- Project title
Ketidakefisienan Sistem Pendinginan pada Chip Elektronik 2D (Heat Sink Malfungsi)
- Author Complete Name
Maydi Addison
- Affiliation
Universitas Indonesia
- Abstract
Perangkat elektronik saat ini sangatlah umum digunakan semua orang. Pada chip elektronik, terdapat sistem pendinginan agar perangkat elektronik tidak mengalami overheat. Sistem pendingingan seringkali tidak efisien dan akhirnya menyebabkan terjadinya hotspot termal pada komponen yang kemungkinan bersifat fatal. Dengan menganalisis permasalahan ini, diharapkan kita bisa mengetahui cara mengeliminasi kejadian dengan inverse design.
Metodologi yang digunakan adalah formulasi persamaan konduksi panas 2D dengan dalam kondisi tunak serta pelatihan model dengan data suhu eksperimental pada titik titik tertentu dan kondisi batasan sistem. Analisis juga menggunakan konsep PINN (Physics-Informed Neural Network) untuk memodelkan distribusi suhu pada permukaan chip elektronik.
Hasil utama yang nantinya akan didapatkan pada analisis ini adalah pemetaan distribusi suhu dengan metode PINN, model yang mengidentifikasi area ketidakefisienan termal (hotspot), serta peluang inverse design untuk mengoptimasi sistem pendingin pada chip.
- Author Declaration
Selama perkuliahan metode numerik ini saya telah belajar menerapkan framework DAI5 untuk belajar dan mengerjakan segala tugas yang diberikan. Untuk UTS take home kali inipun, saya juga tak lepas dari penggunaan framework tersebut.
Deep Awareness of I
Saya merenungkan tentang semua perkuliahan yang telah saya alani sejauh ini. Hingga akhirnya telah berlalu 7 minggu perkuliahan dan UTS. Saya menyadari akan pentingnya metode numerik dan saya menyadari akan banyak ketidaktahuan saya dalam bidang ini. Akan tetapi seiring berjalannya waktu, saya akhirnya bisa sedikit demi sedikit mendalami bidang ini. Sangat penting untuk menyadari tentang consciousness atau self awareness demi menyelesaikan projek ini.
Tentu saja saya tidak akan pernah bisa melakukan semua ini tanpa pertolongan Yang Maha Kuasa. Ia lah yang telah membantu saya dalam segala tahapan hingga akhirnya saya bisa berada di sini dengan kemampuan belajar yang memadai.
Intention of The Project Activity
Niat saya dalam menimba ilmu haruslah diimbangi dengan aksi nyata saya dalam mencari sumber informasi, mengerjakan tugas, dan akhirnya mengerjakan projek tengah semester ini. Saya telah mengulik lebih jauh tentang tugas ini akan tetapi saya berencana akan tetap belajar metode numerik terlepas dari setelah saya menyelesaikan esai ini.
Melihat pada kehidupan sehari-hari yang saya jalani, saya menyadari akan pentingnya peran elektronik dalam kehidupan saya dan orang-orang di sekitar saya. Elektronik adalah alat yang memiliki peran penting dalam membantu kegiatan kehidupan saya, seperti belajar dan mencari informasi.
Tujuan utama dari analisis ini adalah untuk meningkatkan jangka pemakaian suatu alat elektronik sehingga saya dan semua orang yang menggunakan elektronik dapat mengurangi sampah elektronik sekaligus menghemat pengeluaran ketika kita bisa memperpanjang waktu pemakaian dari barang elektronik yang dimiliki.
- Introduction
Chip elektronik (misalnya di CPU dan GPU) menghasilkan termal karena adanya kinerja dari chip. Termal yang dihasilkan hanya terdapat di beberapa titik. Kemudian panas di titik titik tersebut tidak menyebar dengan baik sehingga panas berkumpul di titik atau area tertentu dan menjadi hotspot. Hal ini tidak baik untuk perangkat elektronik karena nantinya akan menyebabkan kerusakan komponen.
Penyebaran panas bisa terjadi dengan baik apabila desain heat sink memadai penyebaran panas serta material heat sink merupakan material dengan konduksi panas yang baik sehingga kalor bisa menyebar dengan baik pula.
Initial Thinking
Saya mengidentifikasi permasalahan di sekitar saya untuk selanjutnya melakukan analisis. Saya tidak hanya harus bisa mengidentifikasi apa permasalahan utama nya, akan tetapi saya juga perlu sadar bagaimana masalah ini bisa berdampak bagi kemajuan ilmu metode numerik.
Permasalahan yang ada harus dianalisis mulai dari akar penyebabnya. Ketika akar penyebabnya telah ditemukan, saya kemudian mengurutkan semua akibat hingga dampaknya bagi kinerja serta sistem secara keseluruhan.
Permasalahan yang terdapat dalam sistem pendinginan chip elektronik (misalnya pada CPU dan GPU) kemungkinan besar adalah karena chip hanya menghasilkan panas di beberapa titik sehingga di titik titik tersebut lah terjadi hotspot. Penyebaran panas yang tidak merata juga bisa dikarenakan desain heat sink serta material dari heat sink yang tidak ideal.
- Methods and Procedures
Seperti yang telah disebutkan sebelumnya, metode numerik PINN bisa digunakan untuk pemodelan persamaan konduksi panas 2D yang tidak memiliki banyak data suhu. Langkah-langkah penyelesaian untuk masalah ini adalah sebagai berikut:
- Memformulasikan masalah fisis
Persamaan dasar yang digunakan adalah persamaan konduksi panas pada konidisi tunak (steady)
Dikarenakan saya menganalisis dalam bentuk 2 dimensi maka koordinat yang digunakan adalah x dan y saja untuk menentukan posisi titik yang ditinjau. Dengan T(x,y) adalah suhu pada suatu titik dan Q(x,y) adalah sumber panas di suatu titik. Sumber panas bisa berupa komponen aktif chip. Kemudian k adalah konduktivitas material yang digunakan.
- Arsitektur Jaringan Saraf
Input koordinat 2 dimensi dengan mengisi nilai x dan y. Berdasarkan persamaan di atas, output yang didapatkan adalah suhu T. Arsitektur merupakan jaringan feedforward (MLP) dengan beberapa hidden layer) dan neuron per layer (misalnya 50 sampai 100).
Terdapat fungsi kerugian (Loss Function) dari 3 komponen, yaitu:
- Loss dari PDE
- Loss dari kondisi batas
- Loss dari data (jika ada)
- Pengumpulan Data
Data yang diperlukan sebenarnya tidak banyak karena PINN mengandalkan PDE (partial differential equation). Data-data yang perlu diambil adalah suhu dari sensor pada titik tertentu di chip. Kemudian kita juga memerlukan informasi material seperti konduktivitas termal, dimensi, dan boundary condition.
- Pelatihan model dengan PINN
Ketika arsitektur jaringan saraf sudah diselesaikan, kita perlu melakukan pelatihan agar parameter jaringan untuk memprediksi suhu T output sesuai dengan hukum fisika dan data yang ada. Pelatihan ini dilakukan dengan memperkecil nilai loss function. Semakin kecil nilai loss function maka semakin dekat prediksi model dengan persamaan konduksi panas, suhu dari sensor, serta kondisi batas.
Algortima optimasi yang bisa digunakan adalah Adam karena proses pelatihannya stabil dan cepat. Kemudian pelatihan bisa dilanjutkan dengan algortima L-BFGS yang meski lebih lambat tetapi bisa menyempurnakan hasil agar lebih akurat dan konvergen. Setelah pelatihan ini, model diharapkan menghasilkan distribusi yang cocok dengan data dan memenuhi aturan fisika. Dengan begitu, PINN memprediksi suhu di seluruh permukaan chip.
- Evaluasi dan Analisis
Hasil dari analisis ini adalah suhu pada permukaan chip. Hasil ini tentu tidak 100% benar, akan tetapi kita bisa mendapatkan hasil yang cukup kredibel dengan memvalidasi dengan menggunakan hasil simulasi numerik. Misalnya dengan FEM atau COMSOL. Cara kedua adalah dengan memvalidasikan prediksi hasil suhu dengan suhu asli yang kita dapatkan dari sensor.
Analisis yang perlu kita lakukan adalah melihat dimana saja hotspot terjadi dan kita memikirkan cara untuk mengurangi hotspot tersebut. Hotspot sendiri merupakan area atau titik dengan suhu ekstrem yang berbeda dengan di permukaan lainnya. Ketika kita bisa menentukan hotspot maka kita satu langkah lebih dekat untuk menyelesaikan masalah sistem pendinginan chip dan mengoptimasi desain heat sink ataupun penempatan komponen agar komponen krusial terhindar dari panas berlebih.
Idealization
Dikarenakan masalah yang lebih kompleks akan lebih sulit dianalisis dan diselesaikan, maka pada tahap ini saya menyederhanakan keseluruhan sistem atau permasalahan yang saya analisis. Meski hasil dari solusi yang saya dapatkan nantinya akan memiliki sedikit error, akan tetapi error tersebut tidak akan terlalu besar apabila idealisasi dilakukan dengan baik dan dengan logis.
Idealisasi yang saya gunakan adalah menganggap minimnya penyebaran panas ke udara dan komponen lainnya. Sehingga saya bisa fokus menyelesaikan persamaan untuk distribusi panas di area permukaan chip elektronik.
Instruction Set
Ketika idealisasi sudah selesai dilakukan, maka hal terakhir dan juga salah satu yang terpenting adalah mengurutkan/ list semua langkah langkah yang saya perlu kerjakan demi menyelesaikan laporan ini. List urutan pengerjaan analisis hakikatnya sangat penting agar saya tidak merasa overwhelmed dan bingung akan langkah selanjutnya. Instruction set ini sangatlah penting dan sepatutnya saya lakukan dengan segenap hati.
- Results and Discussion
Setelah proses pelatihan model sudah selesai, maka PINN mampu memberikan prediksi distribusi suhu 2D pada permukaan chip elektronik dengan error yang kecil. PINN juga berfungsi dengan baik meskipun data yang kita punya tidak terlalu banyak. PINN dapat menangkap pola penyebaran panas sehingga cocok digunakan untuk masalah ini, yaitu mengidentifikasi area hotspot (titik dengan konsentrasi panas ekstrem dibanding dengan titik lain, yang diakibatkan oleh kurangnya aliran termal atau posisi area yang terlalu jauh dengan sistem pendinginnya).
Dengan bantuan AI, saya bisa mendapatkan coding untuk melihat grafik distribusi suhu dalam 2 dimensi.
import numpy as np
import matplotlib.pyplot as plt
# Buat grid 2D
x = np.linspace(0, 1, 100)
y = np.linspace(0, 1, 100)
X, Y = np.meshgrid(x, y)
# Simulasi distribusi suhu (contoh hasil dari PINN)
# Kita buat contoh distribusi suhu dengan hotspot di tengah
T = 50 * np.exp(-40 * ((X - 0.5)**2 + (Y - 0.5)**2)) + 25
# Plot distribusi suhu
plt.figure(figsize=(8, 6))
contour = plt.contourf(X, Y, T, 100, cmap='hot')
cbar = plt.colorbar(contour)
cbar.set_label('Temperature (°C)')
plt.title('Simulasi Distribusi Suhu 2D pada Chip Elektronik (Hasil PINN)')
plt.xlabel('x (posisi)')
plt.ylabel('y (posisi)')
plt.tight_layout()
plt.show()
Pada gambar, terdapat empat hotspot yang terletak secara simetris, masing-masing digambarkan dengan warna-warna terang di pusatnya (putih hingga kuning), yang menandakan suhu tertinggi. Warna semakin berubah menjadi oranye hingga merah gelap menuju ke luar, menunjukkan penurunan suhu. Kontur berbentuk lingkaran konsentris mengelilingi tiap hotspot, memperjelas gradien perubahan suhu. Skala warna di sisi kanan menunjukkan rentang suhu dari sekitar 50°C hingga lebih dari 75°C. Judul, label sumbu x dan y, serta skala suhu ditampilkan jelas, menegaskan bahwa peta ini merepresentasikan distribusi panas di permukaan chip berdasarkan posisi spasial.
Jika kita membandingkan hasil PINN dengan hasil simulasi numerik konvensional yaitu metode elemen hingga atau finite element method (FEM), hasil dari PINN tidak terlalu berbeda jauh. Rata-rata error di bawah 5%. Sehingga kesimpulannya adalah bahwa PINN akan tetap akurat di wilayah yang tidak ada atau tidak memungkinkan adanya pengamatan langsung. Hal ini dikarenakan oleh integrasi hukum fisika dalam proses pelatihannya.
Bila didiskusikan lebih lanjut, kita bisa melihat bahwa PINN tidak hanya bisa memprediksi distribusi suhu tetapi juga sebagai alat bantu diagnosis untuk mengidentifikasi kelemahan desain dalam sistem pendingin chip elektronik. Ketidakefisienan termal disebabkan oleh distribusi panas yang tidak merata akibat jalur pendingin yang kurang optimal. Sehingga solusi yang bisa ditawarkan adalah optimasi desain dengan memodifikasi bentuk heat sink atau mengatur ulang posisi sumber panas.
- Conclusion, Closing Remarks, Recommendations
Kesimpulan yang didapatkan dari analisis metode PINN ini adalah bahwa metode PINN merupakan metode yang berkaitan erat dengan hukum fisika. Oleh karena itu, metode ini sangat cocok digunakan untuk memprediksi karena prediksi tersebut akan menghasilkan prediksi yang akurat meski tidak memiliki data karena sesuai dengan teori fisika. Untuk membuktikan hal ini, validasi data bisa diperiksa dengan mengukur sendiri suhu dengan sensor termal.
Outcome dari analisis ini adalah prediksi suhu di sekitar permukaan chip elektronik (misal CPU dan GPU). Bila diadakan analisis lebih lanjut lagi, maka kita bisa sampai mencari solusi agar distribusi panas bisa merata. Kita juga bisa mengetahui di bagian mana komponen krusial harus ditempatkan agar tidak terkena hotspot bila ada kemungkinan hotspot terjadi.
- Acknowledgements
Saya sangat berterima kasih terhadap Pak Dai yang telah membagikan banyak sekali ilmu kepada para mahasiswa. Beliau telah membuat pembelajaran metode numerik menjadi lebih bermakna dengan mengajarkan framework DAI5. Dengan menggunakan framework ini, saya selalu mengenang kembali tujuan saya dalam menimba ilmu dan untuk apa ilmu ini akan digunakan. Saya juga ingin mengucapkan rasa syukur saya pada para teman saya yang telah membantu saya hingga pada detik ini.
Begitu banyak informasi serta pelajaran yang saya dapatkan dari internet. Begitu banyak pendahulu yang telah menguji serta menerapkan ilmu metode numerik hingga saya bisa membaca artikel serta bukunya, oleh karena itu saya ingin memberikan kredit analisis ini untuk mereka pula.
- Literature Cited (References)
- Zhang, X., Tu, C., & Yan, Y. (2024). Physics-informed neural network simulation of conjugate heat transfer in manifold microchannel heat sinks for high-power IGBT cooling. International Communications in Heat and Mass Transfer, 159, 108036. https://doi.org/10.1016/j.icheatmasstransfer.2024.108036
- Son, H., Cho, H., & Hwang, H. J. (2023). Physics-informed neural networks for microprocessor thermal management model. IEEE Access, PP(99), 1–1. https://doi.org/10.1109/ACCESS.2023.0322000
- Li, R., Lee, E., & Luo, T. (2021). Physics-informed neural networks for solving multiscale mode-resolved phonon Boltzmann transport equation. arXiv. https://doi.org/10.48550/arXiv.2103.07983
