With the advent of large-scale generative artificial intelligence, the number of I/Os and data rate for next-generation high bandwidth memory (HBM) to support supercomputing systems are rapidly increasing. Accordingly, signal and power integrity (SI/PI) analysis of the eye diagram, considering the design process of HBM interposer channel, is essential. In this paper, I propose an eye diagram estimation methodology using the adaptive Gramian-Angular-Field segmentation integration based generative adversarial network (AGSI-GAN) for rapid and accurate design. A conditional generative adversarial network (cGAN) for image-to-image transformation was implemented into a network suitable for eye diagram estimation. After setting modules reflecting SI/PI, I underwent the process of segmentation and integration, and extracted images through AGSI transformation. By providing the network with condition images that project memory channel characteristics, I enhanced the learning efficiency of the network. To validate the proposed methodology, I designed the hierarchical power distribution network (PDN) of HBM I/O interfaces and the channel of silicon interposers. Through this, I quickly and accurately estimated the eye diagram, including simultaneous switching noise (SSN) and far-end crosstalk (FEXT). As a result, I verified that the proposed method has high time efficiency and much higher estimation accuracy compared to the results of applying the conventional Gramian-Angular-Field (GAF) as a condition image.
최근 대규모 생성형 인공지능의 등장으로 슈퍼 컴퓨팅 시스템을 지원하기 위한 차세대 고대역폭 메모리의 입출력 핀의 개수와 데이터 전송 속도가 급증하고 있다. 이에 따라 고대역폭 메모리의 인터포저 채널 설계 과정에 신호 및 전력 무결성을 고려한 아이다이어그램 분석이 필수적이다. 본 논문에서는 이를 빠르고 정확하게 진행하기 위해 적응형 그라미안-각도-필드 분할 통합 기반 적대적 생성 신경망을 이용한 아이다이어그램 추정 방법론을 제안하였다. 이미지 간 변환을 위한 조건부 적대적 생성 신경망을 아이다이어그램 추정에 적합한 네트워크로 구현하였다. 또한 신호 및 전력 무결성이 반영된 모듈 설정 후 구간의 분할 및 통합 과정을 거쳤으며, 그라미안-각도-필드 변환을 통해 이미지를 추출하였다. 이를 통해 메모리 채널 특성을 투영시킨 조건 이미지를 네트워크의 입력으로 제공함으로써 네트워크의 학습 효율을 증진시켰다. 제안된 방법론을 검증하기 위해서, 고대역폭 메모리 입출력 인터페이스의 계층적 전력분배망과 실리콘 인터포저의 채널을 설계하였다. 이를 통해 동시 스위칭 잡음과 원단 누화가 포함된 아이다이어그램을 빠르고 정확하게 추정하였다. 그 결과, 제안된 방법론이 높은 시간 효율성을 갖추며, 기존의 그라미안-각도-필드를 조건 이미지로 적용한 결과에 비해 높은 추정 정확도를 지님을 검증하였다.
