導(dǎo)讀：移動數(shù)據(jù)的迅速攀升、蓬勃發(fā)展的人工智能及機器學(xué)習(xí)（AI / ML）應(yīng)用，以及 5G 通信對帶寬前所未有的需求，導(dǎo)致對現(xiàn)有云數(shù)據(jù)中心的服務(wù)器、存儲和網(wǎng)絡(luò)架構(gòu)形成了巨大壓力。這些頗具挑戰(zhàn)性的應(yīng)用需要高 I / O 帶寬和低延遲通信的支持。112G SerDes 技術(shù)具有卓越的長距性能、優(yōu)秀的設(shè)計裕度、優(yōu)化的功耗和面積，是下一代云網(wǎng)絡(luò)、AI / ML 和 5G 無線應(yīng)用的理想選擇。由于更小的 UI 和更低的 SNR，在采用 112G 數(shù)據(jù)速率的過程中會遇到更大的挑戰(zhàn)。解決這一問題需要綜合考慮 RX / TX 規(guī)范、串?dāng)_、抖動、碼間干擾（ISI）和噪聲等多種因素，IEEE 標(biāo)準(zhǔn)也推出了通道運行裕度（COM）和有效回波損耗（ERL）作為測量標(biāo)準(zhǔn)，用于檢查高速串行系統(tǒng)的互操作裕度。

體現(xiàn)到信號完整性工程師的實際工作中，一項重要內(nèi)容就是要分析和優(yōu)化無源鏈路中的阻抗連續(xù)性和不同信號之間的串?dāng)_。封裝基板上的Core層過孔和BGA焊盤區(qū)域，是封裝上影響最大的阻抗不連續(xù)段，同時，這個區(qū)域因為有比較長的過孔縱向耦合，也是最容易引入串?dāng)_的地方，是我們需要重點優(yōu)化的。本文我們將聚焦封裝Core層過孔的阻抗連續(xù)性優(yōu)化。

一、封裝過孔區(qū)域的阻抗特性分析

下圖是一個典型的封裝Core過孔和BGA焊盤區(qū)域的差分回波損耗結(jié)果。在奈奎斯特頻率以下的差模-差?；?fù)p都已基本控制到-20dB以下。

我們再看下其對應(yīng)的TDR結(jié)果?？梢钥吹綄嶋H阻抗并不是很靠近目標(biāo)值90歐姆的一條直線，而是存在多個阻抗不連續(xù)點。

我們可以結(jié)合Layout結(jié)構(gòu)來理解其中的各段阻抗變化。首先看下阻抗最低的D點，這個地方對應(yīng)的是BGA焊盤區(qū)域。一般要控制差分阻抗90歐，差分走線的線寬在25-30um左右，而BGA焊盤的直徑會有500-600um，所以這里最容易出現(xiàn)阻抗偏低的情況，需要把相鄰的幾層平面挖空。

另外一個阻抗較低的B點是Core層過孔的焊盤位置。這個焊盤的直徑一般是250-350um，也是比走線線寬高 了一個數(shù)量級，所以這里也要對相鄰幾層的平面做挖空處理。

C點區(qū)域是Core過孔的筒身部分。這部分會根據(jù)不同的筒身高度（Core層厚度）、相鄰層挖空大小/層數(shù)、周圍回流地孔的距離/數(shù)量等體現(xiàn)出容性或者感性。

最開始的阻抗較大的A點是走線在回流平面挖空區(qū)域部分。這個地方因為相鄰層都挖空掉，按照差分線寬量級的寬度布線，就會出現(xiàn)實際阻抗比目標(biāo)值高的情況。

二、封裝過孔分析案例自動化建模

如上所述，封裝Core層過孔和BGA焊盤區(qū)域的多個布線參數(shù)都會影響這段鏈路的阻抗連續(xù)性，而且鏈路上不同組件對這些參數(shù)的調(diào)整方向需求有的還相互沖突，需要綜合權(quán)衡。這么多參數(shù)需要調(diào)整，不可能把所有的組合都先在封裝工具中設(shè)計出來再逐一用仿真工具提取模型進(jìn)行分析。比較常見的做法是由資深的SI工程師根據(jù)經(jīng)驗判斷最關(guān)鍵的參數(shù)和大致的取值范圍，請封裝設(shè)計工程師做幾種不同的場景，然后在這基礎(chǔ)上把各層挖空大小做成變量進(jìn)行掃描，或者根據(jù)仿真結(jié)果手動迭代調(diào)整參數(shù)。但是，這種做法存在很多限制：首先是嚴(yán)重依賴資深工程師的經(jīng)驗；其次是受項目交付周期限制，實際能覆蓋到的參數(shù)組合和調(diào)整范圍空間都比較有限；最后，如果出線層、疊層、材料、管腳排布、信號速率等發(fā)生變化，這些參數(shù)調(diào)整的結(jié)論不能直接復(fù)用，重新建模分析又非常消耗時間。

筆者的做法是利用仿真工具強大的參數(shù)表達(dá)式功能，編寫Python腳本，讀入PadStack、疊層材料、Pin Map等信息，自動創(chuàng)建封裝過孔優(yōu)化工程，把上述各種參數(shù)，包括過孔間距、挖空區(qū)域大小、挖空層數(shù)、回流過孔方式、回流過孔距離、挖空區(qū)域走線線寬等，都在模型中做成可掃描的參數(shù)。這樣，調(diào)整參數(shù)時只要在仿真工具中修改數(shù)值，整個仿真結(jié)構(gòu)也會跟著改動，不需要返回封裝設(shè)計工具進(jìn)行調(diào)整，更加方便快捷。而且，不管疊層、材料、管腳排布等如何變化，只要簡單修改輸入配置文件，十分鐘就能完成新的仿真工程建模。

三、設(shè)計參數(shù)自動化/智能化調(diào)整

完成仿真工程建模后，下一步就是要調(diào)整設(shè)計樣式的選擇和各設(shè)計參數(shù)的取值，以優(yōu)化阻抗連續(xù)性和串?dāng)_大小。這里會遇到一個問題，就是由于參數(shù)數(shù)量多，每個參數(shù)還有各自的取值范圍，即便SI工程師根據(jù)經(jīng)驗固定某些參數(shù)的數(shù)值或者綁定不同參數(shù)同步變化進(jìn)行簡化，各參數(shù)排列組合后的取值空間很可能依然是巨大的。以5個獨立變量，每個變量10個掃描數(shù)值來計算，排列組合的取值空間就達(dá)到10^5=100,000個，這個數(shù)量級根本不可能在實際項目交付過程中去遍歷。即使是每個變量只有5個掃描數(shù)值，排列組合的取值空間也達(dá)到5^5=3125個，很難遍歷完成。因此，一般的做法還是需要SI工程師手動進(jìn)行”調(diào)整參數(shù)”->”仿真”->”分析結(jié)果”->”調(diào)整參數(shù)”->”仿真“的迭代，受到項目交付周期和有效仿真/分析時間的限制，實際能完成的迭代次數(shù)非常有限，通常都不見得能找到最優(yōu)解。

隨著仿真工具的發(fā)展，現(xiàn)在調(diào)參這個難題可以交給AI引擎來自動實現(xiàn)。這里我們利用Cadence最新推出的Optimality Intelligent System Explorer智能優(yōu)化引擎來完成封裝過孔優(yōu)化。在Cadence Clarity 3D Solver仿真工具中打開通過腳本創(chuàng)建出來的仿真工程，通過菜單欄命令打開Optimality Explorer優(yōu)化引擎，接下來只需要設(shè)置好需要調(diào)整哪些參數(shù)、每個參數(shù)的取值范圍，然后定義好我們要優(yōu)化的目標(biāo)、設(shè)置并行跑的任務(wù)數(shù)量和仿真服務(wù)器資源，剩下的就是等Optimality Explorer根據(jù)機器學(xué)習(xí)算法自動完成” 調(diào)整參數(shù)”->” 仿真”->” 分析結(jié)果”->” 調(diào)整參數(shù)”->” 仿真 “的迭代，最終得到我們想要的優(yōu)化結(jié)果了。

值得一提的是，Optimality Explorer除了官方給出的一些常用的插損、回?fù)p、串?dāng)_、TDR等優(yōu)化目標(biāo)，還支持Python接口，可以用Python自定義任意的目標(biāo)函數(shù)，比如本例我們用了自定義的TDR指標(biāo)作為優(yōu)化目標(biāo)，綜合考慮了TDR結(jié)果中的阻抗偏差最大值、阻抗偏差峰峰值、偏差阻抗長度等指標(biāo)。

Optimality Explorer的收斂曲線如下。經(jīng)過幾十次迭代后，得到的仿真結(jié)果TDR指標(biāo)就已經(jīng)優(yōu)于工程師手動迭代的結(jié)果。因為是工具自動調(diào)參，不需要工程師干預(yù)，我們可以按原定設(shè)置最大迭代次數(shù)繼續(xù)進(jìn)行優(yōu)化，進(jìn)一步得到更優(yōu)化的結(jié)果。

審核編輯：湯梓紅