机器学习在基于COM的112gb系统仿真中的应用

本文通过应用机器学习(ML)方法进行高级系统分析，描述了一种系统设计空间探索的系统方法。最后给出了该方法在信号完整性分析中的应用实例，并以基于信道运行余量(COM)仿真方法的112Gb SerDes系统分析为例进行了分析。该作品在2020年设计大会上展出。

设计空间探索对SerDes系统设计具有极其重要的作用。设计探索的结果是一组关于参数的可能值和范围的决定，这些参数定义了堆叠、材料、互连几何形状和均衡。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。简单地扫描设计参数可能不合适，当涉及到数十或数百个特征时，基于专业知识的分析变得复杂。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个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机器学习方法被称为特征范围分析，或者简称为“范围分析”[1]。

将机器学习技术应用于系统性能的设计空间探索，可以对解决方案空间进行系统的、自动化的分析，考虑各种操作条件、受控和非受控因素以及多种系统配置．这种分析为处理以太网系统的复杂性提供了一种可行的方法，并为工程师提供了可理解的系统行为见解。它可以作为系统架构师、信号完整性(SI)设计人员、SI工程师等设计选择的决策支持工具。

以下是建议的系统的基于机器学习的方法的三个步骤的简要概述，该方法在论文[2]中有进一步的解释在这里)。

第一个，典型的串行芯片对芯片(C2C)链路(如图1所示)的解决方案空间与其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感兴趣的情况。重要参数的选择及其可能的变化应由专家确定。求解空间的模型是用电磁模拟器生成的。

图1所示。正在研究的典型简单串行链路:TP0到TP5是使用参考包进行分析的端口位置;TPa到TPb是使用定制包模型进行分析的端口位置。

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，使用了IEEE 802.3 STD COM方法，当与具有可配置均衡功能的标准描述的基线发射机和接收机一起使用时，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——它在ML算法中使用非常方便。此外，这种方法允许渠道设计师深入了解他们预期的产品质量，而不需要专有的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:给定响应变量，我们找到对响应影响最大的参数(或ML术语中的特征)。在这种情况下，响应变量是COM度量，具有3 dB通过/失败级别或好/坏性能，4 dB表示出色性能。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(连词)。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格(< 3db)，那么参数组合及其值范围是什么?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。

举个例子表1和表2给出了对图1所示的一个简单PCB链路的112Gb系统案例调查的结果，并在图2中进一步说明。在这种简单的情况下，特征或参数是封装和PCB链路长度，PCB互连阻抗，介电厚度，介电常数和损耗正切，导体粗糙度参数，差分走线间距。

表1。重要的单量程特性，系统的包装长度为12和31毫米。

表2。重要的范围三重功能，系统包装长度为12和31毫米。

分析显示，令人惊讶的是，最重要的单范围特性(表1)不是通常认为的PCB通道长度(s4p_Tx_PCB_L)，而是封装长度(Pkg_len_Rx)。确定对性能影响最大的三个特性(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)。

图2进一步说明了PCB链路长度的影响。它分别显示了6个PCB链路长度下奈奎斯特频率下的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，包中具有较短互连的链接系统地失败了。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。(详情见文件[2])。

图2所示。COM与两个参考包长度在奈奎斯特频率下的链路总损耗(两张图)。右图显示PCB连接长度的颜色从蓝色(0.5英寸)到红色(12英寸)。

提议的机器学习分析可以对具有许多系统变量和复杂输出行为的复杂系统执行，而坏、好或优秀的性能可以由规范、专家意见或相对系统性能来确定。

该分析方法可以支持具有数千个或更多输入变量的系统，包括所有类型——连续的、分类的或有序分类的，因此对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，在有数十或数百个输入变量时难以收敛，并且不提供任何设计洞察力，这在大多数应用程序中至关重要。

[10]哈西达什维利，A. J.诺曼。范围分析及根源分析的应用。第六届IEEE数据科学与高级分析国际会议，DSAA 2019。

[10] A. Manukovsky, Y. Shlepnev, Z. Khasidashvili, E. Zalianski，基于COM的112Gb系统仿真的机器学习应用，设计大会2020．