ADC Designのデジタルツインモデル:パフォーマンス最適化のための新しいパラダイム

高性能アナログ・デジタル・コンバーター(ADCs)の設計は、従来の反復的な物理的プロトタイピング、広範囲の実験室の特性化および帝国調整に頼っています。このアプローチは、効果的ですが、時間がかかります。そして、完全な設計スペースを探検する能力に限られます。デジタル・ツイン・モデルは、基本的なこの景色を変えています。実際の時間に物理的な行動を映すADCの仮想レプリカを作成することによって、エンジニアは、基本的なワークフローをシミュレーションし、最終的なワークフローを最適化し、最終的な設計を最適化することができます。

ADCシステム用のデジタルツインモデルとは?

デジタルツインは静的シミュレーションよりも多くあります。それは、意図した物理システムの高い忠実度モデルを持つ、その物理的なカウンターパートからデータを継続的に更新する生き生きた表現です。 ADCs の場合、デジタルツインは、次のように統合します。

  • 電気的特性:]]非線形性、量子化ノイズ、サンプリングジッタ、帯域幅制限、およびダイナミックレンジ。
  • [熱動作:]]]自己加熱効果、温度依存ドリフト、コンバータ配列を渡る電力損失。
  • 機械的および環境的要因:[パッケージの麻薬、基質カップリング、電圧供給のさざ波および電磁妨害。
  • プロセスのバリエーション:[] 半導体製造公差と不一致のためのモンテカルロモデル。

これらのドメインを統一シミュレーションに組み合わせることで、デジタルツインは、ADCが現実的な動作条件下で動作する方法を探るプラットフォームとなります。テストベンチでは、十分に複製することは困難または不可能です。

なぜデジタルがADCの性能シミュレーションのためのマットを対決するのか

ADCsは、通信、医療イメージング、レーダー、および産業用IoTにおける重要なコンポーネントです。 彼らのパフォーマンスは、信号対ノイズ比(SNR)、超高価なダイナミックレンジ(SFDR)、および電力効率などのシステムレベルのメトリックに直接影響します。 従来のシミュレーションツール(SPICEレベルのモデル)は、システムのレベルの探査のために精度が低下する一方で、行動モデルは速度の忠実度を犠牲にしています。 デジタルツインズはこのギャップを埋めます。

]キーのメリットは、

  • []ファスター設計コンバージェンス:[エンジニアは、数週間に数千のパラメータスワップを実行し、最適なトランジスタサイズ、コンデンサー値、およびクロックタイミングを特定することができます。
  • コストとエンジニアリング時間の何千万回も削減できるシングルデジタルツイン。
  • 改善された信頼性:[] デジタルツインズは、ハードウェアを危険にさらすことなく、温度、電圧、周波数の極端なコーナーにわたってストレステスト設計をすることができます。
  • クロスドメインの最適化:[]アナログとデジタルブロック間のトレードオフ(例、校正アルゴリズム、デジタルポスト処理)を一緒に評価することができます。

例えば、パイプラインADCでは、デジタルツインは、インテグレート非線形性(INL)に対するコンデンサの不一致の影響をシミュレートし、テープアウトの前に、自動的に補正する背景のキャリブレーションループをチューニングすることができます。

ADCの最適化のためのデジタルツインの構築

データ取得とモデル校正

最初のステップは、物理ADCトポロジーに関する正確なデータを収集することです。これは、トランジスタレベルのネットリスト、抽出されたパラシティックモデル、熱抵抗値、および以前の設計またはファウンドリテストチップから測定されたデータを含みます。新しい設計では、ツインは]の基幹構造PDK(プロセス設計キット)モデルを使用して、地面から構築され、小さなテスト構造に対して検証されます。

多重物理シミュレーションの統合

現代のデジタルツインプラットフォームは、電磁波、熱、回路シミュレータを組み合わせています。 []Ansys Electronics]または]キーサイトPathWave]のようなツールは、ADCアナログコアの共同シミュレーションをデジタルロジックとパッケージモデルで実現します。 ツインは、モジュラーシステムとして構成されています。

  • Analog フロントエンドブロック[ - サンプルアンドホールド、コンパレータ、参照梯子。
  • [デジタルバックエンド] - ロジック、補正アルゴリズム、決定フィルタのエンコーディング。
  • 電源ネットワーク – 電源インピーダンス、デカップリング、IRドロップ。
  • 熱ネットワーク - ジャンクション・ツー・アンビエント抵抗、熱拡散器。

リアルタイムデータリンク(既存のADC用)

フィールド監視やライフサイクル管理にデジタルツインが用いられる場合は、オンボードセンサー(温度、供給電流、出力コード)を介して、物理ADCからライブデータをストリームします。このフィードバックループは、モデルの精度を継続的に向上し、例えば、ADCが老化による仕様の漂流を検知するなど、予測的なメンテナンスを可能にします。

ケーススタディ:デジタルツインで12ビット1 GS/s SAR ADCを最適化

5G基地局のトランシーバー用に設計された、成功的な近似レジスタ(SAR) ADCを考慮してください。 ターゲットは、50 mWの下で電力を維持しながら、SNRを最大化することです。 デジタルツインを使用して、設計チームは、次の最適化を実行します。

  1. [Capacitor DACサイジング:] ツインは、不一致効果のモンテカルロ分析を実行します。 7ビットのセグメントアーキテクチャは、バイナリ級配列と比較して0.2 LSBでDNLエラーを削減し、15%の電力を節約することを明らかにします。
  2. []コンパレータオフセットキャリブ:]]] 熱サブモデルが、セルフヒートが温度を通る2 mVオフセットドリフトを引き起こします。 ツインは、自動的に100 ns以内に補正するデジタルオフセットキャンセルループをチューニングします。
  3. []ロックジッタ感度:[]10ps RMSジッタをシミュレートすると、SNRで1.2dB劣化が生じる。 ツインは、PLLリデザインを5psに締め、失われた性能を回復させることをお勧めします。
  4. []電源拒否:]100MHzで50 mVの電源のrippleは、3 dBでSFDRを劣化させます。 デジタルツインは、ローカルLDO規制オンチップを追加することを識別し、この問題は2 mW電力のペナルティだけを除去します。

どのシリコンが製造される前に、これらの最適化はツインで検証されます。 最終チップは、48 mWで68 dB SNRと78 dBc SFDRを達成し、ツインの予測値が0.3 dB以内に一致します。

デジタルツインズでAIと機械学習を統合

次のフロンティアは、AIを直接デジタルツインに埋め込むことで、自己最適化のADCを有効にします。 []]機械学習モデル]]は、ツインからシミュレーションデータを訓練して、設計パラメータの関数として性能メトリックを予測することができます。 たとえば:

  • 神経ネットワークは、コンデンサーの不一致パターンをINLにマッピングし、ミリ秒ではなくマイクロ秒での校正を実現し、デジタル補正用のルックアップテーブルを生成できます。
  • 補強学習エージェントは、動作条件を変更するために適応する、動的SNRターゲットの下で電力を最小限に抑えるために、ツインで時計の段階調整を探索することができます。

[MATLAB/Simulink]のようなプラットフォームは、既にADCの行動説明とAIモデルの共同シミュレーションをサポートしています。 デジタルツインは、これらのAIブロックを訓練するためのサンドボックスになり、デプロイ前に堅実に説得します。

チャレンジとベストプラクティス

モデル Fidelity 対 シミュレーション速度

細部までも細かくなるデジタルツインは、その目的を打ち破るよりも遅く実行されるかもしれません。 エンジニアは、適切な抽象的なレベルを選択しなければなりません。 重要なブロック(コンパレータ、参照バッファ)、およびデジタルロジックまたは大きな配列の行動モデルのための完全なトランジスタレベル。 []]適応メッシュとモデルオーダーの縮小]]技術は、シミュレーションを加速しながら精度を維持するのに役立ちます。

データ管理

デジタルツインズは、温度マップ、電圧波形、コードヒストグラムなどの膨大な量のデータを生成します。構造化されたデータベースと視覚化レイヤーは不可欠です。システムモデリングのための「」モデル「Modelica」のようなオープンな標準を使用して、ツール間の相互運用性を向上させることができます。

ハードウェアによる検証

ツインの洗練された方法に関係なく、物理的な測定に対して検証する必要があります。 一般的な慣行は、 ハードウェアインザループ (HIL) ] のセットアップを構築することです。 デジタルツインはFPGAまたはプロセッサ上で実行され、テスト機器を介してプロトタイプADCを運転し、測定された出力はシミュレートされたものと比較しています。 ディスコはモデルの更新を通知します。

セキュリティとIP保護

デジタルツインズには、機密設計の知的財産が含まれています。企業は、暗号化とアクセス制御を展開し、クラウドベースのツインズを使用して、安全で監査可能な環境でのみ検討する必要があります。

ADC開発におけるデジタルツインズの未来

半導体ノードが縮小し、ADC の性能要求のエスカレートとして、デジタル ツインは不可欠となります。いくつかの傾向は、採用を加速しています。

  • []クラウドベースのデジタルツインサービス:[ファウンデーションとEDAベンダーは、標準のACDアーキテクチャ用の事前ビルドされたデジタルツインを提供し、小さな設計チームへの参入障壁を軽減します。
  • [システムオンチップ(SoC):[])の全体のためのデジタルツインは、デジタルプロセッサ、メモリ、およびRFフロントエンドを備えた複雑なSoCにますます組み込まれています。 システムレベルのツインは、電力、領域、および電磁互換性の共同最適化を可能にします。
  • []生涯デジタルツイン:[]]の設計を開始し、製造、テスト、フィールド操作を継続して、将来の世代のフィードバックを有効にします。 たとえば、フィールド内の何千ものADCsのデータがプロセスモデルと設計ルールを改善するために集計することができます。

結論として、デジタルツインモデルは単なるシミュレーション技術ではありません。ADCエンジニアリングの変革的な方法論です。デジタルツインを組み込むことで、設計チームはリスクを削減し、市場投入までの時間を短縮し、性能レベルが達成できないと判断した達成感を達成することができます。キーは、小さく、厳格に検証し、製品ライフサイクル全体に及ぶ完全統合型デジタルツインエコシステムに向け、スケールをスケールアップすることです。