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

Resumo Técnico: Estrutura Auxiliada por Surrogates para Otimização de Design de Interconexão em Conformidade com SI Usando a Distância do Transportador de Terra (Earth Mover's Distance)

Definição do Problema
A automação de design eletrônico (EDA) moderna depende cada vez mais de Aprendizado de Máquina (ML) para acelerar o design de Placas de Circuito Impresso (PCB), particularmente para conformidade de Integridade de Sinal (SI). Embora os métodos convencionais de otimização baseados em modelos substitutos (surrogates) utilizem procedimentos de busca de caixa preta iterativos (ex: Algoritmos Genéticos ou Otimização Bayesiana) para encontrar parâmetros ideais, eles frequentemente carecem de interpretabilidade e oferecem insights limitados sobre as decisões físicas subjacentes. Além disso, esses métodos tipicamente focam na convergência para um único ponto ótimo sem refinar o modelo de predição durante a busca, e podem enfrentar dificuldades com os problemas de não-unicidade inerentes à modelagem inversa. Os autores propõem uma alternativa determinística e interpretável que evita a busca iterativa e a modelagem inversa, visando apoiar projetistas na identificação e classificação de soluções de SI superiores fisicamente dentro de um espaço de parâmetros definido.

Metodologia
A estrutura proposta segue uma lógica sequencial e direcionada para frente que integra três componentes distintos: modelos substitutos neurais para predição, árvores de decisão para interpretabilidade e a Distância do Transportador de Terra (EMD) para avaliação fundamentada na física.

1. Geração de Dados e Engenharia de Atributos (Feature Engineering):

   • Um conjunto de dados de larga escala foi gerado utilizando modelos IBIS e a ferramenta de simulação de SI eCadstar para redes fly-by de DDR3 (configurações de DRAM simples e dupla), totalizando mais de 1,1 milhão de formas de onda extraídas.
   • Em vez de usar parâmetros de circuito brutos (comprimentos de trilha, resistências de terminação) diretamente, um script de engenharia de atributos inspirado na física transforma essas entradas em um conjunto maior de descritores fisicamente significativos (ex: coeficientes de reflexão, atributos de Fourier harmônicos, relações geométricas). Isso expande a dimensionalidade de entrada para $d=62$ para configurações de módulo único e $d=92$ para configurações de módulo duplo para suportar o aprendizado de relações não lineares complexas.

2. Modelos Substitutos Neurais (MLP):

   • Predição de Descritores de Forma de Onda: Um Perceptron Multicamadas (MLP) residual profundo com Normalização de Camada e função de ativação GELU prevê os descritores da forma de onda a partir dos atributos de entrada projetados. Este modelo atua como um gerador de atributos determinístico, substituindo simuladores de campo computacionalmente caros.
   • Predição da Distância de Wasserstein: Um segundo MLP substituto mais simples prevê a Distância do Transportador de Terra (distância de Wasserstein, $W_1$) entre a forma de onda prevista e um sinal de referência retangular ideal. Isso permite a avaliação rápida da qualidade do sinal sem a necessidade de nova simulação.

3. Classificação Interpretável (Árvore de Decisão):

   • Uma árvore de decisão baseada em CART atua como um "portão de qualidade". Ela é treinada nos descritores de forma de onda para classificar sinais como conformes ou não conformes com SI baseando-se em critérios físicos predefinidos (limites de overshoot, inclinação de borda, níveis lógicos).
   • Para lidar com o desequilíbrio de classes, uma matriz de custo é empregada para ponderar negativamente os falsos negativos (designs válidos classificados incorretamente como inválidos) de forma mais pesada. A estrutura da árvore fornece uma explicação transparente e baseada em regras de quais regiões de parâmetros geram sinais válidos.

4. Otimização e Classificação via EMD:

   • Ao contrário dos métodos tradicionais que buscam um único ótimo, esta estrutura primeiro identifica o espaço de soluções válidas usando a árvore de decisão.
   • Dentro deste espaço válido, a EMD (métrica de Wasserstein) é usada como uma métrica de similaridade para classificar os designs candidatos. A EMD quantifica o "trabalho" necessário para transformar uma determinada forma de sinal em uma forma de referência ideal.
   • A saída final é uma lista classificada de parâmetros de design em conformidade com SI, priorizados pela sua proximidade física com o sinal ideal, sem exigir modelagem inversa ou busca estocástica.

Principais Contribuições

• Estrutura Determinística e Interpretável: O artigo introduz um fluxo de trabalho que evita a otimização de caixa preta iterativa. Ao usar uma árvore de decisão como portão de qualidade, o método oferece uma abordagem de "caixa branca" onde a lógica para conformidade de SI é transparente e explicável.
• Diferenciação Baseada em EMD: A integração da Distância do Transportador de Terra permite uma classificação de soluções válidas motivada pela física. Isso vai além de meramente identificar regiões "seguras" (como em abordagens estatísticas anteriores) para diferenciar a qualidade das formas de onda com base em sua similaridade morfológica com uma referência ideal.
• Engenharia de Atributos Inspirada na Física: A transformação dos parâmetros de design brutos em descritores fisicamente significativos aumenta significativamente a capacidade de generalização dos modelos substitutos, permitindo predições de alta precisão de características complexas de formas de onda.
• Evitação de Modelagem Inversa: A estrutura opera estritamente na direção direta (parâmetros $\to$ formas de onda), excluindo estruturalmente os problemas de não-unicidade e os modelos de incerteza estatística frequentemente exigidos por abordagens inversas.

Resultos
A metodologia foi validada usando um conjunto de dados de redes fly-by DDR3:

• Precisão do Modelo Substituto: O MLP residual alcançou alta precisão na predição de descritores de forma de onda, com valores medianos de Erro Quadrático Médio Normalizado (NRMSE) abaixo de 1,0% e Coeficientes de Correlação de Pearson (PCC) de 0,99 entre os conjuntos de treinamento e teste.
• Desempenho de Classificação: A árvore de decisão demonstrou generalização robusta, alcançando sensibilidades de 98,4–99,3% e especificidades de 98,2–99,5% nos dados de teste, com Coeficientes de Correlação de Matthews (MCC) superiores a 0,85.
• Eficiência de Otimização:
  • Em um cenário de DRAM única com 17.384 combinações de parâmetros, a estrutura identificou os 5 melhores designs em 0,43 segundos, comparado a 78,04 segundos para um Algoritmo Genético (GA).
  • Crucialmente, quando apresentada a um espaço de parâmetros inválido (onde não existem soluções em conformidade com SI), a estrutura identificou corretamente a ausência de soluções válidas em 0,29 segundos. Em contraste, o GA retornou um candidato "melhor" que era fisicamente não conforme, destacando a capacidade da estrutura de atuar como um portão de validade confiável.
• Validação: Re-simulações dos designs de melhor classificação confirmaram que os parâmetros selecionados produziram formas de onda com formas retangulares adequadas, overshoot mínimo e tempos de subida maximizados, consistentes com a classificação EMD.

Significância e Alegações
Os autores afirmam que esta estrutura fornece uma alternativa computacionalmente eficiente e explicável para as estratégias de otimização convencionais no desenvolvimento de PCBs. Ao combinar a cobertura total do espaço de design (via amostragem de parâmetros), a transparência das árvores de decisão e a precisão física da métrica EMD, o método permite que o projetista:

1. Identifique deterministicamente regiões de parâmetros admissíveis.
2. Priorize de forma transparente soluções fisicamente superiores sem depender de busca estocástica ou modelagem inversa.
3. Evite a natureza de "caixa preta" dos otimizadores tradicionais, oferecendo assim maior percepção sobre as decisões físicas que regem a integridade do sinal.

O artigo posiciona este trabalho como um passo em direção ao IA mais interpretável na engenharia, mudando o foco da mera convergência para a avaliação física e diferenciação de soluções de design. Os autores observam que, embora a implementação atual foque em DDR3, a metodologia é destinada a ser extensível para futuros padrões como DDR4 e DDR5, potencialmente adaptando-se a métricas como diagramas de olho e taxas de erro de bit conforme a análise de forma de onda transiente se torna menos prática para taxas de dados mais altas.