Machine Learning-Assisted Thermoelectric Cooling for On-Demand Multi-Hotspot Thermal Management

本文介绍了一种新颖的机器学习辅助优化算法，用于热电制冷器（TEC）的温度管理，以实现基于实时多热点条件下的整个领域的个别控制，从而实现全局最优温度。该算法使用具有Inception模块的卷积神经网络（CNN）来理解系统中耦合的热电物理过程，并在有或没有TEC的情况下获得准确的温度预测。由于被动热梯度、Peltier效应和Joule效应之间的复杂相互作用，局部最优TEC控制经历了空间温度权衡，这可能不会导致全局最优解。为了解决这个问题，开发了一种基于回溯的优化算法，使用设计的机器学习模型迭代所有可能的TEC分配，以实现全局最优解。对于任意的m×n矩阵，其中有NHS个热点（n、m小于10，NHS小于20），我们的算法能够在平均1.07秒内提供全局最优温度及其相应的TEC阵列控制，同时在幕后迭代数十个温度预测。与传统的有限元策略相比，其速度提高了四个数量级，大约需要18分钟。

本论文旨在通过机器学习辅助优化算法来解决系统级芯片中多个动态热点的热管理问题，实现全局最优温度控制。

论文提出了一种基于卷积神经网络（CNN）和回溯优化算法的方案，通过训练CNN模型来预测温度，并使用回溯优化算法来寻找全局最优解。

论文在实验中使用了设计的机器学习模型来迭代所有可能的TEC分配，以实现全局最优解。实验结果表明，该算法相比传统的有限元方法可以提高4个数量级的速度。论文提出的方案具有很高的实用性和可扩展性，可以应用于各种尺寸的热点分布和多种类型的芯片。

在该领域的相关研究包括：1. “A machine learning approach for thermal management of multi-core processors”；2. “Thermal-aware workload management for data centers using machine learning”；3. “A survey on machine learning techniques for thermal management in data centers”。