coupling）**问题：

电仿真 → 计算焦耳热 → 热仿真 → 计算新温度 → 更新电阻 → 电仿真 → ...

1.3 传统双向耦合的代价

传统双向电-热协同仿真流程：

1. 电仿真（FEM/FDM）：求解电流密度分布 
2. 热源计算：
3. 热仿真（FEM/FDM）：求解温度场 
4. 电阻更新：
5. 收敛检查：

每次迭代都需要完整的电仿真+热仿真，通常需要 10~50次迭代才能收敛。对于包含数万个混合键合互连的封装设计，单次双向耦合仿真可能需要数小时至数天。

2. AI辅助方法的核心架构

2.1 问题形式化

AI辅助电热协同仿真的核心目标是学习映射：

其中：

•  = 设计参数（互连几何、布局、材料属性）
•  = 工作参数（功耗分布、环境温度）
•  = 稳态温度分布
•  = 电压降分布

2.2 神经网络方法

论文采用的全连接神经网络（FNN）架构：

网络结构：

• 输入层：设计参数 + 工作参数（ 维）
• 隐藏层：35层，每层 64256 个神经元，ReLU激活
• 输出层：温度场采样点值 + 电压降关键节点值

损失函数：

其中  为温度和电压降的权重系数， 为FEM参考值。

2.3 线性回归方法

作为对比基线，论文也研究了线性回归方法：

其中  为权重矩阵， 为偏置向量， 为特征向量（设计+工作参数）。

线性回归的优势在于：

• 训练极快：解析求解，无需迭代
• 可解释性强：权重直接反映各参数对温度的影响程度
• 适合参数范围较窄的场景

2.4 随机森林方法

随机森林（Random Forest）作为集成学习方法也被纳入比较：

随机森林的优势：

• 抗过拟合能力强：集成多个决策树，泛化性能好
• 特征重要性分析：可评估各设计参数对热性能的贡献度
• 鲁棒性好：对异常值和噪声不敏感

3. 训练数据生成策略

3.1 参数空间采样

为保证训练数据的代表性，论文在以下参数空间进行采样：

总计约 6,250 个设计点，使用拉丁超立方采样（LHS）确保参数空间覆盖均匀性。

3.2 FEM参考解的生成

每个采样点通过商用FEM工具（如Ansys Icepak/SIwave）执行完整的双向电-热耦合仿真，获得高保真温度分布和电压降作为训练标签。

4. 实验结果与分析

4.1 加速比对比

4.2 关键发现

发现一：神经网络在精度上最优（温度误差 0.7°C），但线性回归在速度上最快（>500倍加速）。对于精度要求适中的早期设计探索，线性回归可能是更实用的选择。

发现二：混合键合互连的焦耳热效应导致局部热点温升 3~8°C，不可忽略。单向耦合（忽略热对电的影响）的误差高达 8.5°C，在实际设计中不可接受。

发现三：在互连密度超过 5000/mm² 时，电-热耦合效应急剧增强，AI辅助方法的优势更加显著。

4.3 方法选择的决策指南

论文提出的实用选择策略：

5. 封装设计流程集成

论文展示了AI辅助方法在完整混合键合封装设计流程中的集成方案：

[设计参数输入] → [AI预测: T_dist, V_drop]                      ↓              [设计规则检查]                      ↓ (通过)              [详细FEM验证] → [签核通过]                      ↓ (不通过)              [参数调整] → [重新AI预测]

在此流程中，AI模型承担了90%以上的设计评估工作量，仅对最终设计方案执行高保真FEM验证，大幅缩短了设计周期。

6. 局限性与未来方向

论文也坦诚讨论了当前方法的局限性：

1. 训练数据依赖：AI模型的泛化能力受限于训练数据覆盖的参数空间范围
2. 几何复杂度：当前仅处理规则排列的互连阵列，对任意布局的支持有待扩展
3. 瞬态仿真：当前仅覆盖稳态分析，瞬态电-热耦合是重要的未来方向
4. 多物理场扩展：除电-热外，电-热-力（ETM）多场耦合是混合键合封装的下一步挑战

总结

AI-Assisted Electro-Thermal Co-Design为混合键合封装的电-热协同仿真提供了一个系统性、可比较、可落地的AI辅助方案。220倍加速的成果不仅仅是速度提升，更重要的是建立了一套从数据生成到模型选择再到设计流程集成的完整方法论，为先进封装领域的AI赋能设计提供了可复制的范式。

论文链接

• 论文链接：IEEE ECTC 2025 – AI-Assisted Electro-Thermal Co-Design^[1]
• 作者：Juhitha Konduru 等
• 发表：IEEE 75th Electronic Components and Technology Conference (ECTC), 2025, pp. 947-952

引用链接