تستمر التحديات المتعلقة بإدارة الحرارة في الدوائر المتكاملة ثلاثية الأبعاد (3D ICs) في التعاظم بفضل زيادة كثافة الطاقة. وعلى الرغم من دقة الطرق التقليدية المعتمدة على حلول المعادلات التفاضلية (PDE)، فإن زمن الاستجابة الطويل لهذه الطرق يجعلها غير مناسبة للتصميمات التكرارية. ولكن، بمساعدة تقنيات التعلم الآلي، بدأت طرق مثل مشغل فورييه العصبي (Fourier Neural Operator - FNO) في تقديم بدائل أسرع مع ذلك، كانت تعاني من فقدان المعلومات ذات التردد العالي، واعتمادها الكبير على بيانات ذات دقة عالية.

للتغلب على هذه القيود، تم تقديم إطار عمل مبتكر يُعرف بإسم "U-Net مع الاهتمام الذاتي ومشغل فورييه العصبي (Self-Attention U-Net Fourier Neural Operator - SAU-FNO)". يمزج هذا النموذج بين تقنية الاهتمام الذاتي (Self-Attention) وU-Net مع FNO لالتقاط الاعتماديات الطويلة المدى وتمثيل الميزات العالية التردد بشكل فعال.

تغطي تقنية التعلم المتنقل (Transfer Learning) عملية ضبط النموذج، حيث تُقلل من الحاجة إلى مجموعات بيانات ذات دقة عالية واسعة، مما يُسرع عملية التدريب. وأظهرت التجارب أن SAU-FNO حقق دقة رائدة في التنبؤ بالحرارة، حيث يوفر سرعة تفوق 842 مرة مقارنةً بالطرق التقليدية مثل طريقة العناصر المحددة (FEM)، مما يُجعل منه أداة فعالة لمحاكاة حرارة الدوائر المتكاملة ثلاثية الأبعاد المتقدمة.