⚡ electrical engineering

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

本文引入了一种确定性且具有可解释性的框架，通过结合用于波形预测的神经代理模型、用于物理质量门控的决策树，以及用于将设计与理想参考信号进行排序的推土机距离（Earth Mover's Distance），来优化符合信号完整性的 PCB 互连，从而为传统的随机优化方法提供了一种透明且高效的替代方案。

原作者： Emre Ecik, Werner John, Julian Withöft, Ralf Brüning, Jürgen Götze

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Emre Ecik, Werner John, Julian Withöft, Ralf Brüning, Jürgen Götze

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位试图为在计算机芯片上穿行的微小电信号（如数据）设计完美公路的建筑师。如果道路太颠簸、太宽或者弯道太多，信号就会发生畸变，导致计算机崩溃。这被称为“信号完整性”问题。

传统的寻找完美道路设计的方法，就像是在黑暗中投掷飞镖来大海捞针。你设计一个方案，测试它，看它是否失败，然后再次猜测，如此反复数千次。这种方法既缓慢又昂贵，而且往往像是一个“黑盒”，你无法知道某个设计为什么成功或失败。

本文介绍了一种使用“代理辅助框架”（Surrogate-Assisted Framework）来设计这些道路的更聪明的方法。你可以把它想象成用一个高度组织化、循序渐进的侦探机构取代了那种“投掷飞镖”的做法。以下是它的工作原理，分为几个简单的步骤：

1. 水晶球（神经代理模型）

首先，团队构建了一个“水晶球”（一种被称为神经网络的 AI）。与其建造一条真实的道路并进行测试（这需要很长时间），这个水晶球可以直接观察蓝图（设计参数，如导线长度和电阻大小），并瞬间预测这条路的形态。

类比： 想象一位顶级大厨，他只需品尝原材料清单，就能立刻描述出最终菜肴的味道，而无需实际烹饪。这节省了数小时的烹饪时间。

2. 严格的守门人（决策树）

一旦水晶球预测出道路形状，设计方案就会进入“守门人”（决策树）环节。这位守门人不会瞎猜，而是遵循一套清晰、逻辑严密的规则清单（就像交通警察一样）。

类比： 想象一位夜店保镖。保镖会根据特定的名单检查你的身份证件。如果你符合标准（没有过冲、速度足够快），你就可以进去；否则，你会被拒之门外。
特殊之处： 与那些只告诉你“这是最好的”而没有解释的旧式“投掷飞镖”法不同，这位守门人会解释为什么一个设计是好是坏。这是一种“白盒”方法，意味着你可以清楚地看到应用了哪些规则。

3. “搬运方块”评分（推土机距离/EMD）

现在，假设我们有一份通过了守门人筛选的设计方案列表。它们都是“安全”的，但哪一个才是“最好”的呢？为了做出决定，团队使用了一种称为**推土机距离（Earth Mover's Distance, EMD）**的指标。

类比： 想象你有一堆土（你实际的信号形状），你想让它变得像一个完美的、平整的正方形土堆（理想的信号）一样。EMD 会计算出将你的土堆移动到那个完美正方形所需的精确“功”（能量）是多少。
结果： 那个使其看起来最接近完美正方形所需的“功”最小的设计，就是最终的获胜者。这不仅仅是为了达标，更是为了追求极致的接近完美。

4. 最终结果：速度与清晰度

该论文在真实的计算机内存设计（DDR3）上测试了这个系统。

速度： 新方法在不到一秒钟的时间内就找到了最佳设计。而传统方法（称为遗传算法）则需要超过一分钟才能找到类似的结果。
安全性： 当团队要求系统去寻找一个“糟糕区域”（即不存在良好道路的区域）的设计时，系统立即回答：“不，这里行不通。”然而，传统方法却一直在不停地尝试猜测，并最终选出了一个糟糕的设计，因为它没有守门人来阻止它。

总结

简而言之，本文介绍了一个这样的系统：

预测：利用 AI 瞬间预测结果（不再需要缓慢的物理测试）。
过滤：利用清晰的逻辑规则筛选设计（不再是黑盒）。
排序：通过衡量与完美的接近程度来对优秀的方案进行排名（使用“搬运土堆”的数学方法）。

其结果是提供了一种更快、更清晰、更可靠的计算机电路设计方式，确保信号能够平稳传输，而设计师无需在黑暗中盲目猜测。作者指出，虽然这在当前技术（DDR3）下表现出色，但未来的版本需要适应像 DDR4 和 DDR5 这样更新、更快的标准。

技术摘要：基于推土机距离（Earth Mover's Distance）的符合信号完整性（SI）互连设计优化代理辅助框架

问题陈述
现代电子设计自动化（EDA）日益依赖机器学习（ML）来加速印刷电路板（PCB）设计，特别是针对信号完整性（SI）合规性的设计。虽然传统的基于代理的优化方法利用迭代黑盒搜索程序（如遗传算法或贝叶斯优化）来寻找最优参数，但这些方法往往缺乏可解释性，且对底层物理决策的洞察有限。此外，这些方法通常侧重于收敛到单个最优点，而不在搜索过程中改进预测模型，并且在处理逆向建模中固有的非唯一性问题时可能会遇到困难。作者提出了一种确定性的、具有可解释性的替代方案，旨在避免迭代搜索和逆向建模，目标是支持设计人员在定义的参数空间内识别并对物理性能优越的 SI 合规解进行排序。

方法论
所提出的框架遵循一个顺序的、前向驱动的逻辑，集成了三个不同的组件：用于预测的神经代理模型、用于可解释性的决策树，以及用于物理评估的推土机距离（EMD）。

数据生成与特征工程：
- 使用 IBIS 模型和 eCadstar SI 仿真工具生成了一个大规模数据集，涵盖 DDR3 fly-by 网络（单和双 DRAM 配置），总计超过 110 万个提取波形。
- 该方法并未直接使用原始电路参数（如走线长度、终端电阻），而是通过一个受物理启发的特征工程脚本将这些输入转换为一组更大且具有物理意义的描述符（例如反射系数、谐波傅里叶特征、几何关系）。这使输入维度在单模块配置下扩展至 $d=62$ ，在双模块配置下扩展至 $d=92$ ，以支持学习复杂的非线性关系。
神经代理模型 (MLP)：
- 波形描述符预测： 一个带有层归一化（Layer Normalization）和 GELU 激活函数的深度残差多层感知器（MLP）用于从工程化输入特征中预测波形描述符。该模型作为一个确定性的特征生成器，取代了计算成本高昂的场求解器。
- Wasserstein 距离预测： 第二个更简单的 MLP 代理模型用于预测预测波形与理想矩形参考信号之间的 Wasserstein 距离（ $W_1$ ）。这使得无需重新仿真即可实现对信号质量的快速评估。
可解释分类（决策树）：
- 一个基于 CART 的决策树充当“质量门控”。它在波形描述符上进行训练，根据预定义的物理准则（过冲限制、边缘斜率、逻辑电平）将信号分类为 SI 合规或非合规。
- 为了解决类别不平衡问题，采用了代价矩阵来加重假阴性（将有效的设计误分类为无效设计）的权重。树结构提供了一种透明的、基于规则的解释，说明哪些参数区域会产生有效的信号。
通过 EMD 进行优化与排序：
- 不同于传统的寻找单一最优解的方法，该框架首先使用决策树识别有效解空间。
- 在有效空间内，EMD（Wasserstein 度量）被用作相似性度量来对候选设计进行排序。EMD 量化了将给定信号形状转换为理想参考形状所需的“功”。
- 最终输出是一个经过排序的 SI 合规设计参数列表，根据其与理想信号的物理接近程度进行优先级排序，而无需进行逆向建模或随机搜索。

核心贡献

确定性与可解释性的框架： 本文引入了一种避免迭代黑盒优化的工作流。通过使用决策树作为质量门控，该方法提供了一种“白盒”方法，使 SI 合规性的逻辑变得透明且可解释。
基于 EMD 的区分能力： EMD（推土机距离）的集成实现了对有效解的物理驱动排序。这超越了仅仅识别“安全”区域（如之前的统计方法），能够根据波形形态与理想参考信号的相似程度来区分波形质量。
物理启发的特征工程： 将原始设计参数转化为具有物理意义的描述符，显著增强了代理模型的泛化能力，使其能够高精度地预测复杂的波形特征。
避免逆向建模： 该框架严格在正向方向（参数 $\to$ 波形）运行，从结构上排除了逆向方法中经常需要的非唯一性问题和统计不确定性模型。

结果
该方法在 DDR3 fly-by 网络数据集上得到了验证：

代理准确性： 残差 MLP 在预测波形描述符方面达到了极高的精度，训练集和测试集的中间归一化均方根误差（NRMSE）值低于 1.0%，皮尔逊相关系数（PCC）为 0.99。
分类性能： 决策树表现出鲁棒的泛化能力，在测试数据上的灵敏度达到 98.4–99.3%，特异度达到 98.2–99.5%，马修斯相关系数（MCC）超过 0.85。
优化效率：
- 在包含 17,384 种参数组合的单 DRAM 场景中，该框架在 0.43 秒 内识别出前 5 个最优设计，而遗传算法（GA）则需要 78.04 秒。
- 至关重要的是，当面对无效参数空间（即不存在 SI 合规解的情况）时，该框架在 0.29 秒 内就正确识别了有效解的缺失。相比之下，GA 返回了一个物理上不合规的“最佳”候选方案，这突显了该框架作为可靠有效性门控的能力。
验证： 对排名靠前的设计进行重新仿真证实，所选参数产生的波形具有足够的矩形形状、极小的过冲和最大化的上升时间，这与 EMD 排序结果一致。

意义与主张
作者声称，该框架为传统的 PCB 开发优化策略提供了一种计算高效且可解释的替代方案。通过结合全设计空间覆盖（通过参数采样）、决策树的透明性和 EMD 的物理精度，该方法使设计人员能够：

确定性地识别容许的参数区域。
透明地优先考虑物理性能优越的解，而不依赖于随机搜索或逆向建模。
避免传统优化器的“黑盒”性质，从而为控制信号完整性的物理决策提供更多见解。

本文将这项工作定位为迈向更具可解释性的工程 AI 的一步，将重点从单纯的收敛转向对设计解的物理评估与区分。作者指出，虽然目前的实现侧重于 DDR3，但该方法论旨在向 DDR4 和 DDR5 等未来标准扩展，并可能适配诸如眼图和误码率等指标，以应对瞬态波形分析在更高数据速率下变得不再实用的情况。

1. 水晶球（神经代理模型）

2. 严格的守门人（决策树）

3. “搬运方块”评分（推土机距离/EMD）

4. 最终结果：速度与清晰度

总结

技术摘要：基于推土机距离（Earth Mover's Distance）的符合信号完整性（SI）互连设计优化代理辅助框架

类似论文