今天早上看到新浪财经APP新闻“Rubin GPU 设计缺陷”，网页链接如下：http://finance.sina.com.cn/cj/2026-05-10/doc-inhxkpei6174663.shtml

这次Rubin芯片出现设计缺陷，不得不修改设计，一个很大的直接原因就是封装翘曲，如上述新闻中所述：“Rubin与Rubin Ultra平台正面临五大关键挑战：HBM4内存的速度与容量瓶颈、良率与翘曲（Warpage）问题、多电源设计方案受阻，以及散热顶盖（Heatspreader）的重新设计”。

其采用了CoWoS---Local Silicon Interconnect技术，以大幅度地降低制造成本，代价就是出现更严重的封装翘曲，这是有机中介层的很大热膨胀系数与Local Silicon以及在其上布置的各个芯片和HBM的很小热膨胀系数严重失配的必然后果。我个人估计原因是还没有应用任意复杂布线结构的任意分区等效材料性能的高通量、高精度、高效率的细观有限元模拟和AI预测技术以优化芯片设计。

其实在2024年Blackwell系列芯片就出现过类似的问题，我也做过技术评论，可见我在2024年8月11日写的博文《AI在集成电路行业中深入应用的两则案例》，网页链接如下：https://blog.sciencenet.cn/blog-99553-1446013.html

其中在案例2里我写到：

“从技术角度理解这件事的前因后果，可能是极其复杂的CoWoS-L芯片系统设计、众多种类材料之间的性能显著差异导致了热-力可靠性问题，高效率高精度地改进嵌入式多芯片互联桥（EMIB）及其与再布线层（RDL）连接区的布线设计，从而解决问题。如果真的能如此快速且有效地解决上述问题，从技术角度猜测，必然已经实现了如下的技术演变：（1）对于具有任意复杂多变的布线和材料特点的任意形状尺寸的集成电路产品，高效率、高精度、全自动化地基于细观有限元方法计算任意大小分区的数十万、数百万甚至数千万个分区的各向异性等效材料性能，既包括力学性能参数、化学收缩系数、热膨胀系数，又包括热导率、电导率；（2）利用数十万、数百万甚至数千万个分区的高精度的各种各样等效材料性能的细观有限元模拟数据，基于CNN、Vision Transformer等技术开发了布线结构分区等效材料性能的人工智能预测技术，能在数分钟内根据最新的集成电路产品设计方案高精度地生成宏观尺度有限元模拟所需分区数量的各种各样等效材料性能的各向异性数据。（3）实现了PCB制造/IC基板制造/RDL制造/芯片CoWoS-L封装/回流组装/PCBA使役损伤与疲劳全贯通的高精度高效率有限元模拟。试想，假如没有上述的第（2）条所述的AI技术，该公司难以有把握在很短的时间内有效地解决如此复杂的集成电路产品的热-力可靠性问题。仅仅依靠细观有限元模拟技术直接生成宏观尺度有限元模拟所需分区数量的各种各样等效材料性能的各向异性数据，是极其耗时的事，即使有很好性能的多台并行的服务器。估计其尚未实现基于PCB制造/IC基板制造/RDL制造/芯片CoWoS-L封装/回流组装历史的PCBA使役损伤与疲劳的高精度高效率AI预测，否则就不会出现上述的黑天鹅事件了。一家之言，欢迎大家多提宝贵意见，共同推动AI+IC产业技术进步”。

关于应用任意复杂布线结构的任意分区等效材料性能的高通量、高精度、高效率的细观有限元模拟技术对复杂电子产品翘曲仿真精度的影响，可见前不久在Microelectronics Reliability专业期刊上发表的一篇论文，给出了详实的量化比较性分析结果：Influence of via structures on PCB warpage during manufacturing processes, 该文在出版社的网页链接如下：https://www.sciencedirect.com/science/article/pii/S0026271426000909

      欢迎大家多提宝贵意见，提升AI芯片良率，推动AI技术进步！

支持单位：