AI驱动的信号完整性仿真之T-coil设计
信号完整性设计中对于过孔、连接器或者其他电磁结构进行优化，一般是通过频域参数进行，当优化到一定程度后，放到时域中仿真，然后进行迭代设计。对频域性能进行优化是最常见的布局优优化方法，但由于一些关键的相互作用，这会导致次优或过度约束的解决方案。频域度量不考虑上升时间退化和忽略系统级均衡。
早期的电气决策，如引脚分配、电路拓扑和层叠顺序，对信号和电源完整性有着巨大的影响。通过向下选择，减少设计空间以有利于计算便利性，也节省了仿真时间，但这可能无意中使解决方案空间偏向于以后的设计阶段。不幸的是，随着设计的成熟，团队通常缺乏时间或资源来重新审视这些早期的决策，这些决策现在限制了设计。在本文中，我们称这种倾向为惯性：由于沉没成本而不愿偏离既定规范。
但现在可以使用AI感知工具来加快速度，以探索独特的和以前未考虑的设计角落，与传统方法相比开销很小。
比如在过孔优化过程中，将过孔放到系统环境中，通过眼高和眼宽来判定过孔优化的参数选择。本文通过一个T-coil电路设计优化的过程来说明该方法的使用。
01
—
T-coil介绍
信号完整设计可能有些没有接触过T-coil,但是肯定了解Tx或者Rx电路的寄生效应影响了系统带宽，比如DDR或者Serdes中C-comp越大眼高可能越小，spec中一般也会规定寄生不能超多少。这些寄生是哪里来的呢？其中一部分就是由于ESD电路带来的。
静电放电（ESD）电路位于输入/输出（IO）接口，主保护电路利用人体模型（HBM）来防止高电压、低电流应力；次级保护电路则通过带电设备模型（CDM）来防止高电流导致的栅氧化层破裂。
然而，ESD结构中的分流电容会降低收发器的带宽。几乎所有的先进高速IO（如SerDes、内存）都采用某种类型的电感匹配网络（T、Pi、Tri)，以减轻ESD保护的电容负载，并扩展接口带宽。计算每个线圈腿的最佳电感有许多方法，但当这些方法与布局约束相结合时，设计中实现最佳电感可能会变得困难。这些约束条件包括金属堆叠、最大允许线圈面积、走线宽度和间距、ESD电容以及线圈拓扑。
02
—
基于AI的设计流程
传统的设计方法是建立电磁模型，进行频域参数优化。最终在时域中仿真。
基于AI的设计将时域和频域结合在一起，进行迭代仿真，以眼高和眼宽作为判断T-coil设计的好坏。
Ansys optiSLangAI 使我们能够基于任何所需的时间域指标，对物理线圈的几何形状进行闭环优化。
这一流程有两个主要优点：首先，产品验收的性能标准现在直接用作布局候选的设计优劣标准，减少了设计前后性能的不确定性。其次，通过将接收器的均衡能力纳入通道模拟中，模拟设计师可以增加设计裕度，并由于决策反馈均衡（DFE）的非线性时变（NLTV）特性，能够得出关于设计空间的非直观结论。
OptiSLangAI允许用户创建工作流程，以在任何参数化布局上运行实验设计。这包括对几何形状进行电磁提取，运行SPICE分析以考虑已知的阶段负载，从SPICE分析中计算性能指标，并确定下一步应运行哪种几何变化。新设计旨在基于现有的响应面模型（RSM）提高独立变量的正交性。Ansys项目可以视为一个核心构建块，由参数化布局组成，或者是一个组件，其关键变量暴露给OptiSLangAI界面。
设计过程如下：
1.构建布局：建立需要优化的电磁模型
2.定义优化目标：比如眼宽和眼高
3.定义设计空间：T-coil电路可优化变量的范围
4.运行训练：仿真电路系统得到元模型
5.重复直至元模型收敛
与Ansys Electronics Desktop（AEDT）中的参数化设计或优化过程不同，optiSLangAI采用自适应最优预测元模型（AMOP）来构建用于优化的元模型。AMOP利用最优预测元模型（MOP）来构建元模型（也称为降阶模型）。MOP方法的优势在于，它能够比较多种不同的元建模方法，并根据可用数据自动选择最佳的建模方法。在多变量优化空间中，预测某一指标（如读取方向的眼高）的准确性可能与预测另一指标（如写入方向的眼高）的准确性不同。MOP方法具有灵活性，可以为每个变量选择最佳的元模型，以确保最高的预测准确性。AMOP方法能够识别与响应最不相关的输入参数，从而确定需要哪些额外数据来提高元模型预测的质量。由于MOP方法同时计算局部和全局的质量测量值，AMOP可以利用这些局部质量测量值来优化元模型。
03
—
仿真结果
有了MOP模型，可以分析哪些变量对结果影响最大：下图显示了对读写眼宽和眼高最大影响的排序
在比特错误率（BER）为1e-16时，读写眼高的帕累托前沿呈现出一个凸形且逐渐减小的形状，这一形状会根据分析的布局阶段发生变化。▪这种现象可能是由于VSS回流电流路径的不同布局造成的。▪眼高帕累托曲线的曲率表明，读写眼之间存在显著的权衡（读和写不能同时最大）。
模拟眼宽的帕累托曲线在读取时呈现线性特征；写入时则增加到上限~0.3UI。当误码率（BER）为1e-16时，每个布局阶段分析中，读取和写入的眼宽帕累托前沿略有变化。假设这是由于布局中VSS网络返回电流路径的影响所致。
人工智能驱动的方法提供了一种有前景的替代方案，通过灵活的工作流程适应不同的设计目标，而无需用户具备数据拟合的知识。这种方法能够帮助电子行业应对各种信号完整性和设计挑战，包括：
•进行敏感性分析，识别最关键的设计特征
•优化互连，以满足时间和频率域的指标要求
•评估系统或互连在制造公差下的稳健性
•通过迭代模拟与测量之间的相关性直至收敛
•在时间或频率域内，增加由互操作性合规性限制的裕度
•创建模型，帮助初级工程师进行系统级别的权衡
•使用双响应面优化（Dual Response Surface Optimization减少响应面模型（RSM）的均值和方差
•定义软决策边界以便在制造过程中进行灵活调整通过采用人工智能感知的方法
参考：
Scotty Neally,, Inc.Scotty.David Kopp, David.KoppGarth Sundberg
Garth.Sundberg ;using Response Surface Methodology to Overcome Incumbent Inertia: A T-coil Case Study
end
