一种基于物理知识的神经网络替代模型，用于实时功率分配网络（PDN）和动态电压下降预测，在2.5维芯片集成中应用

《IEEE Transactions on Very Large Scale Integration (VLSI) Systems》：A Physics-Informed Neural Network Surrogate for Runtime PDN and Dynamic Droop Prediction in 2.5-D Chiplet Integration

电源网络分析在异构2.5-D芯片系统中面临传统方法计算慢和纯数据驱动网络缺乏物理一致性的问题，本文提出嵌入电路约束的物理信息神经网络（PINN）框架，通过分层建模、PDE残差和优化策略提升精度与效率，实验显示精度达亚毫伏级且计算量减少80%，推理速度比商业工具快300倍。

　　

摘要：

在异构的2.5维芯片系统中，电力传输网络（PDN）的分析变得越来越重要。由于供电电压的降低以及复杂的中介层-封装结构，电阻性和感性压降效应被进一步放大。传统的电路求解器能够提供准确的结果，但在大规模瞬态仿真中速度过慢；而纯数据驱动的神经网络（NN）缺乏物理一致性，通常需要大量的训练数据。本文提出了一种基于物理信息的神经网络（PINN）框架，该框架将电路约束嵌入到训练过程中，同时强制执行电流和电压约束，并减少对标记数据的依赖。通过空间标记芯片和中介层，该框架被扩展到多层2.5维PDN中，垂直连接通过偏微分方程（PDE）残差来建模。边界/初始条件、工作负载编码和阶跃负载叠加使得能够高效地模拟真实的瞬态供电曲线。在多目标优化（MOO）中，损失归一化和自适应重加权提高了收敛稳定性，从而在有限的仿真数据下实现准确的训练。在配备RISC处理器和卷积神经网络（CNN）加速器的2.5维芯片上的实验表明，与传统NN相比，该框架的精度达到了亚毫伏级别，仿真次数减少了80%；同时运行时间减少了近300倍。实验结果还证明了该框架对非分布（OOD）工作负载的泛化能力，与传统的NN相比，最坏情况下的压降误差减少了35毫伏。与最近的基于CNN的IR压降估计器相比，所提出的PINN具有1.5倍的更高精度和7倍的更低推理延迟。