IC-ThermBench

一个用于可重复、可泛化的2.5D/3D-IC热学习的开放基准测试。An open benchmark for reproducible and generalizable 2.5D/3D-IC thermal learning.

原始信息汇总

IC-ThermBench 数据集概述

IC-ThermBench 是一个面向可复现、可泛化的 2.5D/3D 集成电路热学习任务的开源基准数据集，由悉尼科技大学（UTS）IC-ThermBench 研究团队开发维护。

核心目标

该基准旨在解决热预测研究中因数据、模拟器、数据划分、预处理和评估指标不一致导致的模型间比较困难问题，提供统一的评估合约，涵盖训练、推理、适配和报告全流程。

数据集规模与范围

基准采用“Scope”分级体系，共五个递进范围：

范围	评估设置	新增可变因素	样本数	典型用途
S1 · 源任务套件	固定设计预测	功率；瞬态任务时间	32,000	工作负载分析、动态热管理
S2 · 布局	支持范围内	系统模板中的布局与朝向	15,000	布局规划、设计空间探索
S3 · 材料	支持范围内	S2 + 局部热导率	15,000	材料与工艺参数扫描
S4 · 边界条件	支持范围内	S3 + 环境温度与对流	15,000	冷却与环境协同设计
S5 · 结构域外	案例不重叠	未见过的芯粒数量、尺寸、功率密度区间与利用率	5,000	新产品或封装迁移

数据来源与版本说明

• S1：源自 ARO 到 Therm-FM 研究线路的原始 Alpha EV6 与工业任务，保留原始定义、模拟器、分辨率与评估约定，不重新生成。目前统一数据包与评估代码仍在建设中，但已记录基准结果可用。
• S2：基于 ATPlace2.5D 公开包的案例 1-10、芯粒系统与基于 HotSpot 的热设置。
• S3–S5：在 S2 的案例/生成约定基础上扩展，分别加入材料支持、边界条件支持与留出结构系统。
• 当前可执行版本包含基于生成器的 S2–S5 数据与代码路径，S1 保持分离状态。

基线模型

模型家族	基线
卷积网络	U-Net
神经算子	FNO、U-FNO、SAU-FNO、DeepOHeat
PDE 基础模型	Therm-FM T / B / L

所有基线使用相同的标注样本、划分归属、物理通道与指标实现，但保留各架构特定的训练配方。

关键基准结果

范围	最佳方法	最佳 RMSE ↓
S1	Therm-FM L	0.009–0.076 K
S2	SAU-FNO	0.657 K
S3	U-FNO	0.802 K
S4	U-FNO	1.327 K
S5 · 零样本	Therm-FM T	15.99 K
S5 · 10样本	Therm-FM B	3.19 K

核心发现：支持范围内结果随物理维度增加逐渐退化；案例不重叠的 S5 结构域外迁移误差约增长一个数量级，模型排名变化，少量目标监督即可大幅恢复性能。

数据格式与接口

• 统一张量合约：输入 (B, X, Y, Z, P)，输出 (B, X, Y, Z)，其中 X = Y = 64，Z = 1。
• 数据文件目录包含 level2_steady/ 至 level5_steady/，对应论文中的 S2–S5 范围。
• 数据集压缩包约 4.6 GB，模型检查点约 9.6 GB，均通过 Google Drive 提供。

可复现性保障

• 确定性的基于索引的训练/验证/测试划分
• 统一的 RMSE、MAE、R²、MaxAE、峰值温度误差与 Top-50 MAE 指标实现
• 发布的检查点与 JSON 输出可审计，无需重新训练
• 深度冻结的环境配置与发布检查点匹配

当前限制

• S1 数据打包与统一评估脚本尚未完成
• S2–S5 目前仅覆盖 64×64 稳态场（Z=1），瞬态渐进评估为未来工作
• S2–S4 独立生成，非样本级配对，差异反映分布难度而非严格因果消融
• S5 仅含五个留出系统，无法代表所有工业封装、工艺或冷却技术
• 基准为标签监督范式，纯物理与无标签训练不作为直接可互换基线

许可信息

• 仓库代码：MIT 许可证
• 原始 S2–S5 数据、固定划分与结果记录：CC BY 4.0
• S1 源数据及第三方组件保留原始许可证，论文相关文字、图表不重新授权为数据集内容

搜集汇总

数据集介绍

构建方式

IC-ThermBench是一个面向2.5D/3D集成电路热预测的开源基准测试，旨在解决热预测研究中因数据、模拟器、划分和评估指标差异导致的比较困难。基准测试构建了一个渐进式的评估框架，分为S1至S5五个范围（Scope），每个范围逐步引入新的物理变量：S1为固定设计源任务，S2添加布局变量，S3引入材料热导率，S4增加环境温度和冷却条件，S5则针对未见过的结构系统进行分布外测试。数据生成遵循ATPlace2.5D的案例和生成约定，确保与现有基准的连续性。所有数据、划分、标签和评估指标均标准化，并提供了统一的接口，以支持可重复和可扩展的研究。

特点

本数据集的核心特色在于其层次化的评估范围和严格的 reproducibility 协议。S1至S5的设计使研究者能够系统地拆解热预测的复杂度，其中S5的结构性分布外测试揭示了模型在跨系统泛化时的显著性能下降，误差可增加约一个量级。项目提供了八个基线模型，涵盖卷积网络、神经算子及PDE基础模型，所有模型均在相同的物理通道、划分和指标下公平比较。此外，数据集配备了冻结的划分、预训练检查点和多种适应策略（如零样本和少样本），并详细记录了每个模型的训练参数，确保了结果的透明性和可审计性。

使用方法

使用IC-ThermBench时，研究者首先需克隆代码库并配置环境，下载约4.6GB的数据集和9.6GB的检查点文件。通过统一的入口脚本run.py，可以轻松执行训练、评估、微调和对比任务。例如，运行python run.py --model UFNO --data level2 --task test即可在S2范围上评估U-FNO模型。对于自定义模型，只需满足一个张量契约（输入(B, X, Y, Z, P)输出(B, X, Y, Z)），并在注册后即可复用现有的训练和评估流程。项目还提供了全面的文档，包括安装指南、数据集详情、复现步骤和扩展指南，确保用户能快速上手并深入探索。

背景与挑战

背景概述

IC-ThermBench是由悉尼科技大学IC-ThermBench研究团队于2026年创建的开放基准，旨在解决2.5D/3D集成电路热预测领域缺乏统一评估标准的问题。该基准通过五个递进式泛化范围（S1至S5），系统性地涵盖了固定设计预测、布局变化、材料属性、边界条件以及结构外分布情景，并集成了八种基线模型和固定数据划分。其核心研究问题是建立可复现、可扩展的热学习评估协议，推动集成电路热管理领域的模型可比较性与研究透明度。作为首个公开的渐进式泛化基准，IC-ThermBench填补了该领域公共评估工具的空白，为后续研究提供了标准化的验证平台。

当前挑战

IC-ThermBench面临的主要挑战包括：领域问题层面，集成电路热预测需处理多物理场耦合与复杂结构变化，现有模型在高维结构外分布场景下性能显著退化且排名易变，缺乏统一的评估指标与数据协议；构建过程中，需整合来自多个来源的历史数据并确保一致性，同时解决数据不可复现、划分标准不统一及评估方法差异等问题，还需在有限样本下实现有效泛化，并应对稳态计算与瞬态扩展的平衡。此外，不同模型家族间的公平比较、超参数敏感性以及基准的可扩展性也是持续挑战。

常用场景

经典使用场景

IC-ThermBench作为面向2.5D/3D集成电路热分析的开放基准，其经典使用场景聚焦于热学习模型的标准化评估与公平比较。该基准通过提供渐进式物理支撑（从固定设计到布局、材料、边界条件直至结构外推）与不可变的数据划分，构建了一套统一的评价协议。研究者可借此在受控条件下训练、推理和微调各类热预测模型，并依据共享的指标（如RMSE、MAE）进行跨模型性能对比，从而规避因数据差异导致的性能误判。

解决学术问题

该数据集有效解决了热预测研究中长期存在的可比性缺失问题。不同工作常使用私有或部分公开的数据集、参考求解器、表征方式及评估指标，导致误差降低可能源自测试分布更易而非模型更优。IC-ThermBench通过确立统一的评估契约，引入不可变划分、标准化物理通道及八种基线模型，促使研究者在一致条件下验证模型泛化能力，显著提升了学术结论的可信度与可复现性，推动了热学习领域的规范化发展。

衍生相关工作

IC-ThermBench的发布衍生了系列衍生工作：它整合了来自ARO、Therm-FM和ATPlace2.5D等既有研究的任务与数据，形成了融合传承与扩展的基准体系；同时，基于其统一接口，研究者可便捷地加入新模型，推动了诸如物理信息驱动或标签高效学习等方向在热预测中的探索。此外，基准揭示的结构外推差距激发了关于域适应和少样本学习的深入研究，而公开的检查点与结果记录则为后续元分析及模型综合对比提供了基准资源。