随着信息技术快速的提升，电子设备性能持续提升，对芯片集成度与运算能力的要求日益严苛。2.5D集成封装技术作为一项关键进步，通过引入硅中介层实现芯片间的垂直互连，明显提升了数据传输速度与封装密度。然而，性能跃升伴随而来的是功耗与发热量的飞速增加，使得高效热管理成为保障芯片可靠性、稳定性及常规使用的寿命的核心挑战。
在2.5D封装架构中，硅通孔扮演着实现三维垂直电信号互连的核心角色，其布局与特性深刻影响整个封装系统的散热效能。TSV的热性能不仅取决于自身材料属性，还与周围微通道冷却结构及冷却液流动行为紧密相关。因此，对TSV布局进行深入研究与优化，对于提升2.5D封装的热设计效率至关重要。
为应对高热流密度散热难题，学术界已探索了多种微通道冷却技术。例如，芯片内集成微通道直接液冷、结合特殊腔体与鳍片形状的强化传热结构、以及采用非均匀鳍片分布以降低热阻等方案。这些研究在结构创新与几何参数调整方面取得了显著进展，有效提升了散热性能。然而，现有工作大多集中于特定结构的实验与模拟，普遍缺乏能够系统性地、自动化地探索复杂设计空间以全局优化散热性能的先进算法工具。
遗传算法作为一种强大的全局优化方法，在微通道散热器结构优化中展现出巨大潜力。已有研究成功应用GA耦合计算流体动力学模拟或神经网络，实现了在降低流动阻力的同时增强传热，明显提升了散热器的综合性能指标。这些成果验证了GA在解决此类多变量、非线性热流体优化问题上的有效性。
尽管GA在热管理优化中取得了成效，但现有研究仍存在明显不足。多数优化模型未能最大限度地考虑TSV自身 Joule 热及其与封装体热-力耦合行为的协同影响。同时，受限于优化自由度，往往无法对微通道及TSV的所有关键几何参数进行充分优化，导致设计潜力未被完全发掘。
本文针对2.5D集成电路中因高功耗带来的严峻热管理挑战，提出并实践了一种基于遗传算法的优化设计方法，核心目标是通过优化硅通孔及微通道内微柱的布局，以提升散热效能和温度均匀性。
研究首先构建了一个精细的2.5D封装多物理场耦合模型，该模型包含逻辑芯片、存储芯片、硅中介层和基底，并考虑了TSV自身的焦耳热效应。模型以去离子水为冷却液，采用有限元方法模拟了芯片内的流体流动、热传导以及热-应力耦合行为。为确保计算准确性，研究进行了网格无关性验证，并将数值模拟结果与实验数据来进行了对比，证实了所用模型的可靠性。
研究的核心是引入遗传算法作为优化工具。优化变量包括TSV的半径、间距、高度以及奇偶数列的位移等几何参数。研究系统地探讨了不同自由度数量（3、5、9乃至157）对优化结果的影响。根据结果得出，随着自由度增加，优化过程的收敛速度虽有所减慢，但最终获得的优化效果明显提升，表现为芯片峰值温度的降低和温度场分布的更加均匀。
研究设定了两种不同的优化目标函数作对比：一是单一最小化峰值温度，二是最小化一个综合考虑了温度和压降的复合性能指标γ。研究之后发现在9个自由度下，以温度为目标的优化（模型C）能实现最佳的降温效果，但伴随较高的压降；而以复合指标为目标的优化（模型D）则在热性能和流阻之间取得了更好的平衡，拥有最高的综合性能因子。
为进一步追求极致的温度均匀性，研究将自由度大幅度的提高至157个，将每个微柱的坐标、半径和高度都作为独立变量来优化。结果发现，优化后的结构在流体方向上呈现出柱体密度和直径逐渐增大的自适应布局，这有效匹配了沿程增加的散热需求，最终在保持较低压降的同时，实现了更低的峰值温度、更优的温度均匀性以及更低的热应力。
图1 和 图2 直观地呈现了研究的对象和工具。图1(a)和(b)清晰地展示了2.5D封装的多层堆叠结构，包括逻辑芯片、存储芯片、硅中介层以及基底，并特别突出了硅中介层中需要详细模拟的TSV、二氧化硅层和微通道区域。这明确了研究的具体物理场景和复杂性。图2则展示了为实现高精度计算所采用的混合网格策略，即在关键区域（如微柱）使用结构化网格以保证计算稳定性，在其他区域使用非结构化网格以节省计算资源。文中提到的平均网格质量为0.6884，这表明网格质量良好，为后续获得可靠的仿真结果奠定了基础。
图3 以流程图形式清晰地阐明了基于遗传算法的优化过程。这是一个闭环反馈系统：从变量编码、生成初始种群，到进行有限元分析计算适应度（即目标函数，如温度），再通过选择、交叉、变异产生新一代种群，直至满足收敛条件。这张图是理解整个研究自动化、迭代优化逻辑的核心。
图4 则具体定义了优化操作的对象和空间。图4(a)将芯片区域划分为A区和B区，为不一样的区域设置不同的优化变量范围提供了依据。图4(b)和(c)巧妙地展示了奇数列和偶数列TSV的相对位移策略，这是一种通过打破规则阵列的对称性来扰动流场、强化换热的有效几何操纵手段，为遗传算法提供了改变布局的具体“操作手柄”。
图5通过将本研究的数值模拟结果（如努塞尔数和压降）与已有文献的实验数据来进行对比，证明了所采用的物理模型和控制方程的有效性，尽管在低雷诺数下存在偏差，但总体趋势一致，确保了仿线的网格无关性验证则是一个关键的质量控制步骤，它表明当网格数量达到220万时，关键结果（最大温度和压降）相对于最密网格的误差已足够小，从而确定了计算精度与效率的最佳平衡点，排除了因网格划分带来的结果不确定性。
图4: (a) 芯片分区介绍 (b) 奇数列的相对位移 (c) 偶数列的相对位移。
图5: 数值结果与实验结果的对比，说明了(a)对努塞尔数的影响和(b)对压降的影响。
图7 的四张子图动态地展示了优化进程。能清楚地看到，随着自由度从3（图a）增加到5（图b）再到9（图c），优化过程收敛所需的代数增加，但最终找到的“最优解”的性能（体现为更低的最低温度或更优的综合指标）也在提升。图7(d)以综合性能因子γ为目标来优化，其收敛轨迹与纯温度优化不同，体现了多目标优化内在的权衡特性。
图8以示意图或参数表的形式直观展示了模型A、B、C、D经过优化后的TSV布局差异，让读者对不同优化策略产生的几何结构变化有一个定性认识。
图9 的曲线揭示了两个关键趋势：一是模型C（9自由度温度优化）在降低峰值温度方面表现最佳；二是所有模型的温度和应力都随雷诺数Re的增加而下降，强调了流量的重要性。图10 和 图13 的温度云图提供了更为直观的证据。通过对比初始模型与优化模型，尤其是模型C和D，能清楚地看到高温区域（热点）的缩小和整体温度分布的均匀化。图13关切芯片所在层的温度，指出了即便峰值温度下降，区域A后半部分的不均匀性问题依然存在，这为后续进行超高自由度优化埋下了伏笔。
图11 和 图12 则从流体力学角度分析了性能得失。图11(a)显示，散热性能最好的模型C也伴随着最高的压降，这是强化换热常常要付出的代价。而模型D因在优化中考虑了压降，其流阻明显低于模型C。图11(b)的性能因子曲线综合了换热和流阻，表明模型D拥有最佳的综合热流体性能。图12 的速度云图从流场上解释了压差异常的原因，展示了不同优化布局如何改变流场的分布和局部流速，从而直接影响流动阻力。
图7:(a) 三自由度温度优化流程图 (b) 五自由度温度优化流程图 (c) 九自由度温度优化流程图 (d) 九自由度PF优化流程图。
图8:(a) 模型A (b) 模型B (c) 模型C (d) 模型D。
图10:温度示意图 (a) 初始模型 (b) 模型A (c) 模型B (d) 模型C (e) 模型D。
图11:(a) 压降随Re的变化 (b) 性能因子(PF)随Re的变化。
图12:速度分布示意图 (a) 初始模型 (b) 模型A (c) 模型B (d) 模型C (e) 模型D。
图13:温度分布示意图 (a) 初始模型 (b) 模型A (c) 模型B (d) 模型C (e) 模型D。
图14直观展示了经过157个自由度优化后的最终微柱结构。与之前规则或简单位移的布局截然不同，优化后的结构呈现出高度的非均匀性和功能性自适应。可以观察到，在流体流动方向上，微柱的密度和直径呈现出逐渐增加的趋势。这种布局巧妙地匹配了流道的热负荷分布：冷却液在下游因已吸收热量而温度上升，其换热能力变弱，因此通过增加下游的微柱密度和直径来增强换热表面积，从而补偿了换热效率的降低，实现了沿流道方向的均匀散热。
图15 通过一系列曲线图，以数据形式无可争议地证明了改进模型（模型E）的卓越性。在图15(a)和(b)中，模型E在所有雷诺数下都取得了最低的峰值温度和最低的热应力，充分证明了高自由度优化在热管理与可靠性上的双重优势。更值得一提的是，图15(c)显示，模型E在取得最佳散热效果的同时，其压降还明显低于同样是9自由度、只优化温度的模型C。这打破了“散热性能提升必然导致压降大幅度的增加”的传统认知，表明通过智能布局优化，可以同时实现“更强冷却”和“更低泵功”的双赢局面。图15(d)的性能因子曲线最终表明，模型E拥有全面最优的综合性能。
图16 和 图17 从场分布的角度证实了模型E的优良特性。图16的温度云图显示，无论是在硅中介层中心还是靠近芯片的位置，温度分布都极为均匀，之前提到的区域A后半部分的过热现象得到了根本性改善。图17的压力和速度云图则展示了其内部流畅、高效的热流体状态，没有异常的滞止区或剧烈的压力梯度，说明优化后的结构不仅数学上最优，在物理上也构成了一个合理且高效的热交换系统。
图15: 不同模型之间随Re的变化对比 (a) Tmax (b) 最大点应力 (c) 压降 (d) 性能因子(PF)。
图16:温度分布示意图 (a) 硅中介层中间高度位置 (b) 硅中介层上方芯片位置。
图17:(a) 硅中介层中间高度位置的压力分布云图 (b) 硅中介层中间高度位置的速度分布云图。
随着集成电路进入2.5D/3D集成时代，芯片功率密度急剧攀升，热管理已成为制约其性能与可靠性的关键瓶颈。本文针对2.5D封装中由硅通孔和微通道构成的嵌入式冷却系统，开展了一项深入的优化设计研究。本研究的核心创新在于，成功地将遗传算法 与热-力耦合多物理场仿真相结合，系统性地优化了微通道内TSV及微柱的布局，明显提升了散热性能与温度均匀性。
研究首先建立了一个包含逻辑芯片、存储芯片、硅中介层和基板的精细化2.5D封装模型。该模型创新性地考虑了TSV自身通电产生的焦耳热及其与冷却流体之间的复杂相互作用，从而更真实地模拟了封装体内的温度场与应力场。
优化过程是本研究的主体。我们采用遗传算法，以芯片峰值温度和综合性能因子为目标函数，对TSV的几何参数（如半径、间距、高度）和空间位置（奇偶数列位移）进行自动化寻优。研究系统性地探讨了自由度数量对优化效果的影响，发现从3、5到9个自由度，虽然收敛速度减缓，但优化结果（如峰值温度降低、温度场均匀性）得到持续改善。对比不同目标函数发现，单纯以温度为目标的优化能获得最佳散热效果，但流阻较大；而以综合性能因子为目标的优化则能在热性能和压降间取得更佳平衡。
为实现突破性的性能提升，研究进一步将自由度大幅度的增加至157个，对每个微柱的坐标、半径和高度进行独立精细调控。根据结果得出，此高自由度优化产生了沿流体流向自适应变化的“非均匀”微柱布局（密度与直径递增），完美匹配了流道内的散热需求梯度。最终，优化模型在峰值温度、温度均匀性、热应力和流动阻力等多个关键指标上均实现了显著优于低自由度模型的综合性能。
鄂公网安备