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

Résumé Technique : Cadre de substitution assistée pour l'optimisation de la conception d'interconnexions conformes à l'intégrité du signal (SI) utilisant la distance de l'Earth Mover (EMD)

Énoncé du problème
L'automatisation de la conception électronique (EDA) moderne repose de plus en plus sur l'apprentissage automatique (ML) pour accélérer la conception de circuits imprimés (PCB), particulièrement pour la conformité à l'intégrité du signal (SI). Bien que les méthodes d'optimisation conventionnelles basées sur des substituts utilisent des procédures de recherche par boîte noire itératives (par exemple, algorithmes génétiques ou optimisation bayésienne) pour trouver des paramètres optimaux, elles manquent souvent d'interprétabilité et fournissent des informations limitées sur les décisions physiques sous-jacentes. De plus, ces méthodes se concentrent généralement sur la convergence vers un point optimal unique sans affiner le modèle de prédiction pendant la recherche, et peuvent éprouver des difficultés face aux problèmes de non-unicité inhérents à la modélisation inverse. Les auteurs proposent une alternative déterministe et interprétable qui évite la recherche itérative et la modélisation inverse, visant à aider les concepteurs à identifier et à classer les solutions physiquement supérieures et conformes à la SI au sein d'un espace de paramètres défini.

Méthodologie
Le cadre proposé suit une logique séquentielle et directe qui intègre trois composantes distinctes : des modèles de substitution neuronaux pour la prédiction, des arbres de décision pour l'interprétabilité, et la distance de l'Earth Mover (EMD) pour une évaluation fondée sur la physique.

1. Génération de données et ingénierie des caractéristiques :

   • Un ensemble de données à grande échelle a été généré à l'aide de modèles IBIS et de l'outil de simulation SI eCadstar pour des réseaux DDR3 fly-by (configurations DRAM simples et doubles), totalisant plus de 1,1 million de formes d'ondes extraites.
   • Au lieu d'utiliser directement les paramètres de circuit bruts (longueurs de pistes, résistances de terminaison), un script d'ingénierie de caractéristiques inspiré de la physique transforme ces entrées en un ensemble plus large de descripteurs physiquement significatifs (par exemple, coefficients de réflexion, caractéristiques de Fourier harmoniques, relations géométriques). Cela étend la dimensionnalité de l'entrée à $d=62$ pour les configurations à module unique et $d=92$ pour les configurations à modules doubles afin de soutenir l'apprentissage de relations non linéaires complexes.

2. Modèles de substitution neuronaux (MLP) :

   • Prédiction des descripteurs de forme d'onde : Un perceptron multicouche (MLP) résiduel profond avec normalisation de couche (Layer Normalization) et activation GELU prédit les descripteurs de forme d'onde à partir des caractéristiques d'entrée ingénierées. Ce modèle agit comme un générateur de caractéristiques déterministe, remplaçant les solveurs de champ coûteux en calcul.
   • Prédiction de la distance de Wasserstein : Un second MLP de substitution plus simple prédit la distance de l'Earth Mover (distance de Wasserstein, $W_1$) entre la forme d'onde prédite et un signal de référence rectangulaire idéal. Cela permet une évaluation rapide de la qualité du signal sans nouvelle simulation.

3. Classification interprétable (Arbre de décision) :

   • Un arbre de décision basé sur CART agit comme une « porte de qualité ». Il est entraîné sur les descripteurs de forme d'onde pour classer les signaux comme conformes ou non conformes à la SI selon des critères physiques prédéfinis (limites de dépassement, pente de bord, niveaux logiques).
   • Pour traiter le déséquilibre des classes, une matrice de coût est employée pour pondérer plus lourdement les faux négatifs (conceptions valides classées à tort comme invalides). La structure de l'arbre fournit une explication transparente et basée sur des règles indiquant quelles régions de paramètres produisent des signaux valides.

4. Optimisation et classement via l'EMD :

   • Contrairement aux méthodes traditionnelles qui recherchent un optimum unique, ce cadre identifie d'abord l'espace de solutions valides à l'aide de l'arbre de décision.
   • Au sein de cet espace valide, l'EMD (métrique de Wasserstein) est utilisé comme métrique de similitude pour classer les conceptions candidates. L'EMD quantifie le « travail » nécessaire pour transformer une forme de signal donnée en une forme de référence idéale.
   • Le résultat final est une liste classée de paramètres de conception conformes à la SI, priorisés par leur proximité physique avec le signal idéal, sans nécessiter de modélisation inverse ou de recherche stochastique.

Contributions clés

• Cadre déterministe et interprétable : L'article introduit un flux de travail qui évite l'optimisation par boîte noire itérative. En utilisant un arbre de décision comme porte de qualité, la méthode offre une approche de « boîte blanche » où la logique de conformité SI est transparente et explicable.
• Différenciation basée sur l'EMD : L'intégration de la distance de l'Earth Mover permet un classement physiquement motivé des solutions valides. Cela va au-delà de la simple identification de régions « sûres » (comme dans les approches statistiques précédentes) pour différencier la qualité des formes d'onde en fonction de leur similitude morphologique avec une référence idéale.
• Ingénierie de caractéristiques inspirée de la physique : La transformation des paramètres de conception bruts en descripteurs physiquement significatifs améliore considérablement la capacité de généralisation des modèles de substitution, permettant des prédictions de haute précision des caractéristiques complexes des formes d'onde.
• Évitement de la modélisation inverse : Le cadre opère strictement dans la direction directe (paramètres $\to$ formes d'onde), excluant structurellement les problèmes de non-unicité et les modèles d'incertitude statistique souvent requis par les approches inverses.

Résultats
La méthodologie a été validée à l'aide d'un ensemble de données de réseaux DDR3 fly-by :

• Précision du substitut : Le MLP résiduel a atteint une haute précision dans la prédiction des descripteurs de forme d'onde, avec des valeurs médianes de l'erreur quadratique moyenne normalisée (NRMSE) inférieures à 1,0 % et des coefficients de corrélation de Pearson (PCC) de 0,99 sur les ensembles d'entraînement et de test.
• Performance de classification : L'arbre de décision a démontré une généralisation robuste, atteignant des sensibilités de 98,4–99,3 % et des spécificités de 98,2–99,5 % sur les données de test, avec des coefficients de corrélation de Matthews (MCC) dépassant 0,85.
• Efficacité de l'optimisation :
  • Dans un scénario de DRAM unique avec 17 384 combinaisons de paramètres, le cadre a identifié les 5 meilleures conceptions en 0,43 seconde, contre 78,04 secondes pour un algorithme génétique (GA).
  • Crucialement, lorsqu'il est confronté à un espace de paramètres invalide (où aucune solution conforme à la SI n'existe), le cadre a correctement identifié l'absence de solutions valides en 0,29 seconde. En revanche, le GA a retourné un candidat « optimal » qui était physiquement non conforme, soulignant la capacité du cadre à agir comme une porte de validité fiable.
• Validation : Les re-simulations des conceptions les mieux classées ont confirmé que les paramètres sélectionnés produisaient des formes d'onde avec des formes rectangulaires adéquates, un dépassement minimal et des temps de montée maximisés, ce qui est cohérent avec le classement EMD.

Signification et affirmations
Les auteurs affirment que ce cadre constitue une alternative efficace en termes de calcul et explicable aux stratégies d'optimisation conventionnelles pour le développement de PCB. En combinant une couverture complète de l'espace de conception (via l'échantillonnage des paramètres), la transparence des arbres de décision et la précision physique de la métrique EMD, la méthode permet aux concepteurs de :

1. Identifier de manière déterministe les régions de paramètres admissibles.
2. Prioriser de manière transparente les solutions physiquement supérieures sans dépendre de la recherche stochastique ou de la modélisation inverse.
3. Éviter la nature de « boîte noire » des optimiseurs traditionnels, offrant ainsi une plus grande compréhension des décisions physiques régissant l'intégrité du signal.

L'article positionne ce travail comme une étape vers une IA plus interprétable en ingénierie, déplaçant l'accent de la simple convergence vers l'évaluation physique et la différenciation des solutions de conception. Les auteurs notent que bien que l'implémentation actuelle se concentre sur la DDR3, la méthodologie est destinée à être extensible aux futurs standards comme la DDR4 et la DDR5, en s'adaptant potentiellement à des métriques telles que les diagrammes de l'œil et les taux d'erreur binaire (BER) à mesure que l'analyse des formes d'onde transitoires devient moins pratique pour les débits de données plus élevés.