高速链路信号完整性高保真贝叶斯优化方法、系统、电子设备及介质

摘要: 本发明属于高速链路系统设计与信号完整性分析,尤其涉及一种基于低保真模型引导的高速链路信号完整性高保真贝叶斯优化构建方法及系统、电子设备、介质。背景技术:1、在高...
高速链路信号完整性高保真贝叶斯优化方法、系统、电子设备及介质

本发明属于高速链路系统设计与信号完整性分析,尤其涉及一种基于低保真模型引导的高速链路信号完整性高保真贝叶斯优化构建方法及系统、电子设备、介质。

背景技术:

1、在高速数字系统设计中,高速链路的信号完整性(signal integrity, si)优化是保障数据传输性能与系统可靠性的关键环节。随着传输速率持续提升以及信号上升时间不断缩短,传输线中的损耗、反射、串扰以及阻抗不连续等效应显著增强,使得高速链路的电磁响应呈现出强非线性、频率依赖以及多参数耦合的复杂特性。在此情况下,链路性能对结构几何参数与材料参数的变化高度敏感,微小扰动即可引起信号质量的显著劣化,从而直接影响系统的眼图裕量、误码率以及频域传输特性。因此,在设计阶段对高速链路进行高精度建模与优化,以实现关键性能指标的准确评估与持续提升,已成为高速互连与封装设计领域中的核心研究问题之一。在高速链路优化过程中,目标函数的评估方式直接决定了优化效率与结果可靠性。当前,si分析主要依赖高精度的全波电磁仿真或电路级仿真工具,这类方法能够提供高可信度的评估结果,但其计算成本较高,难以满足大规模优化过程中频繁调用的需求。近年来,随着人工智能的快速发展,研究者针对不同si分析任务,构建了多种基于机器学习(machine learning, ml)的代理模型。尽管代理模型在提升评估效率方面表现出显著优势,但其本质仍依赖于对高精度仿真数据的拟合,预测精度受限于训练数据分布及模型泛化能力,在复杂电磁耦合或设计空间边界区域往往难以保持稳定精度,从而可能对后续优化决策产生不利影响。

2、现有高速链路优化方法大致可分为两类。一类方法以高精度仿真结果为基础,通过参数扫描、粒子群算法、遗传算法、强化学习、贝叶斯优化以及逆向设计方法等策略,在设计空间中逐步逼近最优解,这类方法能够保证优化结果的可靠性,但由于每次迭代均依赖高成本仿真评估,其整体计算开销较大,在高维设计空间中往往难以满足效率需求。另一类方法则以ml模型作为评估手段,通过构建代理模型替代高精度仿真,在优化过程中以低成本预测结果作为目标函数进行搜索,从而显著提升优化效率。然而,由于ml模型本质上是对高精度数据的近似,其预测误差在复杂区域或分布外样本上可能显著累积,导致优化过程偏离真实最优解,进而影响最终设计结果的可靠性。因此,如何在降低计算成本的同时保证优化结果的可信度,成为当前高速链路优化方法亟待解决的关键问题。

技术实现思路

1、针对现有技术存在的上述问题,本发明提供了一种基于低保真模型引导的高速链路信号完整性高保真贝叶斯优化构建方法及系统、电子设备、介质,旨在在有限的高精度评估预算下兼顾优化效率与结果可靠性。本发明通过构建低保真模型引导机制,将低保真模型提供的信息引入采样决策过程,用于对候选点的选择进行引导,而不直接替代高保真目标函数评估,并构建低保真模型引导的上置信界采集函数,在探索与利用之间实现更加高效的平衡,在保证优化结果可靠性的前提下显著提升采样效率与收敛性能。

2、本发明采用如下技术方案:

3、基于低保真模型引导的高速链路信号完整性高保真贝叶斯优化方法,其步骤包括:

4、s1、目标链路结构选定:选定待优化的高速链路结构,搭建对应的发送端、接受端、互连结构,设置数据传输速率、均衡器抽头系数、互连结构几何参数等关键参数,用以进行后续的眼图仿真,以获取链路眼图的眼高和眼宽,得到仿真链路;

5、s2、高保真数据集构建:基于步骤s1的仿真链路,在设定的几何参数范围内进行采样,进行高保真眼图仿真,获取高保真数据集;

6、s3、低保真模型训练:设计低保真的ml模型,利用步骤s2得到的高保真数据集,对ml模型进行训练并验证其性能;

7、s4、优化模型构建:基于步骤s3构建的机器学习ml (machine learning)模型和步骤s1的仿真链路,得到低保真和高保真结果,以此构建联合高斯过程模型,并结合低保真模型引导的采集函数建立贝叶斯优化模型;在优化迭代过程中,同时利用低保真和高保真结果对设计空间进行建模,以提高采样效率与全局寻优能力;

8、s5、高速链路系统优化:利用步骤s4构建的贝叶斯优化模型对步骤s1的仿真链路进行迭代优化,直至满足优化终止条件,最终获得满足信号完整性si(signal integrity)指标要求的最优设计方案。

9、优选的,步骤3中,在模型设计中,选用深度神经网络(deep neural network,dnn)作为低保真ml模型。由于高速链路si问题中设计变量与眼图指标之间通常存在复杂的非线性映射关系,因此采用具备较强非线性拟合能力和特征表达能力的dnn模型,以提高对眼图指标的预测精度与泛化能力。同时,相较于直接进行高保真电磁/电路仿真,训练完成后的dnn模型能够快速完成性能预测,但其预测结果与高保真仿真结果之间仍存在一定误差,因此将其作为低保真辅助信息引入后续贝叶斯优化过程,以兼顾优化效率与优化精度。

10、优选的,所述的dnn模型采用多层前馈神经网络结构,其输入为设计变量,为参数维度,通常包括信号线宽度、介质厚度、金属厚度、均衡器抽头系数等设计变量。输出为对应的眼图指标预测值,通常包括眼高、眼宽。对于第层网络,其前向传播过程可表示为:

11、

12、其中,和分别表示第层的权重矩阵与偏置向量,表示上一层输出,表示非线性激活函数,如采用relu激活函数。经过多层非线性映射后,得到眼图指标预测结果:

13、

14、其中,表示由网络参数确定的dnn模型。

15、优选的,步骤s3中,在模型训练过程中,采用高保真数据集作为训练样本,并利用均方误差(mean squared error,mse)损失函数对模型进行优化,其表达式为:

16、

17、其中,和分别表示第个样本对应的高保真仿真结果与dnn模型预测结果。训练过程中采用反向传播算法结合梯度优化方法对网络参数进行迭代更新,使损失函数逐渐收敛,从而获得能够表征设计变量与眼图指标映射关系的低保真ml模型。

18、优选的,步骤4中,优化模型的建立具体如下:

19、s4.1、通过低保真ml模型在设计空间中进行大规模采样评估,得到低保真数据集:

20、

21、其中,为步骤3中的dnn模型,为样本数量。基于此数据集构建高斯过程模型:

22、

23、其中,表示高斯过程模型的均值,表示核函数。

24、s4.2、在优化迭代开始之前,选取个初始样本点,并在这些点处同时进行高保真评估和低保真评估,得到初始联合数据集:

25、

26、其中,表示高保真仿真。基于此数据集构建联合高斯过程模型,对高保真结果和低保真结果进行联合建模:

27、

28、其中,表示高保真结果与低保真结果之间的相关性系数。

29、s4.3、在迭代优化过程中(以第轮为例),通过联合高斯过程模型计算联合预测分布,其均值和方差分别表示为:

30、

31、构建低保真模型引导的上置信界采集函数:

32、

33、其中,采集函数的预测均值定义为:

34、

35、修正系数定义为:

36、

37、修正系数由两部分决定,一部分是高保真结果与低保真结果的相关性,另一部分是两者的不确定性比例。当相关性较大且高保真高斯过程模型预测方差较大时,说明当前区域内高斯过程模型尚未充分收敛,修正项可以对高保真高斯过程模型预测均值产生显著影响。反之,当相关性较小或低保真高斯过程模型预测方差较大时,对应的修正项将被自动抑制,从而避免低保真结果对优化过程产生误导。

38、采集函数的预测方差定义为:

39、

40、当两种评估结果具有较强相关性且低保真高斯过程模型在该区域不确定性较低时,整体预测方差将显著减小,从而提高采样效率。

41、s4.4、通过最大化采集函数确定下一个采样点:

42、

43、对新采样点进行高保真和低保真评估,得到对应的评估结果,并加入数据集和中,更新高斯过程模型和。

44、s4.5、进入下一轮优化迭代中,直至达到预设的优化次数或满足优化要求,得到贝叶斯优化模型。

45、本发明还公开了一种基于低保真模型引导的高速链路信号完整性高保真贝叶斯优化系统,用于执行上述方法,其具体包括如下模块:

46、目标链路结构选定模块:选定待优化的高速链路结构,搭建对应的发送端、接受端、互连结构,设置数据传输速率、均衡器抽头系数、互连结构几何参数等关键参数,用以进行后续的眼图仿真,以获取链路眼图的眼高和眼宽,得到仿真链路;

47、高保真数据集构建模块:基于仿真链路,在设定的几何参数范围内进行采样,进行高保真眼图仿真,获取高保真数据集;

48、低保真模型训练模块:设计低保真的ml模型,使用高保真数据集,对ml模型进行训练并验证其性能;

49、优化模型构建模块:基于ml模型和仿真链路,得到低保真和高保真结果,以此构建联合高斯过程模型,并结合低保真模型引导的采集函数建立贝叶斯优化模型。在优化迭代过程中,同时利用低保真和高保真结果对设计空间进行建模,以提高采样效率与全局寻优能力;

50、高速链路优化模块:利用优化模型对仿真链路进行迭代优化,直至满足优化终止条件,最终获得满足si指标要求的最优设计方案。

51、本发明还公开了一种电子设备,其包括处理器,用于执行上述方法或系统。

52、本发明还公开了一种存储介质,所述存储介质存储有计算机指令,所述计算机指令被处理器执行时实现上述方法或系统。

53、本发明与现有高速链路优化方法相比,具有如下显著优势:

54、本发明在贝叶斯优化框架中引入低保真模型的趋势性信息,在保留高保真仿真主导地位的同时,对采样过程进行辅助引导,从而提高优化效率与收敛速度。相比现有仅依赖高保真仿真的优化方法,本发明能够有效减少高保真仿真次数,降低整体计算开销。相比直接采用ml模型替代高保真评估的方法,本发明有效降低了低保真预测误差对优化结果的影响,提高了优化结果的稳定性与可靠性,因此能够在有限计算资源条件下实现高速链路信号完整性的高效优化。