本文介绍了一项关于信号完整性（Signal Integrity, SI）和电源完整性（Power Integrity, PI）数据验证的创新研究，该研究由Youcef Hassab、Til Hillebrecht、Fabian Lurz和Christian Schuster共同完成，并于2024年12月发表在《IEEE Transactions on Electromagnetic Compatibility》期刊上。研究提出了一种基于机器学习（Machine Learning, ML）的时间序列分类（Time Series Classification, TSC）方法，用于替代传统的特征选择性验证（Feature Selective Validation, FSV）方法，旨在通过自动化手段模拟工程师的视觉评估，从而提高数据验证的效率和准确性。
在电磁兼容性（Electromagnetic Compatibility, EMC）工程领域，信号完整性和电源完整性在印刷电路板（Printed Circuit Board, PCB）设计中至关重要。工程师通常使用计算电磁学（Computational Electromagnetics, CEM）和仿真工具来分析和解决EMC相关问题。然而，这些工具生成的仿真结果需要与测量数据或其他仿真结果进行对比，以确保其准确性。传统的数据验证方法依赖于工程师的主观视觉评估，这种方法不仅耗时，而且容易受到工程师经验、知识水平和个人偏好的影响，导致评估结果的不一致性。
为了解决这一问题，IEEE标准1597.1提出了特征选择性验证（FSV）方法，该方法通过分析数据特征来模拟工程师的视觉评估。然而，FSV在某些情况下表现出不一致性，尤其是在处理零交叉数据集时。因此，本研究提出了一种基于时间序列分类的机器学习方法，旨在通过训练神经网络来预测两条曲线之间的相似度，从而实现自动化、系统化的数据验证。
研究的主要流程包括数据采集、预处理、分类模型训练和后处理四个步骤。
数据采集与生成
研究首先通过物理模型（Physics-Based Model, PB）和商业有限元法（Finite Element Method, FEM）求解器生成了八种不同的PCB结构的仿真数据。这些数据包括频域中的网络参数（如S参数、阻抗参数等），并存储为Touchstone文件。为了增加数据集的多样性，研究还通过随机匹配端口和结构生成了额外的样本，最终构建了一个包含1600个样本的数据集。
数据预处理
数据预处理的目标是将网络参数转换为适合分类的时间序列。研究使用Python和Scikit-RF库对数据进行处理，将每个端口对的网络参数转换为15种不同的频域曲线（称为“模式”），并将这些曲线调整为相同长度的时间序列。最终，每个样本由两个通道的时间序列组成，分别来自PB和FEM仿真结果。
时间序列分类模型
研究采用了多种深度学习架构进行时间序列分类，最终选择了Rocket（Random Convolutional Kernel Transform）方法。Rocket通过随机卷积核将时间序列转换为特征向量，并使用线性分类器进行预测。研究对Rocket模型进行了训练和测试，结果表明其在预测工程师视觉评估得分方面表现优异，准确率超过70%。
后处理与不确定性量化
研究还引入了不确定性量化机制，通过计算分类器预测得分的概率分布，为工程师提供置信区间。这一机制可以帮助工程师快速识别需要进一步验证的端口对，从而在大规模数据验证中提高效率。
研究的主要结果表明，基于时间序列分类的机器学习方法在预测工程师视觉评估得分方面优于单个工程师的评估结果。具体来说，Rocket分类器在测试集上的准确率达到75%，而单个工程师的准确率普遍低于70%。此外，分类器的预测结果与工程师的平均评估得分高度一致，表明该方法能够有效模拟工程师的视觉评估。
本研究提出了一种全新的数据验证方法，具有以下科学和应用价值： 1. 自动化与高效性：该方法能够自动化地验证大规模数据集，显著减少了工程师的工作负担。 2. 客观性与一致性：通过机器学习模型模拟工程师的视觉评估，减少了主观因素对评估结果的影响。 3. 广泛适用性：该方法不仅适用于信号完整性和电源完整性领域，还可以通过调整数据集和标签应用于其他领域，如电磁兼容性。
未来的研究方向包括进一步扩展数据集，特别是在时域数据上的生成和验证，以及将该方法应用于其他电磁兼容性相关领域。
总之，本研究为信号完整性和电源完整性领域的数据验证提供了一种高效、准确的自动化解决方案，具有重要的科学意义和实际应用价值。