“低温下模型以为芯片会省电，但实际上芯片在低温下有些模块反而更耗电。”赵静在凌晨三点给张京京发了一条语音消息，声音因为连续熬夜而沙哑，“根因是载流子迁移率在低温下升高，晶体管开关速度变快，但互连接数的电阻温度系数是正的——线在低温下电阻变小，信号传输变快，两条路径的加速比例不一致，导致时钟偏斜在低温端发生了和高温端完全不同的分布形态。物理时钟偏斜方案在高温下压住的那几个泄漏源，在低温下反而被开关速度的不对称变化重新激活了。”
张京京在天亮时分赶到中央研究院，手里拿着一份刚打印出来的物理时钟偏斜方案低温仿真报告。报告上的数据验证了赵静的判断——总线尖峰压制效果在负四十度下降了百分之四，不是电路设计的问题，而是低温下时钟树各分支的延迟比例与常温标定值产生了系统偏差。她设计的物理时钟偏斜方案基于常温下的时钟树延迟模型来设置偏斜补偿量，当温度降到负四十度时，时钟树中不同金属层互连接数的电阻温度系数差异导致各分支延迟变化不均匀，原本被精确抵消的尖峰重新冒了出来。
“物理层的低温非线性和算法层的低温非线性是同一个根因的两个表现。”张京京把两份数据并排放在桌上，“时钟树延迟模型在低温下失效，导致物理偏斜方案的压制效果下降；预调度模型在训练数据中低温样本不足，导致算法层对低温尖峰的预测出现系统性低估。两条路径的问题都在低温端暴露，不是因为设计有缺陷，而是因为我们从未在真实硅片负四十度的环境下测过时钟树各分支的实际延迟值。”
林薇在早上八点到达封闭开发区时，赵静和张京京已经把低温端的全部数据整理成了一份双路径协同失效分析报告。报告的结论只有一段话：物理时钟偏斜方案和AI预调度模型在常温至一百二十五度范围内协同效果良好，但在负四十度至负二十度低温区间内，两条路径的压制效果同步下降，联合压制能力从常温下的峰值压制率百分之九十一降至低温下的百分之七十三。根因是时钟树延迟模型的温度依赖性未被纳入双路径协同的联合标定流程。
“这个问题能不能在样片回片之前解决？”林薇看完报告后直截了当地问。
“物理层的低温补偿可以在三周内完成。”张京京展开一张电路草图，上面画着一组她连夜设计的自适应偏置校准电路的改进方案——在时钟树的每一个关键分支节点上增加一个温度感知单元，用片上温度传感器的实时读数动态调整偏置补偿量，使物理时钟偏斜方案在负四十度到一百二十五度的全温度范围内都能维持总线尖峰压制效果。“但改版需要增加大约零点一平方毫米的芯片面积，功耗预算需要额外分配大约零点零三瓦给温度感知和补偿电路。这两个数字都在设计裕量之内。问题是时间——金属层改版从设计交付到新批量样片到手至少需要八周。样片回片只剩两周，不可能在回片前做完硬件改版。”
“硬件改版赶不上样片回片，但仿真可以。”赵静把自己终端上的预调度模型架构图打开，图上标注着她计划在两周内完成的低温重训练方案。补天工具链联合攻关的高校团队中，唐教授在调度算法验证时用到的嵌套分解框架给了她启发。她将预调度模型从单一的全温度范围模型拆分为三个子模型——低温段（负四十度至零度）、常温段（零度至七十度）和高温段（七十度至一百二十五度），每个子模型独立训练，推理时根据片上温度传感器的实时读数自动切换。三子模型拆分后，低温段的训练数据不足问题用物理仿真数据增强来解决——将张京京的时钟树低温延迟模型产生的仿真数据作为低温段子模型的补充训练样本。
“物理仿真数据增强。”林薇把这个方案记在笔记本上，“用物理层的低温延迟模型生成仿真数据，喂给算法层的低温段子模型做训练。物理层模型虽然在低温端有偏差，但这个偏差是系统性的、可量化的——我们可以在训练数据中注入已知偏差的边界条件，让算法层学会在物理层偏差的约束下做最优预测。”
赵静在三小时后完成了三子模型架构的代码框架。她将五百颗芯片的极限温度重训练数据按温度区间重新划分——低温段的数据量只占总数据量的百分之十二，远不足以独立训练一个深度神经网络。但她发现张京京提供的时钟树低温延迟仿真数据与已有的低温实测数据在功耗曲线形态上高度相关，皮尔逊相关系数达到零点九一。用仿真数据做数据增强在方法论上是成