新上线今天0 投票
递归Transformer在半导体热机械可靠性预测中的硬件感知评估
在半导体封装设计中，热机械可靠性分析至关重要，传统上依赖昂贵的有限元分析（FEA）模拟。近年来，Transformer-based替代模型被引入以加速这一过程，但常规Transformer在小规模、低维度的工程数据集上往往参数过多，导致过拟合和计算资源浪费。为此，一篇新论文提出了递归Transformer架构，旨在通过增加计算而非参数来提升性能，并在实际任务中进行了硬件感知评估。
该研究对比了三种递归Transformer范式：Tiny Recursive Model、提出的Depth Recursive Transformer以及简单递归Transformer，并在两个低维工程预测任务上验证了其有效性：一是先进半导体封装的热机械可靠性分析，需在实验设计扫描中反复评估热循环下的应力和翘曲；二是用于电容场的Laplace PDE迭代数值求解。评估指标包括预测性能（Recall、Mean Reciprocal Rank）、参数数量和计算复杂度（FLOPs）。
结果表明，递归权重共享Transformer在预测精度、参数效率和计算成本之间提供了有效且可推广的平衡，特别适用于小数据工程替代建模场景。例如，在热机械可靠性任务中，递归模型在保持高精度的同时，显著减少了参数和计算开销，避免了过拟合。研究还提供了在资源受限情况下选择递归Transformer架构的实用设计指南。
这项工作为工程设计中替代模型的选择提供了新思路，尤其适合数据稀缺但需要反复评估的场景，有望加速半导体封装设计的迭代优化。