本文描述了通过应用机器学习(ML)方法进行高级系统分析的系统设计空间探索的系统方法。给出了该方法在信号完整性分析中的应用实例，并以112Gb SerDes系统为例进行了基于信道运行裕度(COM)仿真方法的分析。该作品在2020年设计展上展出。
设计空间探索在SerDes系统设计中占有极其重要的地位。设计探索的结果是一系列关于可能的值和参数范围的决定，这些参数定义了堆叠、材料、互连几何和均衡。覆盖所有可能的配置和变化的设计空间可能需要大量的参数值组合。简单地扫取设计参数可能并不合适，当涉及到数十或数百个功能时，基于专业知识的分析将变得复杂。需要一种系统的、自动化的方法来解决SerDes设计解决方案空间覆盖的多种均衡机制和影响系统性能的各种通道配置。
在本文中，我们展示了基于机器学习(ML)的方法在高级设计空间探索中的实际应用。我们用于设计探索的ML方法称为特征范围分析，或简称为“范围分析”[1]。
应用ML技术来设计系统性能的空间探索，可以对解决方案空间进行系统的、自动化的分析，考虑到各种操作条件、受控和不受控因素以及多种系统配置．该分析提供了一种可行的方法来处理以太网系统的复杂性，并深入了解工程师可以理解的系统行为。它可以作为决策支持工具，用于系统架构师、信号完整性(SI)设计师、SI工程师等的设计选择。
下面是建议的基于ml的系统方法的三个步骤的简要概述，在论文[2]中进一步解释在这里)。
第一个，典型的串行芯片到芯片(C2C)链路(如图1所示)的解决方案空间与它的多个约束和多个通道模型一起映射，对应于覆盖该空间所需的相关情况。重要参数的选择及其可能的变化应由专家确定。用电磁模拟器生成解空间模型。
图1所示。正在研究的一个典型的简单串行链路:TP0到TP5是用于参考包分析的端口位置;TPa到TPb是用于自定义包模型分析的端口位置。
第二个，对系统级性能进行调查，包括相同设计中的变化和制造公差。在这项工作中，使用IEEE 802.3 STD COM方法，当使用具有可配置均衡能力的标准描述基线发射机和接收机时，可以评估整体系统性能和信道质量。COM只是表征C2C链路质量的一个数字——在ML算法中使用非常方便。此外，这种方法允许渠道设计人员了解他们预期的产品质量，而不需要专有模拟器或有关其设备的详细信息。
第三，我们执行设计/系统探索如下:给定一个响应变量，我们发现参数(或ML术语中的特征)对响应有最大的影响。在本例中，响应变量是COM度量，通过/失败级别为3 dB，性能好/坏为4 dB，性能优秀为4 dB。我们寻找对响应变量影响最大的数值特征范围或标称特征值的组合(联合)。我们使用ML技术回答的主要问题如下:如果响应变量不满足规范(< 3 dB)，那么对应的参数组合及其取值范围是什么?确定了设计中失败的根本原因，然后提供了如何优化设计的见解。
举个例子，图1所示的一个简单PCB链路的112Gb系统案例调查结果见表1和表2，并在图2中进一步说明。在这个简单的例子中，特征或参数是封装和PCB链路长度、PCB互连阻抗、介质厚度、介电常数和损耗切线、导体粗糙度参数和差分走线间距。
表1。重要的单量程功能的系统与包装长度为12和31毫米。
表2。封装长度为12和31毫米的系统具有重要的量程三联功能。
分析表明，令人惊讶的是，最重要的单一范围特征(表1)不是通常认为的PCB通道长度(s4p_Tx_PCB_L)，而是包长度(Pkg_len_Rx)。对性能影响最大的三组特征(表2)包括:(1)封装长度(Pkg_len_Rx)， (2) PCB通道长度(s4p_Tx_PCB_L)和(3)PCB通道阻抗(s4p_PCB_Imp)。
PCB链路长度的影响如图2所示。它分别显示了6个PCB链路长度的奈奎斯特频率下的COM和总损耗。我们可以看到太短和太长的链接失败，而中间的链接有更好的性能。我们可以看到，包中互连较短的链路系统地失败了。一个SI专家可以很容易地解释这一点，但在这种情况下，这个结论是由基于ml的自动算法提供的——这是该方法最重要的结果。(详细内容见论文[2])。
图2所示。对于两个参考包长度，COM与奈奎斯特频率下的链路总损耗(两个图)。右图显示了从蓝色(0.5英寸)到红色(12英寸)的PCB链路长度。
所提出的ML分析可以用于具有许多系统变量和复杂输出行为的复杂系统，而性能差、好或优秀可以由规范、专家意见或相对的系统性能决定。
该分析方法可以支持具有数千个输入变量甚至更多的所有类型的系统——连续的、分类的或有序分类的，因此我们可以探索的系统的大小没有实际限制。相比之下，其他常用的方法，如贝叶斯优化，当有数十或数百个输入变量时，很难收敛，并且不能提供任何设计见解，这在大多数应用程序中是至关重要的。
[1] Z.卡什维利，A. J.诺曼。范围分析及根本原因的应用。在:第六届IEEE数据科学和高级分析国际会议，DSAA 2019。
马努科夫斯基，施列普涅夫，卡什达什维利，扎连斯基，基于COM的112Gb系统仿真的机器学习应用，设计con 2020．
