现代电源分配网络（Power Delivery Network, PDN）设计带来了诸多挑战。传统方法通常从目标阻抗分析入手，这是保障电源完整性（Power Integrity, PI）的一种常用且有效的方法。凭借流程简单、工程实践成熟等优势，目标阻抗分析长期以来得到广泛应用。然而，在高速、高密度系统中，随着晶体管开关速度提升和电流需求增加，该方法的局限性正日益凸显。
Cadence 产品工程架构师 Jared James 介绍了一种全新的 PDN 优化方法，将性能与成本同时纳入优化目标。借助 Cadence Optimality Intelligent System Explorer 与 Sigrity X SystemPI 的协同分析，设计团队能够快速找到去耦电容容值与布局位置的最优组合，在满足 PDN 性能目标的同时，实现更优的 BOM 成本控制。
传统目标阻抗分析方法
典型的目标阻抗分析流程遵循以下步骤：
确定电源要求：明确每条电源轨的核心电压、最大瞬态电流、以及可接受的电压纹波（通常为 3-5%）
计算目标阻抗：
使用软件工具仿真 PDN 阻抗，以仿真 PDN 在整个频率范围内的阻抗，并绘制阻抗与频率的关系曲
将目标阻抗线叠加在阻抗曲线上，与目标阻抗进行比较
调整电容值、数量和放置位置，添加低 ESL 电容以抑制高频噪声，并使用大容量电容应对低频瞬态，优化去耦网络
重新仿真并迭代
使用时域仿真进行验证，并与电压纹波规格进行比包括动态行为过度简化、目标频率范围模糊、电容反谐振，以及可能引发性能与实用性冲突的成本与空间权衡。
本文的重点是改进第 7 步中的验证环节。
Cadence Sigrity X SystemPI 与
Optimality Intelligent System Explorer 优化方法
Cadence 的全新方法基于 Sigrity X SystemPI 技术构建。该工具提供统一的系统级拓扑建模环境，可同时支持阻抗分析（AC）、压降分析（DC）以及时域电源纹波与瞬态响应分析。
Sigrity X SystemPI 能够整合芯片、中介层、封装和 PCB 等不同层级的电源网络模型，并结合 Voltus IC Power Integrity Solution 和 Clarity 3D Solver 等提取工具生成的高精度模型，实现跨芯片到系统级的电源完整性协同分析。
Sigrity X SystemPI 与 Optimality Explorer 智能优化引擎协同工作。该引擎采用创新的强化学习技术，能够在复杂 SI/PI 与 RF 设计空间中智能探索设计方案，大幅减少传统优化过程所需的仿真次数。其核心优势在于高效优化：无需遍历大量设计组合，仅通过少量关键仿真快速锁定最优方向，帮助工程师以更短时间获得准确可靠的 PI 优化结果。
在这一流程中，工程师首先在 Sigrity X SystemPI 中建立系统级 PDN 分析模型，并定义去耦电容型号、容值以及不同位置的配置方案等设计变量。
完成仿真设置后，Optimality Explorer 会通过智能方式探索整个设计空间，仅对最具价值的设计组合进行仿真分析。每轮分析结束后，系统都会根据预设的优化目标和约束条件自动调整设计参数，并持续迭代优化。通过这一过程，Optimality Explorer能够高效搜索去耦电容配置方案，在满足设计目标的同时不断逼近最优解，最终生成满足签核要求的优化 PDN 设计。
Optimality Explorer的核心优势在于优化效率：它能够以尽可能少的仿真和分析迭代，快速收敛到准确的优化结果，从而显著降低设计探索所需的计算成本和时间。对于参数众多、耦合关系复杂的高维设计空间，这一优势尤为突出。
案例演示：
利用时域仿真优化去耦电容
Jared James 通过一个案例演示了 Sigrity X SystemPI 与 Optimality Explorer 如何协同工作，加速 PDN 优化设计流程。
作为 Sigrity X SystemPI 流程中的一个应用示例，该案例利用时域仿真对多个去耦电容位置的容值配置进行优化。其优化目标是在降低电压欠冲的同时，尽可能减少所需的去耦电容数量，从而兼顾电源完整性与成本控制。
下图展示了该案例的仿真设置：
在该案例中，工程师从预定义的去耦电容库中选择候选容值，并利用 Optimality Explorer 自动搜索不同位置的去耦配置组合，以降低 1A 芯片电流阶跃所引起的电压欠冲。仿真结果显示，在满足欠冲指标要求（5%，即 50mV）的前提下，系统成功减少了所需的去耦电容数量，实现了电源完整性与 BOM 成本的同步优化。
下图展示了优化过程的仿真结果。图中的每一次下降台阶，都代表系统发现了一个优于此前最佳结果的新方案。为便于观察，图中仅显示刷新最优结果的数据点，中间仿真结果可根据需要查看。
在优化初期，约前 57 次仿真采用随机探索方式，以建立覆盖更广设计空间的样本集，这一阶段被称为探索阶段（Exploration）。随后，从第 58 次仿真开始，算法逐步结合已有结果，在探索新方案与利用已有知识之间取得平衡，并将搜索重点转向更具潜力的设计区域。
在整个过程中，Optimality Explorer 持续执行仿真、更新代理模型并调整设计参数，不断向更优解收敛，直到达到预设停止条件。在本案例中，系统无需执行全部 200 次仿真，便在 140 次仿真之前找到了满足目标要求的优化方案。
下一张图对比了两种设计方案：红色曲线表示所有去耦电容位置均未放置器件时的最坏情况，绿色曲线则代表经过 Optimality Explorer 优化后的结果。
可以看到，与未优化设计相比，优化后的方案显著降低了电源纹波，改善了 PDN 的动态响应特性。
本案例以降低初始电压欠冲为主要优化目标，但 Optimality Explorer 的应用并不局限于此。工程师可以根据具体设计需求，将优化目标灵活设置为纹波控制、瞬态响应优化、目标阻抗约束等指标，从而实现更加针对性的 PDN 优化。
结论
优化后的方案不仅满足了 50mV 的欠冲指标要求，还成功减少了 4 颗去耦电容，实现了性能与成本的双重优化。
在第 96 次仿真时，系统便找到了一个极具竞争力的设计方案：电源纹波控制在 18mV 以下，同时保留了 4 个未安装去耦电容的位置。这意味着在保持优异 PDN 性能的同时，进一步降低了 BOM 成本和布板资源占用。
更值得关注的是，在超过 2 万亿种潜在设计组合中，Optimality Explorer 无需穷举搜索，仅通过不到 200 次仿真就找到了满足设计目标的优化方案。这充分展现了其在复杂设计空间中的智能搜索能力，以及以极少仿真次数实现快速设计收敛的优势。