1. 课程导入与工程场景锚定

在高速数字与射频混合设计的今天，SIwave 已经不只是"看一眼 S 参数"的后处理工具，而是承载信号完整性（SI）、电源完整性（PI）与电磁兼容（EMI）联合分析的核心仿真平台。但很多工程师的真实工作状态是：打开一个 PCB 工程，手动改一处叠层、跑一次仿真、看一条曲线，再改下一处——这种"手工试错"模式在通道数少、变量少时还能应付，一旦面对 8 层以上板卡、几十条高速链路、多个电源域，就会迅速陷入"改不完、跑不完、看不完"的困境。本课程要建立的，正是从这种手工模式切换到参数化批量仿真与自动优化的工作流认知。

参数化批量仿真与自动优化在 SIwave 中的定位

需要先厘清三个层次的概念，避免后续操作时混淆：

• 参数化建模：把几何尺寸、叠层厚度、材料属性、过孔参数、端接元件值等设计变量，从"固定数值"抽象为"可驱动变量"。在 SIwave 中，这通常通过参数化变量（Parameter）与外部脚本（如 IronPython）或 AEDT 参数化机制配合实现。
• 批量仿真：在参数空间内按一定策略（全因子、拉丁超立方、正交试验等）生成多组参数组合，自动依次或并行提交求解，得到一组结果数据集，而不是单点结果。
• 自动优化：在批量结果基础上，用优化算法（梯度、遗传、粒子群、响应面等）迭代搜索，使目标函数（如插入损耗最小、阻抗偏差最小、串扰最低）在约束条件下达到最优。

三者的关系是递进的：没有参数化，批量仿真无从谈起；没有批量数据，优化算法就没有"燃料"。SIwave 本身提供场求解能力，而参数驱动、批量调度与寻优逻辑，往往需要借助 AEDT 框架、脚本或外部优化器协同完成。

典型工程对象与优化目标

本课程覆盖的工程对象主要有四类，它们的参数敏感度和优化目标差异明显：

以一块 16 层背板上的 25 Gbps 差分通道为例：手工调线宽从 4 mil 到 5 mil，跑一次全波仿真可能耗时数十分钟；若同时考虑叠层厚度、过孔反焊盘、端接电阻三个变量，每个变量取 5 个水平，全因子就是 125 次仿真。手工完成几乎不可行，而参数化批量仿真可以在夜间自动跑完，第二天直接看趋势和最优组合。

从手工试错到参数驱动自动寻优的完整工作流

下面这张图把本节的核心工作流一次性呈现出来：左侧是传统手工路径，右侧是参数驱动路径，中间通过"参数抽象"完成切换。图中同时标出了每一步的输入、输出与判断依据，便于对照理解。

图中左侧手工路径的典型问题是：每次只改一个变量，无法判断变量之间的交互作用；循环次数由人决定，容易在局部最优附近反复打转；夜间无人值守时无法推进。右侧参数驱动路径则把"改—跑—看"变成"定义—采样—批量—寻优"，人只需要在两端介入：前端定义参数空间与目标函数，后端判读优化结果并做工程决策。

一个可落地的教学示例

假设某 8 层板上一对 10 Gbps 差分线，初始设计线宽 w=4 mil、差分间距 s=8 mil、介质厚度 h=6 mil，仿真得到插入损耗在 5 GHz 处为 -3.2 dB，目标要求优于 -2.5 dB。手工调参时，工程师可能只改 w，但实际影响插损的还有 h 和介质损耗角正切 tanδ。

参数化做法是：定义 w∈[3.5, 5.0] mil、s∈[6, 10] mil、h∈[5, 7] mil 三个变量，用拉丁超立方采样 30 组，脚本自动生成 30 个 SIwave 工程并批量求解，提取每组在 5 GHz 的 S21。对结果做响应面拟合后，用遗传算法在参数空间内搜索，得到一组候选：w=4.6 mil、s=7.2 mil、h=5.4 mil，预测 S21≈-2.3 dB。再对这一组做一次确认性全波仿真，若实测/仿真值在 -2.4 dB 左右，即可判定达标。整个过程从"人工试 30 次"压缩为"机器跑 30 次 + 1 次确认"。

本课程后续将展开的能力

围绕这条工作流，后续章节会逐步展开：如何在 SIwave 中正确设置参数化变量与扫描范围；如何用脚本批量生成工程、提交求解并回收结果；如何从 S 参数、阻抗曲线、串扰矩阵中提取目标函数；如何选择 DOE 策略与优化算法；以及如何对优化结果做工程复核，避免"数学最优但工艺不可制造"的陷阱。本节的任务是先建立这张全局地图，让后续每一个操作都能对应到地图上的某个位置。