پایان نامه
“بهینه‌سازی خودکار حاشیهٔ عملیاتی کانال با یادگیری انتقالی بیزی”

۱. مشکل چیست؟

در دنیای امروز، نرخ انتقال داده‌ها در سیستم‌های مخابراتی و رایانه‌ای با سرعت بسیار بالایی در حال افزایش است. این افزایش سرعت، طراحی و ارزیابی کانال‌های سیگنال (یعنی مسیرهایی که سیگنال‌های الکتریکی از روی بردهای مدارچاپی عبور می‌کنند) را به کاری بسیار دشوار و پیچیده تبدیل کرده است. مهندسان برای سنجش کیفیت این کانال‌ها از معیاری به نام **حاشیه‌ی عملیاتی کانال (Channel Operating Margin یا COM)** استفاده می‌کنند. COM یک عدد است که نشان می‌دهد یک کانال تا چه اندازه حاشیه‌ی امن برای عبور سیگنال بدون خطا دارد؛ هرچه این عدد بیشتر باشد، کانال بهتر طراحی شده است.

اما مشکل اینجاست که محاسبه‌ی COM، به‌ویژه وقتی می‌خواهیم این کار را به‌صورت خودکار و برای یک برد کامل انجام دهیم، بسیار زمان‌بر و پیچیده است. بزرگترین گلوگاه این فرایند، پیدا کردن **تنظیمات بهینه‌ی اکولایزرها (یکسان‌سازها)** است. اکولایزرها قطعاتی هستند که در فرستنده و گیرنده قرار می‌گیرند تا اثرات مخرب کانال را جبران کنند. برای پیدا کردن بهترین تنظیمات، مهندسان معمولاً از روش **جستجوی شبکه‌ای (Grid Search)** استفاده می‌کنند، یعنی هزاران حالت ممکن را یکی‌یکی امتحان می‌کنند تا بهترین را پیدا کنند. این کار برای هر کانال چندین دقیقه وقت می‌گیرد و اگر یک برد ده‌ها کانال داشته باشد، عملاً غیرعملی می‌شود. به‌علاوه، این روش به دخالت و تخصص یک کارشناس خبره نیاز دارد تا بداند جستجو را از کجا شروع کند و مرزهای آن را چگونه تعیین کند.

بنابراین، مشکل اصلی این است: **چگونه می‌توان فرایند محاسبه‌ی COM را به‌صورت کاملاً خودکار و بسیار سریع‌تر انجام داد، به‌گونه‌ای که بدون نیاز به کارشناس، بتوان کیفیت کل یک برد را در کمترین زمان ممکن ارزیابی کرد؟**

۲. این پایان‌نامه چه کرده است؟

نویسنده‌ی این پایان‌نامه، زکری گرومکو، راه‌حلی نوآورانه برای این مشکل ارائه داده است. کار او را می‌توان در سه گام اصلی خلاصه کرد:

**گام اول: خودکارسازی استخراج مدل کانال**
او اولین کسی نیست که از COM استفاده کرده، اما نوآوری او در این است که کل فرایند را از همان ابتدا، یعنی از زمانی که فقط یک طرح (Layout) از برد مدارچاپی در دست است، به‌صورت خودکار انجام می‌دهد. او از نرم‌افزار PowerSI استفاده کرده تا به‌طور خودکار پارامترهای S (که رفتار الکتریکی کانال را توصیف می‌کنند) را از روی طرح برد استخراج کند. سپس این پارامترها را تصحیح می‌کند تا ویژگی‌های فیزیکی مانند علیت (Causality) و غیرفعال‌بودن (Passivity) را داشته باشند. این کار قبلاً توسط کارشناسان و به‌صورت دستی انجام می‌شد، اما او آن را به یک فرایند خودکار تبدیل کرده است.

**گام دوم: جایگزینی جستجوی شبکه‌ای با بهینه‌سازی بیزی**
برای حل مشکل زمان‌بری جستجوی شبکه‌ای، نویسنده از روشی به نام **بهینه‌سازی بیزی (Bayesian Optimization)** استفاده کرده است. این روش به‌جای امتحان کردن هزاران حالت تصادفی، به‌صورت هوشمندانه و با استفاده از یک مدل آماری از عملکرد کانال، حدس می‌زند که کدام تنظیمات اکولایزر احتمالاً بهترین هستند. این مدل، که **پیش‌بینی‌کننده‌ی فرایند گاوسی (Gaussian Process)** نام دارد، با هر بار امتحان یک حالت جدید، اطلاعات خود را به‌روز می‌کند و به تدریج به سمت بهترین تنظیمات حرکت می‌کند. نتیجه این است که برای پیدا کردن جواب خوب، به جای هزاران بار ارزیابی، تنها به چند صد بار ارزیابی نیاز است. این یعنی کاهش چشمگیر زمان.

**گام سوم (نوآوری اصلی): یادگیری انتقالی بین کانال‌ها**
نوآوری مهم‌تر این پایان‌نامه اینجاست: نویسنده متوجه شده که در یک برد مدارچاپی، کانال‌های مختلف (مثلاً چند کانال USB یا HDMI) مسائل بهینه‌سازی بسیار مشابهی دارند. بنابراین، به‌جای اینکه فرایند بهینه‌سازی را برای هر کانال از صفر شروع کند، از **یادگیری انتقالی (Transfer Learning)** استفاده می‌کند. به این معنی که دانشی که از بهینه‌سازی کانال‌های قبلی به دست آورده (یعنی مدل آماری که ساخته بود)، را به کانال جدید منتقل می‌کند. این کار مشکل **استارت سرد (Cold-Start)** را حل می‌کند؛ یعنی در ابتدای بهینه‌سازی یک کانال جدید، مدل از قبل اطلاعات مفیدی دارد و می‌تواند سریع‌تر به جواب برسد.

برای این کار، او روشی ابداع کرده است که شباهت بین کانال‌ها را می‌سنجد. او با استفاده از یک معیار ریاضی، میزان هم‌بستگی بین پاسخ کانال‌ها را محاسبه می‌کند و سپس با یک روش خوشه‌بندی (Clustering)، مرتبط‌ترین کانال‌های قبلی را پیدا کرده و مدل آن‌ها را برای شروع بهینه‌سازی کانال جدید به کار می‌گیرد. این کار باعث می‌شود که علاوه بر سرعت بیشتر، کیفیت جواب‌ها نیز بهبود یابد.

۳. هدف نهایی چه بود؟

هدف نهایی این پایان‌نامه، ارائه‌ی یک **راه‌حل کامل و یکپارچه** برای تحلیل خودکار COM است، به‌گونه‌ای که:

– **فقط با داشتن طرح (Layout) برد**، کل فرایند به‌طور خودکار اجرا شود.
– **هیچ دخالت انسانی** در مراحل میانی (مانند تصحیح پارامترها یا تنظیم جستجو) لازم نباشد.
– **زمان اجرا به‌شدت کاهش یابد** تا بتوان کل یک برد را در زمانی معقول تحلیل کرد.
– **دقت نتایج** در حد قابل‌قبولی حفظ شود تا بتوان از آن برای ارزیابی اولیه و حتی طراحی خودکار بردها استفاده کرد.

۴. راه‌حل چه بود و چه نتیجه‌ای داد؟

راه‌حل نهایی، ترکیبی از این سه عنصر بود: **استخراج خودکار مدل + بهینه‌سازی بیزی + یادگیری انتقالی چندوظیفه‌ای**.

نویسنده این روش را روی دو برد واقعی آزمایش کرد: یک برد Coral Board و یک برد Raspberry Pi. او نتایج روش خود را با نتایج حاصل از روش‌های مرجع (که توسط دیگران و با نرم‌افزارهای استاندارد به‌دست آمده بودند) مقایسه کرد.

نتایج نشان داد که:

1. روش او از نظر سرعت، **چندین برابر سریع‌تر** از روش سنتی جستجوی شبکه‌ای است. در برخی موارد، زمان اجرا تا ۲۰ برابر کاهش یافت.
2. از نظر دقت، نتایج به‌دست‌آمده **با روش‌های مرجع همخوانی قابل‌قبولی** داشت. اگرچه روش او کمی محافظه‌کارانه‌تر (پسیمانه‌تر) بود، اما این ویژگی برای ارزیابی اولیه و پیش‌ازتأیید (Pre-verification) یک مزیت محسوب می‌شود، چون از عبور سیگنال‌های نامطمئن جلوگیری می‌کند.
3. روش یادگیری انتقالی نشان داد که می‌تواند هم به افزایش سرعت و هم به بهبود کیفیت نهایی بهینه‌سازی کمک کند، به‌ویژه وقتی تعداد کانال‌های یک برد زیاد باشد.

در نهایت، این پایان‌نامه نشان می‌دهد که **ترکیب بهینه‌سازی بیزی و یادگیری انتقالی** می‌تواند تحولی بزرگ در فرایند طراحی و ارزیابی بردهای مدارچاپی پرسرعت ایجاد کند. این روش، گامی اساسی در جهت تحقق رویای **طراحی کاملاً خودکار بردها** است، جایی که خود رایانه بتواند طرح‌های مختلف را ارزیابی کرده و بهترین آن‌ها را انتخاب کند، بدون اینکه نیازی به مداخله‌ی دائمی مهندس باشد.

“`

چرا بهینه‌سازی اکولایزر، گلوگاه محاسبهٔ COM است؟

اگر بخواهیم کیفیت یک کانال پرسرعت را با یک عدد بسنجیم، آن عدد **حاشیهٔ عملیاتی کانال (COM)** است. اما رسیدن به این عدد، سفری پرپیچ‌وخم است. مهندس باید مدل الکتریکی کانال را استخراج کند، نویزها را مدل کند، و مهم‌تر از همه، **تنظیمات بهینهٔ اکولایزر** را پیدا کند. همین جاست که پای یک مشکل بزرگ به میان می‌آید.

—

مشکل: جستجوی شبکه‌ای، کند و وابسته به کارشناس

روش سنتی برای یافتن تنظیمات بهینهٔ اکولایزر، **جستجوی شبکه‌ای** است. یعنی هزاران ترکیب از ضرایب اکولایزر را یکی‌یکی امتحان می‌کنند تا بهترین را بیابند. این روش نه‌تنها برای هر کانال چندین دقیقه زمان می‌برد، بلکه به **دانش قبلی کارشناس** برای تعیین مرزهای جستجو وابسته است. در یک برد با ده‌ها کانال، این کار عملاً غیرممکن می‌شود.

> 📌 به‌قول خود مقاله:
> *«این گام در مواد اولیهٔ COM به‌عنوان پرهزینه‌ترین بخش محاسباتی معرفی شده است.»*
> (Mellitz et al., 2013)

—

راه‌حل: بهینه‌سازی بیزی به‌جای جستجوی شبکه‌ای

نویسنده به‌جای امتحان کردن همهٔ حالت‌ها، از **بهینه‌سازی بیزی** استفاده می‌کند. این روش با ساختن یک **مدل جایگزین آماری** از رفتار کانال، به‌صورت هوشمندانه حدس می‌زند کدام نقاط احتمالاً بهتر هستند. هر بار که یک نقطه را امتحان می‌کند، مدل خود را به‌روز می‌کند و به تدریج به سمت جواب بهینه حرکت می‌کند.

نتیجه؟ برای یافتن جوابی با کیفیت مشابه، به جای هزاران ارزیابی، فقط به **چند صد ارزیابی** نیاز است. این یعنی **کاهش زمان تا ۲۰ برابر** بدون افت قابل‌توجه دقت.

—

نوآوری اصلی: یادگیری انتقالی بین کانال‌ها

اما جالب‌ترین بخش اینجاست: در یک برد، کانال‌های مختلف (مثلاً چند کانال USB) مسائل بهینه‌سازی بسیار مشابهی دارند. نویسنده از این شباهت استفاده کرده و **یادگیری انتقالی** را به کار گرفته است. یعنی دانشی که از بهینه‌سازی کانال‌های قبلی به‌دست آمده (مدل جایگزین)، به کانال جدید منتقل می‌شود تا مشکل **استارت سرد** حل شود.

برای این کار، او روشی ابداع کرده که شباهت کانال‌ها را با **هم‌بستگی پاسخ‌های زمانی** می‌سنجد و سپس با **خوشه‌بندی**، مرتبط‌ترین کانال‌های قبلی را پیدا کرده و مدل آن‌ها را برای شروع بهینه‌سازی کانال جدید به کار می‌گیرد.

خود نویسنده می‌نویسد:
> *«مسئلهٔ تنظیم اکولایزر را می‌توان به‌عنوان تصویری از تابع معکوس کانال روی توابع اکولایزر پارامتریشده دید. بنابراین شباهت وظایف را از شباهت تابع تبدیل کانال می‌توان تخمین زد.»*

—

جمع‌بندی: یک گام به سوی طراحی خودکار

این روش نشان می‌دهد که **ترکیب بهینه‌سازی بیزی با یادگیری انتقالی** می‌تواند تحولی در فرایند تحلیل COM ایجاد کند. نه‌تنها زمان محاسبه به‌شدت کاهش می‌یابد، بلکه وابستگی به کارشناس نیز از بین می‌رود. این یعنی گامی اساسی به‌سوی **طراحی کاملاً خودکار بردهای مدارچاپی**، جایی که خود الگوریتم بتواند طرح‌های مختلف را ارزیابی کرده و بهترین را انتخاب کند.

به‌قول نویسنده در بخش کارهای آینده:
*«COM هدفی جذاب برای کاربردهای یادگیری تقویتی است، اما گلوگاه‌های فعلی مانع از استفادهٔ مؤثر آن در روش‌هایی مانند جستجوی درخت مونت‌کارلو می‌شود. روش ارائه‌شده می‌تواند این مانع را بردارد.»*