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

Sintesi Tecnica: Framework basato su Surrogati per l'Ottimizzazione del Design di Interconnessioni Conforme alla SI Utilizzando la Earth Mover's Distance

Definizione del Problema
L'automazione del design elettronico (EDA) moderna si affida sempre più all'Apprendimento Automatico (ML) per accelerare la progettazione di circuiti stampati (PCB), in particolare per la conformità dell'integrità del segnale (SI). Mentre i convenzionali metodi di ottimizzazione basati su modelli surrogati utilizzano procedure di ricerca iterativa "black-box" (ad esempio, Algoritmi Genetici o Ottimizzazione Bayesiana) per trovare i parametri ottimali, essi spesso mancano di interpretabilità e forniscono una visione limitata delle decisioni fisiche sottostanti. Inoltre, tali metodi si concentrano tipicamente sulla convergenza verso un singolo punto ottimale senza raffinare il modello predittivo durante la ricerca, e possono incontrare difficoltà con i problemi di non-unicità intrinseci alla modellazione inversa. Gli autori propongono un'alternativa deterministica e interpretabile che evita la ricerca iterativa e la modellazione inversa, con l'obiettivo di supportare i progettisti nell'identificare e classificare soluzioni SI-conformi fisicamente superiori all'interno di uno spazio di parametri definito.

Metodologia
Il framework proposto segue una logica sequenziale e diretta in avanti che integra tre componenti distinte: modelli surrogati neurali per la predizione, alberi decisionali per l'interpretabilità e la Earth Mover's Distance (EMD) per una valutazione fondata sulla fisica.

1. Generazione dei Dati e Ingegneria delle Caratteristiche (Feature Engineering):

   • Un dataset su larga scala è stato generato utilizzando modelli IBIS e lo strumento di simulazione SI eCadstar per reti DDR3 fly-by (configurazioni DRAM singole e duali), per un totale di oltre 1,1 milioni di forme d'onda estratte.
   • Inve instead di utilizzare direttamente i parametri del circuito grezzi (lunghezze delle tracce, resistenze di terminazione), uno script di ingegneria delle caratteristiche ispirato alla fisica trasforma questi input in un set più ampio di descrittori fisicamente significativi (ad esempio, coefficienti di riflessione, caratteristiche armoniche di Fourier, relazioni geometriche). Ciò espande la dimensionalità dell'input a $d=62$ per le configurazioni a modulo singolo e $d=92$ per quelle a modulo duale per supportare l'apprendimento di complesse relazioni non lineari.

2. Modelli Surrogati Neurali (MLP):

   • Predizione dei Descrittori della Forma d'Onda: Un deep residual Multi-Layer Perceptron (MLP) con Layer Normalization e funzioni di attivazione GELU predice i descrittori della forma d'onda a partire dalle caratteristiche di input ingegnerizzate. Questo modello funge da generatore deterministico di caratteristiche, sostituendo i costosi solver di campo.
   • Predizione della Distanza di Wasserstein: Un secondo MLP surrogato, più semplice, predice la Earth Mover's Distance (distanza di Wasserstein, $W_1$) tra la forma d'onda predetta e un segnale di riferimento rettangolare ideale. Ciò consente una valutazione rapida della qualità del segnale senza necessità di nuove simulazioni.

3. Classificazione Interpretabile (Albero Decisionale):

   • Un albero decisionale basato su CART funge da "gate di qualità". È addestrato sui descrittori della forma d'onda per classificare i segnali come SI-conformi o non conformi in base a criteri fisici predefiniti (limiti di overshoot, pendenza del bordo, livelli logici).
   • Per affrontare lo sbilanciamento delle classi, viene impiegata una matrice di costo per pesare maggiormente i falsi negativi (progetti validi classificati erroneamente come invalidi). La struttura dell'albero fornisce una spiegazione trasparente e basata su regole di quali regioni di parametri producono segnali validi.

4. Ottimizzazione e Classificazione tramite EMD:

   • A differenza dei metodi tradizionali che cercano un singolo ottimo, questo framework identifica prima lo spazio delle soluzioni valide utilizzando l'albero decisionale.
   • All'interno di questo spazio valido, l'EMD (metrica di Wasserstein) viene utilizzata come metrica di similarità per classificare i candidati design. L'EMD quantifica il "lavoro" necessario per trasformare una data forma di segnale nella forma di un segnale di riferimento ideale.
   • L'output finale è un elenco classificato di parametri di design SI-conformi, prioritizzati in base alla loro prossimità fisica al segnale ideale, senza richiedere modellazione inversa o ricerca stocastica.

Contributi Chiave

• Framework Deterministico e Interpretabile: Il documento introduce un workflow che evita l'ottimizzazione iterativa black-box. Utilizzando un albero decisionale come gate di qualità, il metodo offre un approccio "white box" dove la logica della conformità SI è trasparente e spiegabile.
• Differenziazione Basata su EMD: L'integrazione della Earth Mover's Distance permette una classificazione dei validi design motivata dalla fisica. Questo va oltre la semplice identificazione di regioni "sicure" (come negli approcci statistici precedenti) per differenziare la qualità delle forme d'onda in base alla loro similarità morfologica con un riferimento ideale.
• Ingegneria delle Caratteristiche Ispirata alla Fisica: La trasformazione dei parametri di design grezzi in descrittori fisicamente significativi migliora significativamente la capacità di generalizzazione dei modelli surrogati, consentendo predizioni ad alta precisione di caratteristiche complesse della forma d'onda.
• Evitamento della Modellazione Inversa: Il framework opera strettamente in direzione diretta (parametri $\to$ forme d'onda), escludendo strutturalmente i problemi di non-unicità e i modelli di incertezza statistica spesso richiesti dagli approcci inversi.

Risultati
La metodologia è stata validata utilizzando un dataset di reti DDR3 fly-by:

• Accuratezza del Surrogato: Il residual MLP ha raggiunto un'elevata precisione nella predizione dei descrittori della forma d'onda, con valori mediani di NRMSE (Normalized Root Mean Squared Error) inferiori all'1,0% e Coefficienti di Correlazione di Pearson (PCC) di 0,99 tra i set di addestramento e di test.
• Performance di Classificazione: L'albero decisionale ha dimostrato una robusta capacità di generalizzazione, raggiungendo sensibilità del 98,4–99,3% e specificità del 98,2–99,5% sui dati di test, con Coefficienti di Correlazione di Matthews (MCC) superiori a 0,85.
• Efficienza di Ottimizzazione:
  • In uno scenario con un singolo DRAM e 17.384 combinazioni di parametri, il framework ha identificato i primi 5 design ottimali in 0,43 secondi, rispetto ai 78,04 secondi di un Algoritmo Genetico (GA).
  • Fondamentalmente, quando presentato con uno spazio di parametri invalido (dove non esistono soluzioni SI-conformi), il framework ha identificato correttamente l'assenza di soluzioni valide in 0,29 secondi. Al contrario, il GA ha restituito un candidato "migliore" che era fisicamente non conforme, evidenziando la capacità del framework di agire come un affidabile gate di validità.
• Validazione: Le ri-simulazioni dei design con il ranking più alto hanno confermato che i parametri selezionati producevano forme d'onda con forme rettangolari adeguate, overshoot minimi e tempi di salita massimizzati, coerentemente con il ranking EMD.

Significato e Rivendicazioni
Gli autori affermano che questo framework fornisce un'alternativa computazionalmente efficiente e spiegabile alle convenzionali strategie di ottimizzazione per lo sviluppo di PCB. Combinando la copertura dell'intero spazio di design (tramite campionamento dei parametri), la trasparenza degli alberi decisionali e la precisione fisica della metrica EMD, il metodo consente ai progettisti di:

1. Identificare deterministicamente le regioni di parametri ammissibili.
2. Classificare in modo trasparente i soluzioni fisicamente superiori senza fare affidamento su ricerche stocastiche o modellazione inversa.
3. Evitare la natura "black box" dei tradizionali ottimizzatori, offrendo così una maggiore comprensione delle decisioni fisiche che governano l'integrità del segnale.

Il documento posiziona questo lavoro come un passo verso un'IA più interpretabile nell'ingegneria, spostando l'attenzione dalla mera convergenza alla valutazione fisica e alla differenziazione delle soluzioni di design. Gli autori osservano che, sebbene l'implementazione attuale si concentri su DDR3, la metodologia è destinata a essere estensibile a futuri standard come DDR4 e DDR5, potenzialmente adattandosi a metriche come i diagrammi ad occhio (eye diagrams) e i bit-error rate, man mano che l'analisi delle forme d'onda transitorie diventa meno pratica per velocità di trasmissione dati più elevate.