是德科技专稿：芯粒规模化落地为何亟需加快仿真速度

芯粒已成为行业主流，半导体产业的关注点从是否采用转向如何规模化落地。IDTechEx研究显示，芯粒正在数据中心、AI基础设施、电信和汽车领域发挥作用，帮助突破工艺缩放限制、提升良率并降低成本。但向模块化架构转型的团队常误以为工具链是主要障碍，真正制约转型的是仿真速度。 仿真工具链已能针对芯粒异构堆栈完成电气、热学、机械与光学行为分析，问题不在分析能力而在速度。单片集成电路仿真通常只覆盖单个裸片、单一工艺节点和单组物理交互效应；芯粒设计则需覆盖多颗垂直堆叠或中介层互连的裸片，这些裸片可能来自不同晶圆厂，各有独立的电学、热学特性与失效模式，每增加一层结构，计算需求都大幅上升。多保真度热建模研究显示，2.5D/3D芯粒系统的有限元模拟可能需要数天。 芯粒设计本质是多物理场问题：垂直堆叠裸片间存在向上热传导，跌落与振动产生的机械应力影响焊点连接继而改变电气性能，数据中心场景中共封装光学器件还会在电热交互的堆栈里引入光学效应。这些效应不能孤立建模，材料选择与散热改动会相互牵制。验证环节同样被放大，传统模块级验证针对单裸片开发，未考虑多裸片、多工艺节点、多层封装的相互作用，热学效应与信号串扰往往只在完整系统建模时才显现。 提升速度的关键是加快结果输出而非开发全新工具。一种方法是计算能力优化，将复杂仿真任务分布到数百台机器，或改用GPU替代CPU运算，可大幅缩短周转时间。当增加算力仍不够时，AI模型带来根本改变：先基于广泛设计参数运行仿真完成训练，训练后模型仅需数秒输出结果，相关研究显示该方法构建的热学模型只需原计算开销的一小部分，即可将误差控制在1.7摄氏度以内。方案落地还依赖底层基础设施访问能力，传统EDA工具面向人工操作、依托图形界面逐个分析配置，而训练AI模型需要机器驱动的分析流程与支持脚本和API调用的环境。 芯粒应用正从高端数字领域扩展到模拟、混合信号、射频、航空航天等，每种新应用都带来独特物理特性与仿真需求，毫米波射频芯粒的电磁行为与数字逻辑芯片截然不同。随着应用规模扩大，仿真复杂度只会持续增加，搭建适配的仿真基础设施已成为关乎企业竞争力的战略决策。