串行链路速度在不到20年内提升了25倍，随之而来的，是 IBIS-AMI 模型的复杂度呈指数级暴涨。随着设计速度和复杂度的提升，对信道进行分析以确保有足够的裕量来进行无差错数据传输变得至关重要。
传统的“穷举手动搜索法”在面对庞大的参数组合时，即使全机房并行计算，时间和算力成本也让人崩溃。对此，Cadence 给出了一个全新答案：使用机器学习（Mechine Learning，即 ML）。
在《信号完整性杂志》（Signal Integrity Journal）2025 年 10 月刊的封面论文中，Cadence 的 Jared James 和 Ambrish Varma 博士阐述了如何利用 Cadence Sigrity X 信号与电源完整性（SI/PI）解决方案的机器学习优化算法，快速高效地在 IBIS-AMI 模型中收敛到最佳参数集。
在一项基于 OIF-CEI-112G-LR 标准的研究中，如果对发送端（TX）和接收端（RX）的 6 个核心参数进行传统手动寻优：
传统手动方法：完整覆盖解空间需要进行高达 636,804 次仿真。
机器学习优化：引入 Cadence Sigrity X 的 ML 算法后，在绝大多数测试案例中，仅需 100 次仿真即可精准锁定最佳参数集！
如下图所示，我们在 IBIS-AMI 模拟器中构建了一个 Testbench。仿真运行了足够长的时间，足以使决策反馈均衡器（DFE）对输入数据进行收敛自适应 （约70k bits），并累计了约 100 k bits 的数据进行测量。仿真运行时设置了每单位间隔（UI）64 个采样点以及 2048 的垂直分辨率，提供了足够的细节来确保测量结果的准确性。
下图展示了三个不同信道的优化收敛情况：短信道（左）、中信道（中心）和长信道（右）。
结果清晰地表明，机器学习优化找到了相应的参数，使得接收端（RX）获得了良好的开眼（Open Eye）结果。
本次仿真研究了 Cadence Sigrity X SI/PI 机器学习技术的应用，用于优化 IBIS-AMI 参数，从而在多组 IBIS-AMI 模型中快速且高效地收敛出最佳参数组合。该机器学习算法被应用于串行链路仿真中的 AMI 参数优化。结果证实，与部署传统的手动方法相比，该算法在显著减少仿真次数（平均约 100 次）的情况下，成功为三种不同的通道找到了理想的结果，从而节省了有限的人力和计算资源。
想解锁该研究的全部技术细节与深入解读？点击下图，跳转阅读全文！
sales@u-c.com.cn联系我们，非常感谢您的关注以及宝贵意见。
10个月宝宝每天需要喝多少奶粉？
