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立的——前提是仿真数据的偏差边界被明确标注并纳入训练损失函数的设计。
张京京在当天下午把时钟树低温延迟模型的全部仿真数据打包发给了赵静。数据包的注释栏里写着一行字：“仿真数据偏差边界：负四十度条件下，仿真延迟值与预期实测延迟值的偏差估计在正负百分之七以内。偏差根因是互连接数金属晶粒结构在低温下的尺寸效应未纳入仿真模型。该偏差在仿真数据中被保留而非人为修正——保留偏差是为了让算法层学会在不确定的物理层之上做鲁棒预测。”
赵静看到注释后给张京京拨了一个内线电话：“你保留偏差的思路是对的。如果你人为把仿真数据修平了，算法层学到的是一个被美化过的物理世界，上了真实硅片遇到你没修掉的偏差反而会措手不及。偏差留在数据里，模型才能学会在偏差存在的情况下仍然做出正确预测。”
低温段子模型的训练在接下来的七十二小时里连续运行了六轮。第一轮训练用纯实测数据，低温段准确率从百分之八十六点三只提升到百分之八十八点一——数据量不足导致过拟合。第二轮到第四轮逐步混入物理仿真增强数据，混合比例从一比一调到三比七，准确率在第四轮突破了百分之九十。第五轮在损失函数中添加了偏差边界约束项，准确率提升至百分之九十一点五。第六轮将偏差边界约束项的权重进一步调优，最终低温段准确率稳定在百分之九十二点一。
比高温段的百分之九十一点二高出了将近一个百分点。这个结果让赵静在终端前愣了半分钟。她原本的目标是让低温段追平高温段，没想到反而超出了。根因在于低温段的物理特性虽然更复杂，但这种复杂性在张京京提供的仿真数据中被部分地捕获了，算法层通过数据增强获得了比高温段更丰富的训练样本多样性。
“低温段的准确率超过了高温段。”赵静在进度对帐会上把这个结果投到大屏幕上，“这说明预调度模型的瓶颈不在算法本身，而在训练数据的温度维度复盖。高温段的百分之九十一点二是我们之前用五百颗芯片的极限温度重训练得到的结果，当时低温数据只复盖了零度以上。现在把零度以下的数据补进去，整个模型的温度鲁棒性上了一个台阶。”
章宸听完赵静的汇报后没有先做评价，而是转向张京京：“物理层的低温补偿方案在样片回片后需要多久能落地？”
“金属层改版设计交付到新批量芯片到手至少八周。但如果样片回片后的低温实测数据能验证我现在的仿真偏差边界，八周后的新批量可以把低温端的总线尖峰压制效果恢复到常温水平的百分之九十八以上。”张京京把低温补偿电路的改进