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

기술 요약: Earth Mover's Distance를 이용한 SI 준수 인터커넥트 설계 최적화를 위한 대리 모델 기반 프레임워크

문제 정의
현대 전자 설계 자동화(EDA)는 인쇄 회로 기판(PCB) 설계를 가속화하기 위해, 특히 신호 무결성(SI) 준수를 위해 머신러ging(ML)에 점점 더 많이 의존하고 있다. 기존의 대리 모델 기반 최적화 방법들은 최적의 파라미터를 찾기 위해 반복적인 블랙박스 탐색 절차(예: 유전 알고리즘 또는 베이지안 최적화)를 활용하지만, 이는 종종 해석 가능성이 부족하고 근본적인 물리적 결정에 대한 통찰력을 제한적으로 제공한다. 또한, 이러한 방법들은 일반적으로 단일 최적점으로의 수렴에만 집중하여 탐색 과정 중 예측 모델을 정교화하지 못하며, 역모델링(inverse modeling)에 내재된 비유일성 문제로 어려움을 겪을 수 있다. 저자들은 반복적인 탐색과 역모델링을 피하면서, 설계자가 정의된 파라미터 공간 내에서 물리적으로 우수한 SI 준수 솔루션을 식별하고 순위를 매길 수 있도록 지원하는 결정론적이고 해석 가능한 대안을 제안한다.

방법론
제안된 프레임워크는 예측을 위한 신경망 대리 모델, 해석 가능성을 위한 의사 결정 트리, 그리고 물리적 근거를 가진 평가를 위한 Earth Mover's Distance(EMD)라는 세 가지 뚜렷한 구성 요소를 통합하는 순차적이고 순방향적인 로직을 따른다.

1. 데이터 생성 및 특징 공학(Feature Engineering):

   • IBIS 모델과 eCadstar SI 시뮬레이션 도구를 사용하여 DDR3 fly-by 네트워크(단일 및 듀얼 DRAM 구성)에 대해 총 110만 개 이상의 추출된 파형을 포함하는 대규모 데이터셋을 생성하였다.
   • 원시 회로 파라미터(배선 길이, 종단 저항 등)를 직접 사용하는 대신, 물리적 영감을 받은 특징 공학 스크립트를 통해 이러한 입력값들을 더 큰 규모의 물리적으로 의미 있는 기술자(descriptor) 세트(예: 반사 계수, 고조파 푸리에 특징, 기하학적 관계)로 변환한다. 이는 복잡한 비선형 관계의 학습을 지원하기 위해 단일 모듈의 경우 $d=62$, 듀얼 모듈 설정의 경우 $d=92$로 입력 차원을 확장한다.

2. 신경망 대리 모델 (MLP):

   • 파형 기술자 예측: 레이어 정규화(Layer Normalization)와 GELU 활성화 함수를 갖춘 딥 레지듀얼 다층 퍼셉트론(MLP)이 공학적으로 설계된 입력 특징으로부터 파형 기술자를 예측한다. 이 모델은 계산 비용이 많이 드는 필드 솔버를 대체하는 결정론적 특징 생성기 역할을 한다.
   • Wasserstein Distance 예측: 두 번째의 더 단순한 MLP 대리 모델은 예측된 파형과 이상적인 직사각형 참조 신호 사이의 Earth Mover's Distance(Wasserstein 거리, $W_1$)를 예측한다. 이를 통해 재시뮬레이션 없이도 신호 품질을 빠르게 평가할 수 있다.

3. 해석 가능한 분류 (의사 결정 트리):

   • CART 기반 의사 결정 트리가 "품질 게이트(quality gate)" 역할을 수행한다. 이 트리는 파형 기술자를 학습하여 사전 정의된 물리적 기준(오버슈트 한계, 에지 슬로프, 로직 레벨)을 바탕으로 신호를 SI 준수 또는 비준수로 분류한다.
   • 클래스 불균형 문제를 해결하기 위해, 유효한 설계를 무효한 것으로 잘못 분류하는 경우(False Negative)에 더 높은 가중치를 두는 비용 행렬(cost matrix)이 채택되었다. 트리 구조는 어떤 파라미터 영역이 유효한 신호를 생성하는지에 대한 투명한 규칙 기반 설명을 제공한다.

4. EMD를 통한 최적화 및 순위 결정:

   • 본 프레임워크는 단일 최적점을 찾는 대신, 의사 결정 트리를 사용하여 유효한 솔루션 공간을 먼저 식별한다.
   • 이 유효 공간 내에서 EMD(Wasserstein 메트릭)는 후보 설계를 순위 매기기 위한 유사도 메트릭으로 사용된다. EMD는 주어진 신호 형태를 이상적인 참조 형태로 변환하는 데 필요한 "작업량(work)"을 정량화한다.
   • 최종 출력은 물리적으로 이상적인 신호에 가장 근접한 순서대로 정렬된 SI 준수 설계 파라미터 목록이며, 이는 역모델링이나 확률적 탐색을 요구하지 않는다.

주요 기여

• 결정론적 및 해석 가능한 프레임워크: 본 논문은 반복적인 블랙박스 최적화를 피하는 워크플로우를 소개한다. 의사 결정 트리를 품질 게이트로 사용함으로써, SI 준수에 대한 로직이 투명하고 설명 가능한 "화이트 박스" 접근 방식을 제공한다.
• EMD 기반 차별화: Earth Mover's Distance의 통합을 통해 물리적으로 동기 부여된 솔루션 순위 매기기가 가능하다. 이는 단순히 (이전의 통계적 접근 방식처럼) "안전한" 영역을 식별하는 것을 넘어, 이상적인 참조 신호와의 형태학적 유사성을 바탕으로 파형의 품질을 차별화한다.
• 물리 영감 기반 특징 공학: 원시 설계 파라미터를 물리적으로 의미 있는 기술자로 변환함으로써 대리 모델의 일반화 능력을 크게 향 향상시키며, 복잡한 파형 특성에 대한 고정밀 예측을 가능하게 한다.
• 역모델링의 회피: 프레 framework는 순방향(파라미터 $\to$ 파형)으로만 작동하며, 구조적으로 역모델링에서 흔히 발생하는 비유일성 문제와 통계적 불확실성 모델 문제를 배제한다.

결과
본 방법론은 DDR3 fly-by 네트워크 데이터셋을 통해 검증되었다:

• 대리 모델 정확도: 레지듀얼 MLP는 파형 기술자를 예측하는 데 있어 높은 정밀도를 달과, 훈련 및 테스트 세트 전체에서 중앙값 NRMSE(Normalized Root Mean Squared Error) 1.0% 미만 및 PCC(Pearson Correlation Coefficient) 0.99를 달성하였다.
• 분류 성능: 의사 결정 트리는 테스트 데이터에서 민감도(sensitivity) 98.4–99.3%, 특이도(specificity) 98.2–99.5%를 달성하였으며, MCC(Matthews Correlation Coefficient)는 0.85를 초과하여 견고한 일반화 성능을 입증하였다.
• 최적화 효율성:
  • 17,384개의 파라미터 조합이 있는 단일 DRAM 시나리오에서, 본 프레임워크는 상위 5개의 최적 설계를 0.43초 만에 식별하였으며, 이는 유전 알고리즘(GA)의 78.04초와 비교된다.
  • 결정적으로, 유효한 솔루션이 존재하지 않는 무효 파라미터 공간이 주어졌을 때, 본 프레임워크는 0.29초 만에 유효한 솔루션의 부재를 정확히 식별하였다. 반면, GA는 물리적으로 비준수인 "최적" 후보를 반환하여, 본 프레임워크가 신뢰할 수 있는 유효성 게이트로서 기능함을 보여주었다.
• 검증: 상위 순위 설계들에 대한 재시뮬레이션을 통해, 선택된 파라미터들이 EMD 순위와 일치하게 충분한 직사각형 형태, 최소한의 오버슈트, 극대화된 라이즈 타임을 갖는 파형을 생성함을 확인하였다.

의의 및 주장
저자들은 이 프레임워크가 PCB 개발을 위한 계산 효율적이고 설명 가능한 기존 최적화 전략의 대안을 제공한다고 주장한다. 파라미터 샘플링을 통한 전체 설계 공간 커버리지, 의사 결정 트리의 투명성, 그리고 EMD 메트릭의 물리적 정밀도를 결합함으로써, 설계자는 다음을 수행할 수 있다:

1. 허용 가능한 파라미터 영역을 결정론적으로 식별한다.
2. 확률적 탐색이나 역모델링에 의존하지 않고 물리적으로 우수한 솔루션의 우선순위를 투명하게 정한다.
3. 전통적인 옵티마이저의 "블랙박스" 특성을 피함으로써, 신호 무결성을 지배하는 물리적 결정에 대해 더 큰 통찰력을 얻을 수 있다.

본 논문은 이 작업이 단순한 수렴을 넘어 설계 솔루션의 물리적 평가와 차별화에 초점을 맞춘, 더 해석 가능한 AI를 향한 단계임을 강조한다. 저자들은 현재 구현이 DDR3에 집중되어 있으나, 본 방법론이 DDR4 및 DDR5와 같은 미래 표준으로 확장 가능하며, 과도 현상 파형 분석이 고속 데이터 전송률에서 덜 실용적이 됨에 따라 아이 이 디아그램(eye diagrams)이나 비트 에러율(BER)과 같은 메트릭으로 적응할 수 있음을 언급하였다.