Digitaaliset kaksimalliset mallit ADC-suunnittelussa: Uusi paradigmi suorituskyvyn optimointiin

Tämä lähestymistapa on tehokas, aikaa vievä, kallis ja rajallinen kyky tutkia koko suunnittelutilaa. Digitaaliset kaksoismallit ovat pohjimmiltaan muuttamassa tätä maisemaa. Luomalla dynaamisen, virtuaalisen kopion ADC:stä, joka heijastaa fyysistä käyttäytymistään reaaliajassa, insinöörit voivat simuloida, analysoida ja optimoida suorituskykyä ennennäkemättömällä nopeudella ja tarkkuudella. Tämä artikkeli tutkii, miten digitaalinen kaksoistekniikka muokkaa ADC:n kehitystä alkuperäisestä konseptista lopulliseen tuotantoon ja tarjoaa käytännön oppaan näiden mallien integroimiseksi suunnittelutyöhön.

Mikä on digitaalinen kaksoismalli ADC-järjestelmille?

Digitaalikaksoset ovat enemmän kuin staattinen simulaatio. Se on elävä esitys, joka jatkuvasti päivittää tietoja sen fyysisestä vastineesta. Tai suunnitteluvaiheessa, jossa on korkea uskollisuus malleja suunniteltu fyysinen järjestelmä. ADC:t, digitaalinen kaksoset integroituu:

  • Sähköiset ominaisuudet:[ Epälineaarisuus, kvantitalisaation melu, näytteenottojännitys, kaistanleveyden rajoitukset ja dynaaminen alue.
  • termaalinen käyttäytyminen: [] Itsestään kuumentavat vaikutukset, lämpötilasta riippuvainen driffer, ja tehohukan koko muunnin-matriisi.
  • Mekaaniset ja ympäristötekijät:[ Paketti loisaineet, substraatin kytkentä, jännitevirtavärähdys ja sähkömagneettiset häiriöt.
  • Prosessin vaihtelut:[ Monte Carlo -mallit puolijohdetuotteiden valmistustoleranssien ja -erojen osalta.

Yhdistämällä nämä alat yhtenäiseksi simulaatioksi digitaalikaksosesta tulee foorumi, jolla selvitetään, miten ADC käyttäytyy realistisissa toimintaolosuhteissa.

Miksi digitaalikaksosten materia ADC-suoritussimulaatioon

ADC:t ovat kriittisiä komponentteja viestinnässä, lääketieteellisessä kuvantamisessa, tutkassa ja teollisessa IoT:ssä. Niiden suorituskyky vaikuttaa suoraan järjestelmän tason mittareihin, kuten signaali-melu-suhde (SNR), valheellisen vapaa dynaaminen alue (SFDR) ja tehotehokkuus. Perinteiset simulaatiotyökalut (esim. SPICE-tason mallit) tarjoavat tarkkuutta, mutta ovat liian hitaita järjestelmän tason tutkimiseen, kun taas käyttäytymismallit uhraavat uskollisuutta nopeuden vuoksi. Digitaaliset kaksoset kurovat tämän aukon umpeen.

Avainetuihin kuuluvat:

  • ]Nopea suunnittelu konvergenssi:[ Insinöörit voivat suorittaa tuhansia parametrin pyyhkäisyjä tuntien sijaan viikkoja, tunnistaen optimaaliset transistorikoot, kondensaattoriarvot ja kellon ajoituksen.
  • Vähennys:[ Yksi digitaalinen kaksonen voi poistaa useita silikonituotannon spin sykliä, mikä säästää miljoonia maskikustannuksia ja suunnitteluaikaa.
  • Parempi luotettavuus:[ Digitaaliset kaksoset voivat stressitestimalleja äärimmäisissä lämpö-, jännite- ja taajuuskulmissa ilman riskiä laitteisto.
  • Cross-domin optimointi:[] Analogisten ja digitaalisten lohkojen väliset kompromissit (esim. kalibrointialgoritmit, digitaalinen jälkikäsittely) voidaan arvioida yhdessä.

Esimerkiksi ADC-putkistossa digitaalinen kaksonen voi simuloida kondensaattorin epäsuhtaisuuden vaikutusta integraaliseen epälineaarisuuteen (INL) ja sitten automaattisesti virittää taustakalibrointisilmukan kompensoidakseen kaikki ennen teipin poistoa.

Digitaalikaksosten rakentaminen ADC-optimointiin

Tietojen hankinta ja mallin kalibrointi

Ensimmäinen vaihe on kerätä tarkkoja tietoja fyysisestä ADC topologiasta. Tähän kuuluvat transistoritason netlistit, loismallit, lämpövastusarvot ja mitattu data aiemmista malleista tai valimotestisiruista. Uutta muotoilua varten kaksoset on rakennettu maasta ylöspäin käyttäen []-foundry PDK (Process Design Kit) -malleja ja validoitu pienellä testirakenteella.

Monifysiikan simulointi Integraatio

Modernit digitaaliset kaksialustat yhdistävät sähkömagneettiset, lämpö- ja piirisimulaattorit. Työkalut kuten [Ansys Electronics tai Keysight PathWave[ mahdollistavat ADC-analogisten ydinten yhteissimuloinnin digitaalisen logiikan ja pakettimallien kanssa. Kaksoismalli on modulaarinen järjestelmä:

  • Analoginen etupään lohko[ .
  • Digitaalinen taustaosa[ . Koodauslogiikka, korjausalgoritmit, deduktion suodatin.
  • Voimalaitoksen jakeluverkko[ .
  • Termaalinen verkko[ .

Reaaliaikainen datalinkki (olemassa olevat tietokeskukset)

Jos digitaalista kaksosta käytetään kenttäseurantaan tai elinkaarihallintaan, se syöttää livedataa fyysisestä ADC:stä junan antureiden (lämpötila, toimitusvirta, lähtökoodit) kautta. Tämä takaisinkytkentäsilmukka parantaa jatkuvasti mallin tarkkuutta ja mahdollistaa ennakoivan huollon.

Tapaustutkimus: Optimoimalla 12-bittinen 1 GS/s SAR ADC digitaalisilla kaksosilla

Harkitse peräkkäistä likiarvorekisteriä (SAR) ADC, joka on suunniteltu 5G-tukiaseman lähetintä varten. Tavoitteena on maksimoida SNR säilyttäen teho alle 50 mW. Digitaalista kaksosta käyttäen suunnittelutiimi suorittaa seuraavat optimointit:

  1. ]Kapentaattori DAC koko:[ Kaksoissuoritin suorittaa Monte Carlo analyysi eroavuus vaikutuksia. Se paljastaa, että 7-bittinen segmentoitu arkkitehtuuri vähentää DNL virheitä 0,2 LSB verrattuna binääripainotettu järjestelmä, säästää 15% teho.
  2. Kompator offset kalibrointi:[ Lämpöalamalli osoittaa, että itselämmitys aiheuttaa 2 mV offset ajelehtia yli lämpötilan. Kaksoisvirittää automaattisesti digitaalisen offset peruutussilmukka kompensoi 100 ns.
  3. Kellon jitterin herkkyys:[] 10 ps:n RMS-jätteen simulointi tuottaa 1,2 dB:n hajoamisen SNR:ssä. Kaksoismalli suosittelee PLL-resuunnittelua jäykistämään vitosen, mikä palauttaa menetetyn suorituskyvyn.
  4. Vähimmäistehon hylkimisreaktio:[] Toimitusviive 100 MHz:n taajuudella heikentää SFDR:ää 3 dB:llä. Digitaalikaksosten mukaan paikallisen LDO-säätimen lisääminen sirulle poistaa tämän ongelman, ja vain 2 mW:n teholla.

Kaikki nämä optimoinnit on tarkistettu kaksosella ennen kuin mitään silikonia valmistetaan. Lopullinen siru saavuttaa 68 dB SNR:n ja 78 dBc SFDR:n 48 mW.

Integrointi tekoäly ja koneoppiminen digitaalisilla kaksosilla

Seuraava raja on upottamalla tekoäly suoraan digitaaliseen kaksoseen, jotta se mahdollistaa itseoptimoinnin ADC:t. []Machine-oppimismalleja[] voidaan kouluttaa simulaatiodatalla kaksosesta ennustamaan suorituskykymittareita suunnitteluparametrien funktiona. Esimerkiksi:

  • Neuroverkko voi kartoittaa kondensaattorin yhteensopimattomuuskuvioita INL:n kanssa, luoda sitten digitaalisen korjausjärjestelmän hakutaulukon, joka saavuttaa kalibroinnin mikrosekunnissa millisekuntien sijaan.
  • Vahvistusoppimisagentit voivat tutkia kaksoiskoneen kellonvaihesäätöjä, jotta teho voidaan minimoida dynaamisen SNR-tavoitteen mukaisesti ja sopeutua muuttuviin toimintaolosuhteisiin.

MATLAB/Simulink) -tyyppiset alustat tukevat jo tekoälymallien simulaatiota ADC:n käyttäytymiskuvauksilla. Digitaalisesta kaksosesta tulee hiekkalaatikko näiden tekoälylohkojen kouluttamiseksi, jotta ne lähentyisivät toisiaan voimakkaasti ennen käyttöönottoa.

Haasteet ja parhaat käytännöt

Mallin luotettavuus vs. simulointinopeus

Digitaalinen kaksonen, joka on liian yksityiskohtainen, voi kulkea reaaliajaa hitaammin, mikä kumoaa sen tarkoituksen. Insinöörin on valittava oikea abstraktiotaso: kriittinen lohkojen (vertaus, vertailupuskuri) ja digitaalilogiikan tai suurten järjestelmien käyttäytymismallien täydellinen transistoritaso. Adaptiivinen verkko- ja mallitilauksen vähentäminen [ tekniikoilla voidaan ylläpitää tarkkuutta simuloinnin nopeuttamisen yhteydessä.

Tietojen hallinta

Digitaaliset kaksoset tuottavat valtavia määriä dataa.Tärkeitä ovat lämpökartat, jänniteaaltomuodot, koodihistogrammit. Järjestelmäpohjainen tietokanta ja visualisointikerros.Avoimien standardien kuten Mallica[] järjestelmän mallintamisessa voi parantaa työkalujen yhteentoimivuutta.

Validointi laitteistolla

Vaikka kaksoset olisivat kuinka hienostuneita, ne on validoitava fyysisiä mittauksia vastaan. Yleinen käytäntö on rakentaa []-laitteisto-silmukalla[]-kokoonpano: digitaalinen kaksoisjuoksu toimii FPGA:lla tai prosessorilla, ajo prototyyppi ADC testilaitteiden kautta ja mitattuja tuloksia verrataan simuloituihin. Erot kertovat mallipäivityksistä.

Turvallisuus ja IP-suojaus

Digitaaliset kaksoset sisältävät arkaluontoista suunnittelua, henkistä omaisuutta. Yritysten tulisi ottaa käyttöön salaus- ja kulunvalvonta ja harkita pilvipohjaisia kaksosia vain turvallisissa ja tarkastettavissa olevissa ympäristöissä.

Digitaalikaksosten tulevaisuus ADC:n kehityksessä

Kun puolijohdesolmut kutistuvat ja ADC-suorituskykyvaatimukset kasvavat, digitaalisista kaksosista tulee välttämättömiä.

  • Cloud-pohjaiset digitaaliset kaksoispalvelut:[] Valamiehistöt ja EDA-toimittajat tarjoavat valmiiksi rakennettuja digitaalisia kaksosia standardi-ADC-arkkitehtuurille, mikä vähentää pienten suunnittelutiimien sisäänpääsyn estettä.
  • Digitaaliset kaksoset kokonaisille järjestelmille-on-chip (SOC):[] ADC:t ovat yhä enemmän upotettu monimutkaisia soC:itä digitaalisilla prosessorien, muistin ja RF-etupäät. Järjestelmän tason kaksoset mahdollistavat tehon, alueen ja sähkömagneettisen yhteensopivuuden optimoinnin.
  • Elämänaikaiset digitaaliset kaksoset:[ Kaksoset, jotka alkavat suunnittelusta ja jatkuvat valmistuksen, testauksen ja kenttätoiminnan kautta, muuttuvat digitaalisiksi lankana, joka mahdollistaa palautteen tuleville sukupolville. Esimerkiksi tuhansilta alan tietokeskuksilta saadut tiedot voidaan yhdistää prosessimallien ja suunnittelusääntöjen parantamiseksi.

Lopuksi, digitaalinen kaksoismallit eivät ole vain simulointitekniikka.Ne ovat ADC-tekniikan muuntavia menetelmiä. Ottamalla mukaan digitaaliset kaksoset suunnittelutiimit voivat vähentää riskiä, lyhentää markkinoille tuloa ja saavuttaa aiemmin ajallaan saavuttamattomia suorituskykytasoja. Avain on aloittaa pieni, validoitu ja mittakaavassa kohti täysin integroitua digitaalista kaksoisekosysteemiä, joka kattaa koko tuotteen elinkaaren.