Predictive Analysis of Signal Transmission in Pogo Pin-Load Board

국문 초록 (Abstract)

고속 자동화 테스트 장비 채널은 더 넓은 대역폭과 높은 데이터 전송률을 지원하기 위해 신호 무결성(SI)에 대한 정밀한 최적화가 요구된다. 특히 포고 핀 테스트 소켓과 로드 보드 사이의 전이 구간은 3차원 구조적 불연속성으로 인해 임피던스 불일치와 아이 다이어그램 열화를 유발하는 주요 원인으로 작용한다.
본 논문에서는 이러한 포고 핀–로드 보드 인터커넥트의 SI 특성을 효율적으로 예측하기 위해, 전파 해석 기반의 3D 전자기(EM) 시뮬레이션과 CatBoost 회귀 모델을 결합한 데이터 기반 예측 프레임워크를 제안한다. 제약된 설계 공간에서 다양한 전이 구조를 시뮬레이션하고, 아이 다이어그램으로부터 주요 SI 지표를 추출하여 회귀 모델을 학습하였다.
제안된 모델은 제한된 데이터 환경에서도 포고 핀–로드 보드 전이 구조의 SI 성능을 안정적으로 예측할 수 있음을 확인하였으며, 특징 분석을 통해 전이 구조 내 핵심 영향 요인을 식별할 수 있었다. 본 연구는 고속 테스트 소켓 및 로드 보드의 초기 설계 단계에서 반복적인 전자기 해석을 줄이고, 보다 효율적인 SI 설계 의사결정을 지원하는 실용적인 방법을 제공한다.

다국어 초록 (Multilingual Abstract)

High-speed automated test equipment (ATE) channels require careful signal integrity (SI) optimization to support wider bandwidths and higher data rates. In particular, the transition region between a pogo pin test socket and a load board introduces three-dimensional (3D) structural discontinuities, which lead to impedance mismatch and eye diagram degradation.
This paper proposes a data-driven prediction framework that integrates full-wave threedimensional (3D) electromagnetic (EM) simulation with a CatBoost regression model to efficiently predict the SI characteristics of pogo pin–to–load board interconnects. Various transition structures within a constrained design space are analyzed using full-wave EM simulation, and key SI metrics are extracted from simulated eye diagrams to train the regression model.
The proposed model demonstrates stable SI prediction performance even under a limiteddata regime, while feature analysis enables the identification of dominant factors affecting
the transition structure. This approach reduces the need for repetitive EM simulations in the
early design stage and provides a practical methodology for efficient SI-driven design
decision-making in high-speed test sockets and load boards.

목차 (Table of Contents)

• List of Figures ⅱ
• List of Tables ⅲ
• Abstract ⅳ
• Chapter 1. Introduction 1
• Chapter 2. Structure and dataset generation
• 1. Interconnect configuration 4
• 2. Parameter selection 8
• 3. Sampling and data generation 11
• 4. 3D EM simulation and SI data extraction 15
• Chapter 3. Structure and dataset generation
• 1. CatBoost regression 22
• 2. Model optimization and evaluation 26
• Chapter 4. Conclusion and future work 29
• References 31
• Appendices 34
• Korean Abstract 38