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

Technische Samenvatting: Surrogaat-ondersteund Framework voor SI-conforme Interconnect Design Optimalisatie met behulp van de Earth Mover's Distance

Probleemstelling
Moderne Electronic Design Automation (EDA) leunt steeds vaker op Machine Learning (ML) om de Printed Circuit Board (PCB) vormgeving te versnellen, in het bijzonder voor Signal Integrity (SI) compliantie. Terwijl conventionele surrogaat-gebaseerde optimalisatiemethoden gebruikmaken van iteratieve black-box zoekprocedures (bijv. Genetische Algoritmen of Bayesiaanse Optimalisatie) om optimale parameters te vinden, missen zij vaak interpreteerbaarheid en bieden zij beperkt inzicht in de onderliggende fysieke beslissingen. Bovendien richten deze methoden zich doorgaans op convergentie naar één enkel optimaal punt zonder het voorspellende model tijdens de zoektocht te verfijnen, en kunnen zij moeite hebben met de non-uniciteitsproblemen die inherent zijn aan inverse modellering. De auteurs stellen een deterministische, interpreteerbare alternatief voor dat iteratieve zoekprocessen en inverse modellering vermijdt, met als doel ontwerpers te ondersteunen bij het identificeren en rangschikken van fysiek superieure SI-conforme oplossingen binnen een gedefinieerde parametrische ruimte.

Methodologie
Het voorgestelde framework volgt een sequentiële, voorwaarts gerichte logica die drie afzonderlijke componenten integreert: neurale surrogaatmodellen voor voorspelling, beslisbomen voor interpreteerbaarheid, en de Earth Mover's Distance (EMD) voor fysiek gefundeerde evaluatie.

1. Data Generatie en Feature Engineering:

   • Een grootschalige dataset werd gegenereerd met behulp van IBIS-modellen en de eCadstar SI simulatie tool voor DDR3 fly-by netwerken (single en dual DRAM configuraties), met in totaal meer dan 1,1 miljoen geëxtraheerde waveforms.
   • In plaats van ruwe circuitparameters (trace lengtes, terminatieweerstanden) direct te gebruiken, transformeert een natuurkundig geïnspireerd feature engineering script deze inputs naar een grotere set fysiek betekenisvolle descriptoren (bijv. reflectiecoëfficiënten, harmonische Fourier-features, geometrische relaties). Dit breidt de inputdimensie uit naar $d=62$ voor single-module en $d=92$ voor dual-module opstellingen om het leren van complexe niet-lineaire relaties te ondersteunen.

2. Neurale Surrogaatmodellen (MLP):

   • Waveform Descriptor Voorspelling: Een diepe residuele Multi-Layer Perceptron (MLP) met Layer Normalization en GELU activatiefuncties voorspelt waveform descriptoren vanuit de geengineerde input features. Dit model fungeert als een deterministische feature generator, die dure field solvers vervangt.
   • Wasserstein Afstand Voorspelling: Een tweede, eenvoudiger MLP surrogaat voorspelt de Earth Mover's Distance (Wasserstein afstand, $W_1$) tussen de voorspelde waveform en een ideale rechthoekige referentie-signaal. Dit maakt snelle evaluatie van signaalkwaliteit mogelijk zonder herhaalde simulatie.

3. Interpreteerbare Classificatie (Beslisboom):

   • Een CART-gebaseerde beslisboom fungeert als een "kwaliteitspoort". Deze is getraind op de waveform descriptoren om signalen te classificeren als SI-conform of niet-conform op basis van vooraf gedefinieerde fysieke criteria (overshoot limieten, randhelling, logische niveaus).
   • Om klassenimbalans aan te pakken, wordt een kostenmatrix gebruikt om fout-negatieven (geldige ontwerpen die als ongeldig worden geclassificeerd) zwaarder te wegen. De boomstructuur biedt een transparante, regelgebaseerde verklaring van welke parameterregio's geldige signalen opleveren.

4. Optimalisatie en Rangschikking via EMD:

   • In tegenstelling tot traditionele methoden die zoeken naar één enkel optimum, identificeert dit framework eerst de geldige oplossingsruimte met behulp van de beslisboom.
   • Binnen deze geldige ruimte wordt de EMD (Wasserstein metriek) gebruikt als een gelijkenis-metriek om kandidaat-ontwerpen te rangschikken. De EMD kwantificeert de "arbeid" die nodig is om een gegeven signaalvorm te transformeren naar een ideale referentievorm.
   • De uiteindelijke output is een gerangschikte lijst van SI-conforme ontwerpparameters, geprioriteerd op basis van hun fysieke nabijheid tot het ideale signaal, zonder dat hiervoor inverse modellering of stochastische zoekprocessen vereist zijn.

Belangrijkste Bijdragen

• Deterministisch en Interpreteerbaar Framework: Het paper introduceert een workflow die iteratieve black-box optimalisatie vermijdt. Door een beslisboom als kwaliteitspoort te gebruiken, biedt de methode een "white box" benadering waarbij de logica voor SI-compliantie transparant en verklaarbaar is.
• EMD-gebaseerde Differentiatie: De integratie van de Earth Mover's Distance maakt een fysiek gemotiveerde rangschikking van geldige oplossingen mogelijk. Dit gaat verder dan enkel het identificeren van "veilige" regio's (zoals bij eerdere statistische benaderingen) door de kwaliteit van waveforms te differentiëren op basis van hun morfologische gelijkenis met een ideale referentie.
• Fysica-geïnspireerde Feature Engineering: De transformatie van ruwe ontwerpparameters naar fysiek betekenisvolle descriptoren verbetert het generalisatievermogen van de surrogaatmodellen aanzienlijk, wat een hoogwaardige voorspelling van complexe waveform kenmerken mogelijk maakt.
• Vermijden van Inverse Modellering: Het framework opereert strikt in de voorwaartse richting (parameters $\to$ waveforms), waardoor de non-uniciteitsproblemen en statistische onzekerheidsmodellen die vaak bij inverse benaderingen nodig zijn, structureel worden uitgesloten.

Resultaten
De methodologie werd gevalideerd met een dataset van DDR3 fly-by netwerken:

• Surrogaat Accuratesse: De residuele MLP bereikte een hoge precisie in het voorspellen van waveform descriptoren, met mediane Normalized Root Mean Squared Error (NRMSE) waarden onder de 1,0% en Pearson Correlatie Coëfficiënten (PCC) van 0,99 over zowel de trainings- als testsets.
• Classificatie Prestaties: De beslisboom vertoonde robuuste generalisatie, met sensitiviteiten van 98,4–99,3% en specificiteiten van 98,2–99,5% op de testdata, met Matthews Correlation Coëfficiënten (MCC) boven de 0,85.
• Optimalisatie Efficiëntie:
  • In een single-DRAM scenario met 17.384 parametercombinaties, identificeerde het framework de top 5 optimale ontwerpen in 0,43 seconden, vergeleken met 78,04 seconden voor een Genetisch Algoritme (GA).
  • Cruciaal was dat wanneer het framework werd geconfronteerd met een ongeldige parameterruimte (waar geen SI-conforme oplossingen bestaan), het de afwezigheid van geldige oplossingen correct identificeerde in 0,29 seconden. In contrast hiermee leverde de GA een "beste" kandidaat op die fysiek niet-conform was, wat de capaciteit van het framework benadrukt om als een betrouwbare validatiepoort te fungeren.
• Validatie: Re-simulaties van de top-gerangschikte ontwerpen bevestigden dat de geselecteerde parameters waveforms produceerden met adequate rechthoekige vormen, minimale overshoot en gemaximaliseerde stijgtijden, consistent met de EMD-rangschikking.

Significantie en Claims
De auteurs beweren dat dit framework een computationeel efficiënt en verklaarbaar alternatief biedt voor conventionele optimalisatiestrategieën voor PCB-ontwikkeling. Door de volledige ontwerpruimte dekking (via parameter sampling), de transparantie van beslisbomen en de fysieke precisie van de EMD metriek te combineren, stelt de methode ontwerpers in staat om:

1. Deterministisch toegestane parameterregio's te identificeren.
2. Fysiek superieure oplossingen transparant te prioriteren zonder te vertrouwen op stochastische zoekprocessen of inverse modellering.
3. Het "black box" karakter van traditionele optimizers te vermijden, waardoor er meer inzicht wordt geboden in de fysieke beslissingen die de signaalintegriteit bepalen.

Het paper positioneert dit werk als een stap naar meer interpreteerbare AI in engineering, waarbij de focus verschuift van louter convergentie naar de fysieke beoordeling en differentiatie van ontwerpoplossingen. De auteurs merken op dat hoewel de huidige implementatie zich richt op DDR3, de methodologie bedoeld is om extensibel te zijn naar toekomstige standaarden zoals DDR4 en DDR5, waarbij potentieel kan worden aangepast aan metrieken zoals eye diagrams en bit-error rates naarmate transient waveform analyse minder praktisch wordt voor hogere datasnelheden.