Surrogate-Assisted Framework for SI-Compliant Interconnect Design Optimization Using the Earth Mover's Distance

Resumen Técnico: Marco de Trabajo Asistido por Sustitutos para la Optimización del Diseño de Interconexiones en Cumplimiento con la Integridad de Señal utilizando la Distancia del Transportista Terrestre (Earth Mover's Distance)

Planteamiento del Problema
La Automatización de Diseño Electrónico (EDA) moderna depende cada vez más del Aprendizaje Automático (ML) para acelerar el diseño de Placas de Circuito Impreso (PCB), particularmente para el cumplimiento de la Integridad de Señal (SI). Mientras que los métodos convencionales de optimización basados en sustitutos utilizan procedimientos de búsqueda de caja negra iterativos (por ejemplo, Algoritmos Genéticos o Optimización Bayesiana) para encontrar parámetros óptimos, estos suelen carecer de interpretabilidad y proporcionan una visión limitada de las decisiones físicas subyacentes. Además, estos métodos suelen centrarse en la convergencia hacia un único punto óptimo sin refinar el modelo de predicción durante la búsqueda, y pueden tener dificultades con los problemas de no unicidad inherentes al modelado inverso. Los autores proponen una alternativa determinista e interpretable que evita la búsqueda iterativa y el modelado inverso, con el objetivo de apoyar a los diseñadores en la identificación y clasificación de soluciones físicamente superiores que cumplan con la SI dentro de un espacio de parámetros definido.

Metodología
El marco propuesto sigue una lógica secuencial y dirigida hacia adelante que integra tres componentes distintos: modelos sustitutos neuronales para la predicción, árboles de decisión para la interpretabilidad y la Distancia del Transportista Terrestre (EMD) para una evaluación fundamentada en la física.

1. Generación de Datos e Ingeniería de Características:

   • Se generó un conjunto de datos a gran escala utilizando modelos IBIS y la herramienta de simulación de SI eCadstar para redes DDR3 fly-by (configuraciones de DRAM de módulo único y doble), sumando más de 1.1 millones de formas de onda extraídas.
   • En lugar de utilizar directamente los parámetros de circuito brutos (longitudes de traza, resistencias de terminación), un script de ingeniería de características inspirado en la física transforma estas entradas en un conjunto más amplio de descriptores físicamente significativos (por ejemplo, coeficientes de reflexión, características de Fourier armónicas, relaciones geométricas). Esto expande la dimensionalidad de entrada a $d=62$ para configuraciones de módulo único y $d=92$ para configuraciones de módulo dual para soportar el aprendizaje de relaciones no lineales complejas.

2. Modelos Sustitutos Neuronales (MLP):

   • Predicción de Descriptores de Forma de Onda: Un MLP residual profundo con Normalización de Capa y funciones de activación GELU predice los descriptores de la forma de onda a partir de las características de entrada de ingeniería. Este modelo actúa como un generador de características determinista, reemplazando los costosos simuladores de campo.
   • Predicción de la Distancia de Wasserstein: Un segundo sustituto MLP más simple predice la Distancia del Transportista Terrestre (distancia de Wasserstein, $W_1$) entre la forma de onda predicha y una señal de referencia rectangular ideal. Esto permite una evaluación rápida de la calidad de la señal sin necesidad de re-simulación.

3. Clasificación Interpretable (Árbol de Decisión):

   • Un árbol de decisión basado en CART actúa como una "puerta de calidad". Se entrena sobre los descriptores de la forma de onda para clasificar las señales como conformes o no conformes con la SI basándose en criterios físicos predefinidos (límites de sobreimpulso, pendiente de flanco, niveles lógicos).
   • Para abordar el desequilibrio de clases, se emplea una matriz de costos que pondera más fuertemente los falsos negativos (diseños válidos clasificados erróneamente como inválidos). La estructura del árbol proporciona una explicación transparente y basada en reglas de qué regiones de parámetros producen señales válidas.

4. Optimización y Clasificación mediante EMD:

   • A diferencia de los métodos tradicionales que buscan un único óptimo, este marco identifica primero el espacio de soluciones válidas utilizando el árbol de decisión.
   • Dentro de este espacio válido, la EMD (métrica de Wasserstein) se utiliza como una métrica de similitud para clasificar los diseños candidatos. La EMD cuantifica el "trabajo" requerido para transformar una forma de señal dada en una forma de referencia ideal.
   • El resultado final es una lista clasificada de parámetros de diseño conformes con la SI, priorizados por su proximidad física a la señal ideal, sin requerir modelado inverso o búsqueda estocástica.

Contribuciones Clave

• Marco Determinista e Interpretable: El artículo introduce un flujo de trabajo que evita la optimización de caja negra iterativa. Al utilizar un árbol de decisión como puerta de calidad, el método ofrece un enfoque de "caja blanca" donde la lógica para la conformidad con la SI es transparente y explicable.
• Diferenciación Basada en EMD: La integración de la Distancia del Transportista Terrestre permite una clasificación físicamente motivada de las soluciones válidas. Esto va más allá de simplemente identificar regiones "seguras" (como en los enfoques estadísticos previos) para diferenciar la calidad de las formas de onda basadas en su similitud morfológica con una referencia ideal.
• Ingeniería de Características Inspirada en la Física: La transformación de los parámetros de diseño brutos en descriptores físicamente significativos mejora significativamente la capacidad de generalización de los modelos sustitutos, permitiendo predicciones de alta precisión de características complejas de la forma de onda.
• Evitación del Modelado Inverso: El marco opera estrictamente en la dirección hacia adelante (parámetros $\to$ formas de onda), excluyendo estructuralmente los problemas de no unicidad y los modelos de incertidumbre estadística que a menudo se requieren en los enfoos inversos.

Resultados
La metodología fue validada utilizando un conjunto de datos de redes DDR3 fly-by:

• Precisión del Sustituto: El MLP residual logró una alta precisión en la predicción de los descriptores de la forma de onda, con valores de NRMSE (Error Cuadrático Medio Normalizado) mediano inferiores al 1.0% y Coeficientes de Correlación de Pearson (PCC) de 0.99 en los conjuntos de entrenamiento y prueba.
• Desempeño de Clasificación: El árbol de decisión demostró una generalización robusta, logrando sensibilidades de 98.4–99.3% y especificidades de 98.2–99.5% en los datos de prueba, con Coeficientes de Correlación de Matthews (MCC) superiores a 0.85.
• Eficiencia de Optimización:
  • En un escenario de un solo DRAM con 17,384 combinaciones de parámetros, el marco identificó los 5 mejores diseños en 0.43 segundos, en comparación con los 78.04 segundos de un Algoritmo Genético (GA).
  • Crucialmente, cuando se le presentó un espacio de parámetros inválido (donde no existen soluciones conformes con la SI), el marco identificó correctamente la ausencia de soluciones válidas en 0.29 segundos. En contraste, el GA devolvió un candidato "mejor" que era físicamente no conforme, resaltando la capacidad del marco para actuar como una puerta de validez confiable.
• Validación: Las re-simulaciones de los diseños mejor clasificados confirmaron que los parámetros seleccionados producían formas de onda con formas rectangulares adecuadas, sobreimpulso mínimo y tiempos de subida maximizados, consistentes con la clasificación de la EMD.

Significancia y Reivindicaciones
Los autores afirman que este marco proporciona una alternativa computacionalmente eficiente y explicable para las estrategias de optimización convencionales en el desarrollo de PCB. Al combinar la cobertura total del espacio de diseño (mediante el muestreo de parámetros), la transparencia de los árboles de decisión y la precisión física de la métrica EMD, el método permite a los diseñadores:

1. Identificar determinísticamente las regiones de parámetros admisibles.
2. Priorizar transparentemente las soluciones físicamente superiores sin depender de la búsqueda estocástica o el modelado inverso.
3. Evitar la naturaleza de "caja negra" de los optimizadores tradicionales, ofreciendo así una mayor comprensión de las decisiones físicas que gobiernan la integridad de la señal.

El artículo posiciona este trabajo como un paso hacia una IA más interpretable en la ingeniería, cambiando el enfoque de la mera convergencia hacia la evaluación física y la diferenciación de las soluciones de diseño. Los autores señalan que, aunque la implementación actual se centra en DDR3, la metodología está destinada a ser extensible a futuros estándares como DDR4 y DDR5, adaptándose potencialmente a métricas como diagramas de ojo y tasas de error de bit a medida que el análisis de forma de onda transitoria se vuelve menos práctico para tasas de datos más altas.