热分析 (Thermal Analysis)

3 秒看懂

一句话： 热分析就是”用仿真和实测搞清楚芯片/系统里热量怎么产生、怎么流动、最终去哪里”，是决定 AI 芯片能不能跑满频率、数据中心能不能不降频的关键环节。芯片功耗越大，热分析越值钱。

3 分钟产业解释

为什么 AI 行业突然高度关注热分析？

过去十年，通用 CPU 的单芯片功耗大体维持在 100–200 W 量级；而进入大模型时代，单颗 AI 加速卡的功耗已跃升至 数百瓦乃至接近千瓦级（如 NVIDIA 某旗舰级训练卡 TDP 约 700 W 级别 [供应链公开规格/媒体报道]，具体数值因代际和具体型号而异）。

这意味着：

• 功率密度飙升： 同样一块 GPU 大小的 die，热流密度（heat flux）可超过传统 CPU 数倍。
• 封装与散热成为瓶颈： 先进封装（如 CoWoS、EMIB 等 2.5D/3D 方案）将多颗 die 集成在一起，热量叠加效应显著。
• 数据中心 PUE 受到挑战： 当单机柜功率从过去的 5–10 kW 跃升到 30–100+ kW（大型 AI 集群常见），冷却系统设计必须精确——不够就降频，过度就浪费资本开支。

热分析，本质上就是回答一个核心问题：这颗芯片/这个系统，在全负荷运行时，最热的地方有多热？会不会超过材料的物理极限？如果不达标，我该怎么改？

谁需要做热分析？

产业规模（定性）

热分析软件与服务市场在全球范围内属于利基市场（niche），但随着 AI 算力基础设施爆发式增长，该领域需求增速显著快于传统电子散热。据行业定性判断，其市场从传统的”辅助设计工具”正升级为”AI 芯片能否流片成功的前置条件”。

15 分钟专家深入

一、热分析的三大层次

热分析不是单一动作，而是贯穿芯片级 → 封装/板级 → 系统/机柜级 → 数据中心级的完整链条：

┌──────────────────────────────────────────────────────┐
│                   数据中心级 (Room/DC)                  │
│  CFD 模拟机房气流、冷热通道布局、液冷管路设计          │
│                                                        │
│  ┌──────────────────────────────────────────────────┐  │
│  │              系统/机柜级 (System)                  │  │
│  │  整机热仿真：风道设计、风扇选型、散热器匹配        │  │
│  │                                                    │  │
│  │  ┌──────────────────────────────────────────────┐  │  │
│  │  │         封装/板级 (Package/Board)             │  │  │
│  │  │  封装热阻分析、PCB 热仿真、TIM 选型          │  │  │
│  │  │                                              │  │  │
│  │  │  ┌────────────────────────────────────────┐  │  │  │
│  │  │  │         芯片级 (Die/Chip)              │  │  │  │
│  │  │  │  热仿真: Hotspot 定位、动态功耗映射     │  │  │  │
│  │  │  └────────────────────────────────────────┘  │  │  │
│  │  └──────────────────────────────────────────────┘  │  │
│  └──────────────────────────────────────────────────┘  │
└──────────────────────────────────────────────────────┘

二、核心方法论

2.1 仿真方法（Simulation-based）

① 计算流体力学（CFD）

• 求解 Navier-Stokes 方程 + 能量方程，同时获得流场和温度场。
• 代表工具：Ansys Icepak、Siemens Simcenter FLOTHERM、Cadence Celsius（原 Future Facilities 6SigmaET 被 Cadence 收购后整合）。
• 适用于系统级和数据中心级分析。
• 计算量大，单次仿真耗时从分钟到小时不等，取决于网格精度。

② 有限元分析（FEA / 热传导求解）

• 求解热传导方程，适用于芯片级和封装级的固体域热分析。
• 代表工具：Ansys Mechanical（热分析模块）、COMSOL Multiphysics。
• 可做稳态和瞬态分析。

③ 紧凑热模型（Compact Thermal Model, CTM）

• 将复杂的芯片/封装结构简化为少量热阻网络（类似 RC 电路）。
• JEDEC 标准中的双热阻模型（Junction-to-Case, Junction-to-Board）即为此类。
• 优点是计算快，适合系统级早期评估；缺点是精度有限。

④ 基于机器学习的代理模型（Surrogate Model / ML-based）

• 近年来的新趋势：用神经网络学习”功耗分布 → 温度场”的映射关系。
• 训练完成后推理速度可达毫秒级，适合大规模设计空间探索。
• 但训练数据质量决定上限，泛化能力仍待验证。

2.2 实测方法（Measurement-based）

AI 芯片通常内嵌数十到数百个温度传感器（thermal diode/sensor），用于动态热管理——当检测到温度逼近阈值时，DVFS（动态电压频率调节）机制自动降频降压，保护芯片。这就是为什么 AI 芯片在高温环境下”性能会下降”。

三、AI 芯片特有的热挑战

1) 高功耗 + 高热流密度

• 传统服务器 CPU 功耗约 100–300 W；AI 训练加速器功耗在 300–1000 W 量级 [公开规格/行业报道，具体型号各异]。
• 热流密度（die 表面单位面积热功率）可能是传统 CPU 的 2–5 倍。

2) 先进封装的热叠加

• 2.5D 封装（如 CoWoS）将 HBM 和计算 die 放在同一 interposer 上，HBM 本身也是热源。
• 3D 封装（如 chiplet 堆叠）的垂直方向热路径更长，散热更困难。

3) 大面积 die 的温度均匀性

• 高端 AI 芯片 die 面积可达 800 mm² 以上，不同区域的功耗密度差异大（如计算阵列 vs. I/O vs. SRAM），导致温度梯度显著。
• “热点”（hotspot）处的温度可能比平均温度高 20–40°C [行业典型范围，非具体型号数据]。

4) 冷却方案正从风冷向液冷迁移

• 当单芯片功耗超过约 300–400 W 后，传统风冷散热的边际成本急剧上升（需要更大散热器、更高转速风扇、噪音和功耗随之增加）。
• 直接液冷（Cold Plate）和浸没式液冷正在 AI 数据中心中加速渗透。
• 热分析在液冷方案设计中同样不可或缺：液冷板的流道设计、流量分配、热界面材料选择都需要仿真验证。

技术原理（机制 + 关键参数）

热传导的基本方程

固体中的热传导由 Fourier 定律描述，热传导方程为：

\rho c_p \frac{\partial T}{\partial t} = \nabla \cdot (k \nabla T) + q_v

其中：

• \rho：材料密度 (kg/m³)
• c_p：比热容 (J/kg·K)
• $T$：温度 (K)
• $t$：时间 (s)
• $k$：热导率 (W/m·K)
• q_v：体积热源功率密度 (W/m³)

关键热参数

┌─────────────────────────────────────────────────────┐
│                  芯片热分析关键参数                    │
├────────────────────────┬────────────────────────────┤
│ 参数                    │ 说明                       │
├────────────────────────┼────────────────────────────┤
│ TDP (Thermal Design    │ 散热系统必须能带走的最大     │
│ Power)                 │ 功耗，是热设计的"合同"       │
├────────────────────────┼────────────────────────────┤
│ T_junction (T_j)       │ 芯片结温——die 内部最高       │
│                        │ 允许温度。通常商用芯片       │
│                        │ 限制在 ~100–110°C [具体     │
│                        │ 值因厂商和产品线而异]        │
├────────────────────────┼────────────────────────────┤
│ T_case (T_c)           │ 封装外壳表面温度             │
├────────────────────────┼────────────────────────────┤
│ θ_jc (Junction-to-Case│ 结到壳热阻 (°C/W)。         │
│  Thermal Resistance)   │ 越低越好，取决于封装结构     │
├────────────────────────┼────────────────────────────┤
│ θ_ja (Junction-to-     │ 结到环境热阻 (°C/W)。       │
│  Ambient)              │ 包含封装+散热器+环境全部     │
│                        │ 热路径                     │
├────────────────────────┼────────────────────────────┤
│ TIM Thermal            │ 热界面材料热导率。           │
│ Conductivity           │ 传统硅脂 ~3–10 W/m·K；     │
│                        │ 高端铟片 >70 W/m·K [供应   │
│                        │ 商规格，范围值]             │
├────────────────────────┼────────────────────────────┤
│ 热流密度               │ 单位面积热功率 (W/cm²)。     │
│ (Heat Flux)            │ AI 芯片热点区域可达         │
│                        │ 100+ W/cm² [估算]          │
└────────────────────────┴────────────────────────────┘

热阻模型（简化等效电路类比）

     T_junction
         │
         │ θ_jc (结到壳热阻)
         │
     T_case
         │
         │ θ_cs (壳到散热器热阻, 含TIM)
         │
     T_sink (散热器温度)
         │
         │ θ_sa (散热器到环境热阻)
         │
     T_ambient

温升: T_j = T_ambient + P × (θ_jc + θ_cs + θ_sa)

示例:
  P = 700W, θ_jc=0.05°C/W, θ_cs=0.03°C/W, θ_sa=0.05°C/W
  ΔT = 700 × 0.13 = 91°C
  若 T_ambient=30°C → T_j=121°C → 超标！需改善散热

注意： 以上数字仅为示意性计算，非特定产品数据。实际产品热阻值取决于具体封装、散热方案和测试条件，以厂商数据手册为准。

AI 芯片热分析的特殊考量

动态功耗分布： AI 训练负载不是均匀的。不同计算单元（如 Tensor Core 阵列、矩阵乘法单元、片上 SRAM、I/O PHY）在不同计算阶段的利用率不同，导致热分布随时间变化。瞬态热分析（Transient Thermal Analysis）对于预测温度波动和热循环寿命至关重要。

热-电耦合： 温度升高 → 晶体管漏电流增加 → 功耗增加 → 温度进一步升高。这是一种正反馈机制，称为 热失控（Thermal Runaway） 风险。先进工艺节点（如 5nm、3nm）的漏电问题更严重，热-电耦合仿真变得不可或缺。

技术演进史

技术路线对比

冷却方案与热分析需求矩阵

仿真工具对比（定性）

上下游

上游（热分析依赖什么？）

材料数据 ──→ 热导率、比热容、密度等基础物性参数
              (芯片材料: Si ~150 W/m·K, Cu ~400 W/m·K,
               GaN ~130 W/m·K; 封装基板、TIM、PCB 材料)

EDA 流程 ──→ 芯片功耗分布 (Power Map) 来自综合/布局布线/功耗分析
              (是热仿真的输入数据，精度直接决定热分析可信度)

工艺 PDK ──→ 不同工艺节点的漏电-温度关系模型

下游（热分析服务什么？）

热分析结果
    ├──→ 封装设计决策: 散热器选型、TIM 材料选择、封装结构优化
    ├──→ 芯片设计反馈: 功耗管理策略 (DVFS 阈值)、热点处布局调整
    ├──→ 系统设计决策: 风道设计、液冷管路、风扇控制策略
    ├──→ 数据中心规划: 冷却容量规划、PUE 预测、机柜布局
    └──→ 可靠性预测: 热循环应力 → 预测焊点/互连疲劳寿命

关键指标

供需与市场数据

需求端驱动力

供给端格局（热分析软件）

• Ansys（被 Synopsys 收购中/已完成）：Icepak + Mechanical 组合，市占率领先。
• Siemens Digital Industries：Simcenter FLOTHERM 系列，老牌电子散热工具。
• Cadence：通过收购 Future Facilities 拿到 6SigmaET（现 Celsius），补齐热分析版图，与 PCB/封装 EDA 深度整合。
• 其他参与者： COMSOL（学术和定制场景）、商业 CFD 巨头（如 Dassault Systèmes 的 Simulia）也有涉足。

行业趋势： EDA 三巨头（Synopsys/Ansys、Cadence、Siemens）都在将热分析与芯片设计流程深度整合，“电-热-应力”多物理场协同仿真成为竞争焦点。

代表公司与资本映射

投资视角： 热分析软件本身的直接市场规模有限（估计全球数亿美元量级 [行业估算]），但它赋能的散热硬件/液冷系统/数据中心基础设施市场规模达数百亿美元。热分析能力是这些下游产业的”研发税”——不可或缺但自身体量不大。

投资逻辑

核心论点

1. 热分析是 AI 算力扩张的”必经之路”： 每颗高功耗 AI 芯片在流片前必须通过热仿真验证；每个液冷数据中心在建设前必须完成热-流 CFD 分析。需求刚性且与算力资本开支（Capex）高度正相关。

2. EDA 巨头整合多物理场是长期趋势： Synopsys 收购 Ansys、Cadence 收购 6SigmaET，都指向同一个方向——“芯片设计不能只看电，还要看热和应力”。拥有完整热-电协同仿真能力的 EDA 厂商，在下一代芯片设计工具竞争中将占据优势。

3. 液冷渗透率提升 = 热分析需求放大器： 液冷方案设计比风冷复杂一个数量级（需要同时优化热传导和流体动力学），直接拉动高端热分析工具和服务的需求。

风险提示

• 热分析软件是利基市场，增速虽快但绝对规模有限，对大公司的营收贡献比例不大。
• 开源 / 免费工具（如 OpenFOAM）在学术和中小企业的渗透可能压制商业软件增长。
• AI 芯片功耗趋势是否持续攀升存在不确定性（算法效率提升、稀疏计算等可能降低单位算力功耗）。

常见误读纠偏

误读 ①：“热分析只是散热工程师的事，和芯片设计无关”

纠偏： 这是最危险的认知。在先进工艺节点下，热分布直接影响晶体管性能（载流子迁移率随温度变化）、漏电流、时序裕量（timing margin）。现代芯片设计流程中，热分析已深度嵌入——从 RTL 功耗估算开始，到布局布线阶段的热-电协同优化，再到 sign-off 阶段的全芯片温度验证。不做热分析的芯片设计，就像不做 DRC 检查一样冒险。

误读 ②：“液冷就不需要热分析了，液体比空气导热好得多”

纠偏： 液冷的散热能力确实远高于风冷（水的比热容约为空气的 4 倍，导热率约 20 倍），但这不意味着可以”不分析”。液冷方案引入了新的复杂度：

• 冷板流道设计必须确保流量均匀分配，否则局部流量不足的区域反而成为热点。
• 漏液风险评估。
• 管路压降计算、泵的选型。
• 两相液冷中的沸腾不稳定性分析。 液冷不是”解决了热问题”，而是”把热分析的难度提升了一个维度”。

误读 ③：“芯片内置温度传感器就够了，不需要仿真”

纠偏： 温度传感器是运行时的”事后监控”，而热分析是设计阶段的”事前预防”。传感器告诉你”温度高了”，但不能告诉你”为什么高、改哪里能降低”。传感器和仿真不是替代关系，而是互补关系： 仿真用于设计阶段优化，传感器用于运行时监控和 DVFS 触发。

学习路径

入门（0–2 周）

1. 了解基本传热学三模式：传导、对流、辐射。
2. 阅读 JEDEC JESD51 系列标准的概述，理解 θ_ja、θ_jc 等标准热阻定义的含义。
3. 观看 Ansys / Siemens 等厂商的入门级电子散热 CFD 教程视频。

进阶（1–3 月）

4. 学习 CFD 基础（Navier-Stokes 方程、网格划分、湍流模型选择）。
5. 用 Ansys Icepak 或 FLOTHERM 做一个完整的服务器级热仿真案例。
6. 了解先进封装（CoWoS、EMIB）的热管理挑战和解决方案。

专家级（3–12 月）

7. 研究电-热耦合仿真方法（RedHawk + Icepak 联合仿真流程）。
8. 学习液冷系统设计的 CFD 分析方法。
9. 关注前沿方向：ML-based 热分析、芯片内微流道冷却、3D 封装热管理。

推荐资源

• 书籍：《Computational Fluid Dynamics: The Basics with Applications》（John D. Anderson）——CFD 经典入门。
• 行业标准：JEDEC JESD51 系列（热测试标准）。
• 期刊：IEEE Transactions on Components, Packaging and Manufacturing Technology。

一句话总结

热分析是 AI 算力基础设施的”隐形基础设施”——它不直接产生算力，但没有它，算力就跑不起来：芯片会降频，会损坏，数据中心会不达标。

延伸阅读与来源

数据标注说明： 本文中未附具体来源的数据均为行业常识性描述或定性估算，具体产品规格请以各厂商官方数据手册为准。市场数据建议参考多家券商研报交叉验证。