本文提出了一种面向有机再分布层（RDL）中介层的AI驱动逆向设计与视觉融合框架，用于自动化的信号完整性优化。该研究由韩国大学AI半导体工程系的Minsun Cho、Taeheon Lee、Jiho Yu、Dayeong Kim和Sungyoep Jung等人完成，发表于2026年IEEE第76届电子元件与技术会议（ECTC），DOI为10.1109/ectc51846.2026.00126。研究获得了韩国产业技术企划评价院（KEIT）及韩国贸易、工业和能源部（MOTIE）资助的KCHIPS项目的支持。

一、研究背景与目标

在先进2.5D集成中，高速数据传输对再分布层中介层的信号完整性提出了严格要求。传统设计流程中，工程师首先使用数值或解析方法计算互连的特征阻抗，然后通过电路或系统级仿真获取眼图以判断接收端能否正确解读数据。这一过程需要反复迭代并进行参数扫描，计算成本极高。造成这一问题的原因主要有两个：第一，考虑梯形截面和多层结构的场求解器本身就需要大量计算资源；第二，仅实现阻抗匹配并不能保证最优设计，因为存在多种结构条件均可满足相同的阻抗目标，而且信号完整性问题不仅限于反射，还包括电磁干扰。本研究的目标是构建一个数据驱动的框架，将阻抗匹配与信号完整性验证统一在一个工作流中，从而降低对重复场求解和时域仿真的依赖。

二、数据集构建与物理一致性分析

研究首先构建了物理一致的数据集。数据通过IBIS-AMI（输入输出缓冲信息规范）仿真与场求解器集成生成，以反映真实的几何结构。RDL层被建模为嵌入有机介质层中的信号线，同时包含单端和差分信号配置，以覆盖实际的耦合效应和回流路径影响。结构参数包括底宽、顶宽、线厚和线间距，介电常数、损耗角正切等材料参数设置在物理可实现的工艺范围内，具体为电导率58 MS/m，相对介电常数4.25，损耗角正切0.02，底宽1.00至10.00 μm，顶宽0.01至7.00 μm，线厚1.00至10.00 μm，差分间距1.00至100.0 μm。通过这种方式，数据集避免了非物理设计点。

在构建AI模型之前，研究对数据分布进行了统计分析。对于单端埋入微带线配置，阻抗变化遵循经典传输线关系，阻抗随底宽、顶宽或厚度的增加而降低，这是因为更宽或更厚的传输线增加了与参考平面的有效电场重叠，导致单位长度电容增大，而电感变化相对较弱。数据密度分布显示这一趋势基本单调，采样密度在目标阻抗区域附近充分覆盖。相比之下，差分配置对间距变化更为敏感，间距变化会产生倾斜且展宽的阻抗分布，表明同一差分阻抗目标对应多种几何组合，这些结构不同的配置可能具有不同的眼图表现。这一观察为后续统一建模提供了必要的多样性。

三、AI驱动逆向设计与视觉融合框架的工作流程

所提出的框架由三个顺序阶段组成：结构参数提取与阻抗学习、眼图图像分类、设计规则兼容参数提取。

第一阶段，基于物理的数据采集通过IBIS-AMI仿真集成场求解器完成，生成的结构参数与电响应数据用于监督学习。回归模型被训练以逼近几何参数与差分阻抗之间的非线性映射。该代理模型取代了计算密集型的数值求解器，不仅能够快速预测阻抗，还能提供逆向推断所需的可微分结构灵敏度信息。为了增强模型的鲁棒性和泛化能力，研究引入了网格增广和主动学习机制。网格增广在物理有效范围内加密采样密度，主动学习则根据预测不确定性选择性地细化模型，确保代理模型在目标阻抗区域附近保持较高精度。

第二阶段，代理模型构建完成后，框架执行逆向结构推断。对于给定的目标差分阻抗，基于神经网络的逆向模块估计满足电气约束的候选几何参数。然而，逆向推断本身并不能在多维参数空间中保证最优性。因此，优化模块与逆向设计阶段协同运行。逆向网络提供初始可行结构方案，优化过程则通过代理模型响应面引导在附近参数区域进行局部细化。两个过程互补，逆向模型缩小搜索域至阻抗兼容区域，优化步骤提高收敛性并保证结构稳定和制造兼容。

眼图图像分类模块是第三阶段的核心，也是本框架区别于传统方法的关键。模拟的眼图被处理以提取眼图开口面积作为定量指标，卷积神经网络模型被训练以根据波形形态进行合规性分类。这一模块的作用超越了简单的通过/不通过评估。因为几何上不同的结构可能具有相似的阻抗值但产生不同的波形失真特性，基于视觉的分类器可以识别无法仅从阻抗匹配推断的波形退化机制。通过设置眼图面积阈值，那些满足阻抗目标但未能通过信号完整性要求的结构候选被过滤，只有同时满足差分阻抗和眼图开口标准的结构参数才会被选为有效的设计规则兼容方案。

四、主要实验结果与验证

实验首先评估了单端和差分信号条件下的信号完整性合规表现。在单端情况下，所有阻抗匹配样本在2D FSSE仿真中均被分类为通过，没有出现异常的眼图退化。这一结果验证了在所研究的几何范围内，阻抗匹配足以保证单端信号的信号完整性合规。然而，差分信号表现出根本不同的行为。尽管预测的阻抗轮廓成功识别出满足100 Ω目标的结构，数值误差范围约在1.23 Ω至4.29 Ω之间，但对应的眼图质量差异显著。代表性匹配结构的眼图开口面积分别为36 V·ps和13 V·ps，证明在差分通道中阻抗匹配并不能保证信号完整性合规。这种差异源于相邻传输线之间的耦合相关电磁相互作用，而阻抗幅值本身无法反映这种效应。

代理模型的预测能力通过定量评估得到验证。在约1400个样本的相同条件下，单端配置的决定系数（R²）达到0.997，差分配置为0.994，预测阻抗均紧密跟随单位斜率关系，表明模型成功学习了几何参数与特征阻抗之间的非线性映射。模型输出还与解析公式和全波电磁仿真进行了比较。在单端情况下，AI预测与2D FSSE参考高度一致，而解析模型在若干点上偏差较大。偏差增大主要出现在较小底宽区域，其中亚微米几何变化难以用简化公式准确捕捉。在差分配置下，解析公式与2D FSSE和代理模型之间的偏差更加明显，因为解析公式无法充分解析间距引起的耦合相互作用。

数据效率与鲁棒性通过数据缩减实验进一步评估。单端数据集原始包含10000个样本，差分数据集约1500个样本，实验使用匹配的子集大小和相同的8：2训练测试分割。随着训练样本数量逐渐减少，两种信号模式均表现出预期的精度下降趋势。模型在约100个训练样本时保持相对稳定，低于此阈值时误差指标迅速增加。特别是仅使用10个训练样本时，模型无法产生可靠的阻抗预测。差分配置由于更高的耦合复杂性，在所有数据集大小下均表现出比单端更低的精度。总体而言，代理模型在适度数据缩减下保持了较强的鲁棒性，但足够的采样密度对于可靠学习至关重要，特别是对于耦合敏感的差分信号。

五、结论与研究价值

本研究提出的AI驱动逆向设计与基于视觉的分类框架为有机RDL中介层的信号完整性优化提供了新路径。与将阻抗提取和波形验证视为顺序独立步骤的传统方法不同，该框架将结构推断和信号级验证集成在一个统一的学习框架内。研究结果揭示了单端与差分信号环境之间的重要区别：单端信号在研究的几何范围内阻抗与波形完整性相关性强，而差分信号中阻抗等效并不必然意味着信号完整性合规。耦合引起的相邻传输线之间的相互作用引入了无法从阻抗幅值单独推断的波形敏感性。这一对比强调了在处理耦合传输结构时必须将波形感知直接嵌入逆向设计过程。

从更广泛的视角看，该框架展示了从阻抗驱动验证向信号完整性感知结构推断的转变。通过将逆向设计、优化和视觉分类耦合在单一工作流中，该方法为先进封装系统中的智能化设计自动化提供了可扩展的方向。未来研究将把这一AI驱动框架扩展到多目标优化，包括电源完整性以及芯片系统协同设计。