AI for Science with GPT-6 Astra: 二维CFET的热设计与电热分析

中文摘要 AI 辅助

二维CFET反相器的热优化需要针对其电学代价来测试结构方案。我们在一个提供的电热模型内，使用AI智能体工作流来考察这些研究任务。在12纳米节点，Astra选择了一种重新分布的源极互连几何结构，同时一个协调智能体提出了一条衬底导向的散热路径。该组合设计在固定金属体积和20微瓦功耗下，将峰值温升降低了1.67开尔文。随后的金属电阻敏感性分析显示，反相器冷却约0.6开尔文，同时伴随2%的nFET导通电流损失。有效接触长度缩放进一步表明，当电流下降时，较低的温度可以伴随较高的热阻。复现实验确认了实现的一致性，并保留了104.95开尔文的失效案例以供诊断。这些结果表明，AI科学家工作流能够提出热结构，在共同约束下对其进行测试，并量化其电学代价。

英文摘要

Thermal optimization of 2D CFET inverters requires testing structural proposals against their electrical costs. We examine these research tasks using an AI agent workflow within a supplied electrothermal model. At 12 nm, Astra selects a redistributed source-interconnect geometry, while a coordinating agent proposes a substrate-directed heat-removal path. The combined design reduces peak temperature rise by 1.67 K at fixed metal volume and 20 μW. A subsequent metal-resistance sensitivity gives about 0.6-K inverter cooling alongside a 2% nFET on-current loss. Effective contact-length scaling further shows that lower temperature can accompany higher thermal resistance when current falls. Reproduction identifies agreeing implementations and retains a 104.95-K failure for diagnosis. These results show that an AI scientist workflow can propose thermal structures, test them under common constraints, and quantify their electrical cost.

发表机构

• Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院）
• National University of Singapore（新加坡国立大学）
• Cornell University（康奈尔大学）
• Technische Universiteit Eindhoven（埃因霍温理工大学）

机构由 AI 辅助整理，请以论文原文为准。