NpjComput.Mater.：晶片總髮燙：摩爾時代要滾蛋

海歸學者發起的公益學術平臺

分享資訊，整合資源

交流學術，偶爾風月

在 7 nm、5 nm 乃至 3 nm 的電晶體森林裡，聲子的平均自由程動輒與器件尺寸同階；熱量不再像水一樣“滲”過去，而是沿著特定的方向直直的“衝”過去——傅立葉定律說好的區域性熱平衡就此崩塌。想要看清聲子們走哪條“高速路”，聲子玻爾茲曼輸運方程（BTE）是目前最靠譜的“高德地圖”。

Fig. 1 | Results of 1D cross-plane phonon transport.

可惜，這張地圖太大：空間 × 頻率 × 方向，多維卷在一起就是億級未知數；傳統 CPU 上求解，單次迭代也得排隊好幾個小時。更別提我們還想問：如果薄膜再薄一點溫度能降幾度？如果熱源換位置能不能讓晶片涼快一點？——這些問題都需要做“反向推理”，而傳統的BTE數值求解器並不能提供梯度資訊，難住了最佳化演算法。

Fig. 2 | Results of 3D FinFET simulations with diffusive reflecting boundary conditions of all faces except the bottom surface, which is set at 300 K as an isothermal boundary condition.

美國聖母大學尚文傑、周嘉航等同學不服，他們在導師羅騰飛、康奈爾王建勳教授的指導下下，開發出了JAX‑BTE，一口氣解決了以下三個痛點。

Python 介面 + JIT 編譯：使用者只需十幾行 Python 即可設定材料、網格與邊界條件；JAX 的 just-in-time 編譯把指令碼自動轉成高度最佳化的 GPU 核心，解決了 Python “慢”的顧慮。

FVM → GNN 的演算法重構：團隊首次把有限體積法 (FVM) 的計算流抽象為圖神經網路 (Graph Neural Network)的資訊傳遞（message passing）過程：把每個網格單元視作圖節點，守恆方程算出來的結果則化為訊息；再利用 JAX 的向量化廣播在 GPU 上同時推送到所有節點，實現億級自由度的並行更新。

可微分 + 端到端反演：JAX 原生自動微分讓溫度場對“薄膜厚度”“熱源強度”等設計引數可直接求梯度，透過手中的資料，可以直接反向求解找到適用於當前資料的最優引數，首度實現高效反演。

Fig. 3 | Temperature distribution for the linear transistor array simulation.

大規模基準驗證顯示：在1D-3D的各種複雜情況下，JAX‑BTE 計算的溫度場與解析解或 GiftBTE 等 C++ 求解器保持 <1% 誤差；在單張 NVIDIA A100 GPU 上，正向模擬速度比 64 核AMD EPYC CPU 提升 10倍。依託端到端梯度，薄膜厚度、熱源強度等反演任務往往幾十步梯度下降即可收斂，比傳統傳統的無梯度最佳化演算法帶來巨大的效能優勢。JAX-BTE 既保持 GiftBTE 等 C++ 求解器的精度，又引入 AI 友好的梯度，極大推動半導體器件多尺度熱設計、材料反演與混合物理–資料建模。