AI & Terma 3D-IC: Strategi Panas Untuk Kilang Pintar

AI dalam Pembuatan (Elektronik, Automotif, Semikonduktor)••By 3L3C

3D-IC untuk AI dan HPC menjana hotspot ekstrem. Malaysia boleh jadikan pengurusan terma berasaskan AI sebagai kelebihan kilang pintar dalam semikonduktor.

3D-ICpengurusan termaAI dalam pembuatankilang pintar Malaysiaadvanced packagingelectro-thermal modeling
Share:

AI Sedang Mengubah Cara Kita Mengurus Haba Dalam 3D-IC

Dalam satu node 3D-IC berkuasa tinggi untuk AI inference, suhu di hotspot boleh mencecah ratusan darjah Celsius setempat – hanya beberapa kali lebih rendah daripada zon pembakaran roket, tetapi berlaku di atas silikon bersaiz kuku. Ramai pengeluar tak sedar, kegagalan awal modul dan turun naik prestasi di kilang sebenarnya bermula dari sini.

Untuk Malaysia, yang semakin agresif dalam rantaian bekalan semikonduktor global dan kilang pintar E&E, isu terma 3D-IC bukan lagi masalah R&D semata-mata. Ia terus menyentuh OEE, yield, kualiti automotif, kestabilan pusat data, dan akhirnya reputasi jenama yang memasang modul berasaskan AI.

Artikel ini menghuraikan realiti pengurusan terma dalam 3D-IC, dan bagaimana gabungan AI, pemodelan elektro-terma, dan sains bahan boleh dijadikan kelebihan kompetitif dalam ekosistem pembuatan pintar di Malaysia – dari kulim ke Penang sampai ke Johor.

Mengapa Terma 3D-IC Jadi Isu Kritikal Dalam Kilang Pintar

Terma 3D-IC menjadi isu kritikal kerana ketumpatan kuasa menegak jauh lebih tinggi berbanding IC 2D biasa. Dalam satu footprint kecil, anda mungkin tumpuk:

  • die logik AI berkuasa tinggi,
  • HBM atau memori 3D NAND,
  • akselerator khusus (contoh: codec video, crypto),
  • interposer silikon atau organik.

Setiap lapisan ini menjana haba, tetapi tidak semua mempunyai laluan penyejukan yang sama bagus. Die di bahagian atas jauh daripada heatsink, melalui beberapa lapisan bonding, underfill, TSV dan interposer sebelum sampai ke penebar haba.

Dalam operasi kilang pintar, ini membawa beberapa risiko:

  • modul AI pada robot atau AGV tiba-tiba throttle kerana suhu tinggi → throughput turun,
  • ECU automotif untuk EV yang dipasang di Malaysia gagal ujian burn-in kerana hotspot tak dimodel betul,
  • sistem pengesanan kualiti berasaskan visi tak konsisten prestasi bila suhu ambien kilang naik waktu tengah hari.

Haba bukan sekadar isu reliabiliti; ia isu kestabilan proses pembuatan dan ramalan prestasi lapangan.

Sumber Haba Dalam 3D-IC: Apa Yang Ramai Pasukan Reka Bentuk Terlepas Pandang

Sumber haba dalam 3D-IC bukan hanya “TDP tinggi”. Ada tiga faktor besar:

  1. Aktiviti peranti & beban kerja AI
    Model generatif besar, inferens video masa nyata, atau algoritma kawalan pintar mengubah profil aktiviti transistor die AI dan memori. Duty cycle naik, switching bertambah, lalu kuasa dinamik dan leakage meningkat.

  2. Ketumpatan tenaga menegak (vertical power density)
    Apabila logik, memori dan akselerator ditumpuk, kuasa total per unit kawasan meningkat. Hotspot lapisan tertentu boleh jauh lebih panas walaupun nombor kuasa purata nampak “ok” di atas kertas.

  3. Batasan bahan & struktur

    • TSV, micro-bump, interconnect pillar bertindak sebagai konduit elektrik dan terma.
    • Lapisan bonding / underfill boleh jadi bottleneck terma.
    • Interposer silikon vs organik memberi corak penyebaran haba yang berbeza.

Di sini, AI boleh bantu kilang dan pasukan reka bentuk belajar corak haba sebenar daripada data:

  • profil suhu berbanding jenis beban kerja AI yang berbeza,
  • korelasi antara corak aktiviti inferens dan hotspot dalam modul,
  • pengesanan awal trend kegagalan berkait suhu (thermal-related early life failure).

Pemodelan Awal: Compact Model, Peta Kuasa & Peranan AI

Realiti yang saya nampak di banyak organisasi: thermal hanya masuk gambar bila hampir tape-out atau bila modul gagal di line ujian. Itu terlalu lewat.

Pendekatan lebih matang ialah menganggap haba sebagai pembolehubah reka bentuk peringkat seni bina.

Compact Thermal Model (CTM) Sebagai “Lakaran Kasar” Wajib

CTM membenarkan arkitek sistem:

  • menganggar taburan suhu hanya menggunakan bajet kuasa per blok,
  • memasukkan faktor ketebalan die, jenis bahan, struktur stack dan interposer,
  • menilai sama ada konfigurasi stack yang dicadangkan masuk akal secara terma sebelum masa dan bajet dihabiskan pada tata letak terperinci.

Anda tak perlu vektor aktiviti RTL penuh lagi. Profil beban kerja kasar (contoh duty cycle 30% beban puncak, 70% beban sederhana) sudah cukup untuk menghasilkan peta kuasa awal.

Bagaimana AI Boleh Meningkatkan CTM

Di kilang pintar yang kaya data, AI boleh:

  • melatih model yang memeta beban kerja sistem (AI inferens, kawalan robot, visi) kepada profil kuasa modul,
  • menjana peta kuasa yang lebih realistik untuk dimasukkan ke CTM,
  • menala parameter model terma menggunakan data sebenar dari sensor on-die, NTC pada modul, dan kamera terma.

Akibatnya, pasukan reka bentuk di Malaysia boleh:

  • ubah partitioning antara chiplet,
  • tukar susunan die (yang panas di bawah, yang sejuk di atas atau sebaliknya bergantung kepada laluan haba),
  • rancang PDN dan penyejukan mekanikal seiring dari awal.

Ini terus mengurangkan kejutan terma di peringkat signoff dan masa ramp production.

Laluan Haba: Dari Die Ke Interposer, Substrat & Sistem Penyejukan

Haba dalam 3D-IC tak “lari” ikut satu laluan sahaja. Ia mengalir:

  • secara menegak melalui die, bonding layer, TSV, micro-bump,
  • secara lateral melalui lapisan logam, interposer dan substrat,
  • ke sistem penyejukan (heat spreader, heatsink, cecair, udara).

Peranan Interposer & Pakej

Untuk pengeluar di Malaysia yang terlibat dalam advanced packaging, beberapa realiti penting:

  • Interposer silikon

    • kekonduksian terma lebih baik,
    • boleh bantu spread haba, tetapi juga boleh tumpukan haba jika banyak chiplet berkuasa tinggi diletak berdekatan.

  • Interposer organik / kaca

    • lebih rintangan terma,
    • sesuai untuk sesetengah kos/keperluan RF, tetapi perlu dianalisis teliti dari sudut haba.

Pakej penuh (substrat, solder, lid, thermal interface material) mesti dimasukkan dalam simulasi. Jika tidak, anggaran suhu biasanya terlalu optimistik. Dalam konteks kilang, ini bermakna:

  • modul lulus simulasi reka bentuk,
  • tetapi gagal di ujian burn-in atau sistem sebenar bila dipasang dalam housing yang sempit.

Penggunaan AI Di Tahap Pakej & Sistem

AI dalam kilang pintar boleh digunakan untuk:

  • mensimulasikan ribuan variasi konfigurasi heatsink, TIM, aliran udara secara pantas,
  • mengoptimumkan bentuk housing dan laluan airflow bagi modul AI di server rack atau kabinet automasi,
  • menganggarkan degradasi prestasi penyejukan mengikut masa (debu, pengoksidaan, degradasi TIM) daripada data lapangan.

Hasilnya: reka bentuk lebih “future-proof” untuk pasaran automotif dan data center yang sangat sensitif kepada suhu.

Bahan, TIM & Strategi Penyejukan: Di Mana Sains Bahan Bertemu AI

Hampir semua keputusan mekanikal dalam 3D-IC ialah keputusan terma juga.

  • Kekonduksian terma silikon, kuprum, underfill dan bonding menentukan rintangan haba menegak.
  • Thermal interface material (TIM) boleh membezakan berpuluh darjah Celsius hanya dengan beza ketebalan beberapa mikron atau coverage tak lengkap.

Evolusi Strategi Penyejukan Untuk AI & HPC

Di Malaysia, ramai pemain EMS dan ODM sedang bergerak ke arah modul AI/HPC. Coraknya jelas:

  • udara sahaja cukup untuk modul kuasa sederhana,
  • untuk AI server, EV, atau edge box berketumpatan tinggi, semakin banyak kes yang memerlukan:
    • vapor chamber,
    • direct liquid cooling,
    • atau kombinasi heat pipe + fan yang direka telemetri.

Keputusan ini tak boleh dibuat selepas reka bentuk siap. Sebaik sahaja stack dipateri dan dipack, pilihan penyejukan anda sangat terhad.

Di sini, AI boleh bantu kiraan:

  • ramalan keperluan penyejukan untuk beberapa generasi produk hadapan,
  • senario “what-if” – contohnya, apa jadi jika model AI pelanggan bertukar kepada model yang 40% lebih berat?,
  • analisis kos-prestasi di antara pelbagai kombinasi bahan, TIM dan konfigurasi penyejukan.

Co-Optimisation: Floorplan, PDN & Terma Dalam Satu Gelung

Satu kesilapan tipikal: pasukan floorplanning mengejar prestasi timing dan area, pasukan PDN fokus IR-drop, dan pasukan terma “tampal” isu panas di hujung.

Untuk 3D-IC, pendekatan itu tak akan bertahan.

Bagaimana Terma Mengubah Floorplan

  • Blok berkuasa tinggi perlu berada berhampiran laluan konduksi haba utama (heatsink, TSV terma khusus, lapisan logam tebal).
  • Blok sensitif suhu (memori, analog, sensor) tak boleh diletak terlalu dekat hotspot.
  • Dalam stack, anda mungkin perlu menukar susunan die atau menambah dummy thermal TSV hanya untuk memudahkan aliran haba.

PDN Sebagai Sumber Haba Tambahan

Struktur PDN – TSV, bump, redistribution layer – menghasilkan pemanasan resisitif (I²R). Jika dianalisis secara berasingan daripada terma, anda akan terlepas:

  • kawasan di mana IR-drop dan suhu tinggi berlaku serentak (resepi untuk electromigration),
  • rantaian kegagalan: suhu naik → rintangan naik → lebih pemanasan → pecutan degradasi.

Co-optimisation elektro-terma yang baik dalam aliran EDA akan:

  • mengulangi gelung “anggar kuasa → kira suhu → semak IR-drop → ubah floorplan/PDN” dari awal,
  • memberitahu bila cuba menyelesaikan masalah terma mula merosakkan integriti kuasa, dan sebaliknya.

Dalam kilang pintar, pendekatan ini boleh dilanjutkan:

  • AI memantau log telemetri kuasa & suhu modul sebenar,
  • bandingkan dengan model signoff,
  • mencadangkan perubahan reka bentuk atau parameter ujian untuk batch seterusnya.

Signoff Elektro-Terma & Skalabiliti Untuk Ekosistem Malaysia

Sebelum produk 3D-IC dilepaskan ke pembuatan volum di Malaysia, pasukan reka bentuk perlu yakin reka bentuk tersebut boleh bertahan:

  • semua mod operasi (dari idle ke beban AI puncak),
  • semua variasi proses dan suhu ambien (kilang di Johor vs pelanggan di Timur Tengah),
  • sepanjang jangka hayat produk yang semakin panjang.

Ini memerlukan signoff elektro-terma yang menyeluruh:

  • pengesahan suhu puncak kekal dalam had selamat,
  • semakan lapisan paling kritikal (die-to-die interface, micro-bump, TSV cluster, package interconnect),
  • penilaian kesan suhu ke atas electromigration, aging dan drift prestasi.

Malaysia sedang memposisikan diri sebagai hab pembuatan semikonduktor dan automotif berteknologi tinggi. Jika ekosistem reka bentuk dan kilang di sini menjadikan perancangan elektro-terma berasaskan AI sebagai amalan standard, negara mempunyai peluang jelas untuk:

  • menawarkan yield lebih tinggi kepada pelanggan global,
  • mengurangkan field return berkait terma,
  • dan mengekalkan imej sebagai tapak kilang pintar yang serius dalam teknologi AI dan 3D-IC.

Apa Langkah Praktikal Untuk Pasukan Di Malaysia Sekarang

Beberapa langkah konkrit yang boleh diambil dalam 6–12 bulan akan datang:

  1. Formalkan “thermal-first thinking” di peringkat seni bina
    Jadikan semakan terma awal (CTM + peta kuasa kasar) sebagai checkpoint wajib sebelum sebarang keputusan stack 3D-IC dimuktamadkan.

  2. Integrasi data kilang dengan model reka bentuk

    • ambil data suhu, kuasa dan kegagalan dari line ujian dan lapangan,
    • latih model AI untuk menala parameter terma dan meramal risiko.

  3. Bangunkan kepakaran silang reka bentuk–pakej–pembuatan
    Bawa arkitek, pakar PDN, mekanikal, dan jurutera proses duduk dalam satu gelung co-optimisation, bukan silo.

  4. Uji beberapa senario penyejukan “generasi hadapan” sekarang
    Jika roadmap produk AI anda naikkan kuasa 30–50% dalam 2–3 generasi, penyejukan cecair atau vapor chamber mungkin bukan pilihan, tapi keperluan.

Haba dalam 3D-IC tak akan berkurang; model AI semakin besar, kenderaan semakin pintar, dan kilang semakin padat dengan komputer di hujung talian. Yang berubah ialah sejauh mana kita sanggup mengurus haba secara pintar – dengan AI, model terma yang matang, dan disiplin reka bentuk yang konsisten dari wafer hingga ke kilang pemasangan di Malaysia.