Hierarchical modeling of heat transfer in silicon-based electronic devices
Notice bibliographique
Résumé
Heat transfer modeling in electronic devices has gained importance over the last decade in the design of better performing devices. The trend towards miniaturization of these devices has led to components that operate in the micro and nano-meter and in the micro and pico-second ranges. When the characteristic dimensions of the electronic components are comparable to or smaller than the mean free path of the energy carriers (in this case phonons), the thermal conductivity, which affects their performance and reliability, reduces due to the scattering of the energy carriers with the boundaries. Several modeling approaches have been proposed in the literature to describe sub-continuum heat transport; however, the hierarchical modeling of heat transfer in electronic devices has been limited. This has precluded, at the industry level, the analysis of how changes at sub-continuum level impact the overall performance and reliability of these devices. There are numerous devices and applications whose design, performance and reliability are suitable for optimization if a hierarchical model was available. In this work, we present a hierarchical model capable of integrating the scales involved in the thermal analysis of electronic components. The integration of participating scales is achieved in three steps. First, we use molecular dynamics simulations to estimate the thermal properties (i.e. phonon relaxation times, dispersion relations and group velocities, among others), required to solve the Boltzmann transport equation (BTE). Then we apply quantum corrections (QCs) to the MD results to make them suitable for BTE, and lastly, we solve the BTE on various domains, subject to different boundary and initial conditions. Our hierarchical model is applied to silicon-based devices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».