物理引导的 Transformer 能否预测多段互连线的电迁移应力？

模型预测的是应力剖面，而非单点数值

电迁移是片上互连的一种可靠性失效模式：随着工艺微缩到更小节点，不断升高的电流密度使其成为主要可靠性挑战之一。要找出容易发生电迁移退化的导线，需要准确的瞬态应力分析，但在大量互连线上运行基于物理的求解器计算代价依然很高。

论文给出的答案是一个物理引导的 Transformer，用于预测多段互连线中的静水应力。每条线被转换为按顺序排列的、感知几何与直流电学特征的段 token；Transformer 注意力捕捉线级上下文；轻量查询解码器返回指定位置与时间点上的应力。因此输出是查询点 (x, t) 处的应力值，而训练目标还把完整应力剖面作为线级对象进行优化。

某一点的应力取决于整条线

论文围绕一个物理论点来构建预测问题。在多段互连线内，查询点的应力不仅取决于局部段的属性（如几何与电学量），还取决于周围段的序列和端子行为。因此有效的电迁移预测需要同时捕捉局部段级特征和更广的线级上下文的模型。

这正是 Transformer 编码器的作用：它学习线中所有段的上下文表示，因此某一位置的查询可以利用整条线的信息，而不只是它所在的那一段。论文用 Korhonen 应力扩散模型描述电迁移应力演化，其中电迁移驱动力项与反向背应力项相互平衡，决定净原子通量和应力积累。该架构的设计意图是尊重这种线级结构，而不是把每一段独立处理。

物理项约束模型的训练方式

训练目标结合三部分：归一化监督回归项、线级相对 L2 项，以及物理引导的连续性和端子通量项。归一化 MSE 项让逐点预测拟合参考标签。线级相对 L2 项把完整应力剖面作为线级对象优化，并设置下限以避免接近零应力的线主导目标函数。

两个物理引导项编码边界行为。连续性项惩罚内部段界面处的应力不匹配，比较一段的右端点与下一段的左端点。端子通量项正则化两个阻挡端子处的预测应力斜率，使用每个端子段的电流密度和长度；实现时导数用每个端点附近的短有限差分近似。这些项正是把模型推向物理一致剖面、而非仅逐点吻合的机制。

六个基准的测试相对 L2 误差均低于 8%

评估使用从 IBM 电网基准中提取的互连线，应力标签由参考求解器生成，精度在三个可靠性时间点 t = 5、10、20 年上取平均。在所有六个基准上，测试相对 L2 误差均低于 8%。相对精度最强的是 IBM5（3.7%）和 IBM6（4.2%），而 IBM2（7.0%）和 IBM3（7.8%）是最具挑战性的案例，论文将其归因于更大的结构变化和更宽的应力尺度范围。

论文还报告了以帕斯卡为单位的绝对偏差，它们与相对指标呈现出不同的图景。IBM3 的测试 RMSE 为 2.72 x 10^5 Pa、MAE 为 6.73 x 10^4 Pa，远大于 IBM5 的 RMSE 3.18 x 10^1 Pa 和 MAE 1.86 x 10^1 Pa，尽管两者的相对误差相当。相对 L2 衡量归一化应力剖面误差；RMSE 和 MAE 报告绝对应力偏差。在应力范围很宽的基准上，低相对误差仍可能伴随较大的绝对偏差，因此这两类指标不应互换解读。

多数基准上训练与测试误差接近

在监督学习中，作者从每个 IBM 基准中选取一个紧凑的代表性子集，既代表该基准的线总体，又减少所需的参考数据。其余提取出的线被留出，仅用于评估。数据集统计中的 Train/all 列从 15%（IBM4）到 62%（IBM5），因此各基准的监督比例差异很大。

多数基准上训练与测试相对 L2 值接近，论文将其解读为模型并非简单记忆监督子集的证据。多数情况下差距很小：IBM1 从训练 7.3% 到测试 6.8%，IBM4 从 5.2% 到 5.7%，IBM5 从 4.4% 到 3.7%。这是论文自身对这一比较的解读，其边界在于留出的线来自同一批基准和同一个参考求解器。

各基准加速比从 368 倍到 2459.68 倍

运行时间在每个 IBM 基准最大的 10 条提取线上比较，表中报告这些案例的平均运行时间。对本文方法，测量时间是训练模型的一次前向传播；参考时间是计算同一条线的参考应力解。训练和超参数搜索属于离线一次性成本，不计入这一逐线比较。

最大加速出现在 IBM2，最高 2459.68 倍（参考求解器 0.139 秒/线，模型 5.65 x 10^-5 秒/线）。最小的是 IBM1，为 367.95 倍，论文指出这仍使模型比参考求解器快两个数量级以上。其他基准介于其间：IBM3 为 406.24 倍，IBM4 为 712.86 倍，IBM5 为 1675.76 倍，IBM6 为 706.53 倍。讨论部分报告相对矩阵指数求解器的平均加速为 1054.84 倍。由于比较使用每个基准最大的 10 条线，这些加速数字描述的是这种偏最坏情况的设定，而非每个数据集中的每一条线。

证据覆盖的是线，而非互连树

评估仅限于从 IBM 电网基准中提取的多段互连线，应力标签来自参考求解器，精度在 t = 5、10、20 年上取平均。论文自身的论述解释了为何这种分解是合理的：在铜双大马士革工艺中，扩散阻挡层把原子输运限制在单个金属化层内，抑制相邻层之间的质量交换，因此电网等大型网络可以逐层分析，而每一层内的布线拓扑可以分解为由导线段和通孔组成的多段线。

这一范围也标出了边界。该框架针对多段互连线提出，作者表示未来工作将把它扩展到互连树拓扑，并研究标签生成的样本自适应选择。因此所报告的误差和加速描述的是这些基准上的线级预测，而非树级或全网分析。

规模化下的剖面保真比峰值加速更重要

最醒目的数字是 IBM2 上 2459.68 倍的加速，但论文自身的结果表明，更具决策相关性的比较是各基准之间相对精度与绝对精度的对比。IBM3 的测试相对 L2 保持在 7.8%，却带有研究中最大的绝对偏差（RMSE 2.72 x 10^5 Pa，MAE 6.73 x 10^4 Pa），论文把 IBM2 和 IBM3 的难度与更大的结构变化和更宽的应力尺度范围联系起来。因此，比较部署候选方案的读者应关注哪个基准在结构变化和应力范围上与目标线相似，而不只是看最佳加速数字。

预期的部署场景是复用：训练好的模型用于评估大量新的互连线，训练和超参数搜索被视为离线一次性成本。在这一设定下，论文最强的论断是：每个基准一个紧凑的监督子集即可支撑全部六个基准上低于 8% 的测试相对 L2，同时保留主要应力峰值以及段过渡附近的局部变化，这一点在一条代表性的 110 段线上得到展示。这篇论文确立的优先事项是在结构多样的线上实现剖面级保真，加速是使能条件而非主要结果。

本文引用的文献