【2023集创赛】IEEE杯二等奖作品:高性能亳米波倍频程压控振荡器设计

2023-09-19 11:30:34

本文为2023年第七届全国大学生集成电路创新创业大赛(“集创赛”)IEEE杯二等奖作品分享,参加极术社区的【有奖征集】分享你的2023集创赛作品,秀出作品风采,分享2023集创赛作品扩大影响力,更有丰富电子礼品等你来领!

团队介绍

参赛单位:南京邮电大学
队伍名称:顺芯如意
指导老师:谢祖帅,王子轩
参赛队员:张文旭,汤金圣,秦海鸣
总决赛奖项:IEEE杯二等奖

写在前面

今年集创赛射频赛道IEEE杯为推动高性能毫米波倍频程VCO的发展,抛出了在调频范围、相位噪声、功耗等方面极具挑战的性能指标,因而需要我们在传统的VCO架构基础上进行创新。在决赛现场,我们有幸见识到了其他高校小组的设计。有的是十分大胆的工作模式与核心数方面的创新,有的是局部模块结构优化方面的创新。而我们小队能在众多优秀作品中取得总决赛二等奖的好成绩,我想这应当归功于我们将AI与EDA工具相结合的创新点。

随着ChatGPT的爆火,AI对于人们生产生活的影响愈加重要。可以通过机器学习的方法完成很多依靠“经验”的工作,这大大节省了时间。众所周知,Cadence等EDA工具虽然对于芯片设计起到了巨大作用,但使用起来仍然感觉没有那么“智能”,尤其是在版图绘制、关键参数值确定等方面,往往需要反复仿真验证才能够得到满意的结果。这些过程如果能让AI来自主完成或给出大数据分析后的结论,将大大缩短芯片设计的时间,使得芯片设计者有更多的精力去攻克其他难点。因此我们针对这一痛点,尝试着设计了一个神经网络训练模型,用于辅助Cadence版图迭代与关键参数的预测,实现对变压器设计技术的自动优化设计。

1.设计简介

1.1 原理图与版图设计

    本作品基于TSMC 40 nm CMOS工艺设计了一个四核四模的VCO,集成四个独立的振荡器单元,由两个对称的变压器分别通过主次级将VCO核耦合到一起,再由Cm电容将VCO两两连接到一起。原理图如下  

在这里插入图片描述

底部的模式切换开关可以将VCO切换到不同的工作模式下,配合7 bit开关电容以及变容管,从而实现宽范围的连续调谐。同时,Cm电容上还并联了一个可调电容,从而应对PVT对调频连续性以及调频范围的影响。对应版图如下
在这里插入图片描述

该结构结合了电容和电感,通过模式切换网络将变压器和电容切换到奇模和偶模的工作模式下,组合实现四种不同的振荡模式,即电奇模-磁奇模(模式1);电偶模-磁奇模(模式2);电奇模-磁奇模(模式3);电偶模-磁奇模(模式4)。整体提供了更广的频率范围、更好的性能调制,在频率稳定性、功耗以及抗噪声等方面均有显著优势。

1.2 仿真结果

    前仿与后仿频率覆盖如下,在ff工艺角下,前仿覆盖范围21.7 ~ 43.5 GHz,后仿覆盖范围19.4 ~ 37.77 GHz,各个模式有充足的频段交叠以实现VCO的连续可调谐。  

在这里插入图片描述

    相噪表现如下,前仿实现了全频带优于-100 dBm@1MHz offset的性能指标,后仿相噪稍微有些变化,范围在-104 ∼ -100.2 dBm,但仍满足赛题要求。同时我们在仿真过程中计算了FoM值,前仿范围185.2 ∼ 193.3 dBc/Hz,后仿范围180.5 ∼ 185 dBc/Hz,均达到赛题指标。后仿Buffer输出功率如图,驱动50 Ω负载输出功率范围- 6.39 ∼ - 2.98 dBm,均不低于-10 dBm。  

在这里插入图片描述
整体情况如下表,除了后仿调频范围略差一点以外,我们的作品基本满足了杯赛所提出的所有指标,表明我们设计的VCO在频率稳定性、相位噪声、功耗、敏感度以及线性度等方面具有优势。
在这里插入图片描述

2.作品创新点

2.1 基于机器学习的变压器自动优化设计

    在变压器的设计中,我们利用机器学习技术实现对变压器设计技术的自动优化设计,如下图,我们设计了一个神经网络训练模型,对Q值与电感进行预测,结果表明一定时间的训练具有较高的精度。该方法有效减少了传统设计方法对设计者经验的依赖,极大的缩短了迭代周期,这是AI+EDA的一次大胆尝试,取得了不错的成果。  

在这里插入图片描述

3.参赛感想

    首先十分感谢集成电路创新大赛为我们搭建了这样一个舞台,在竞赛中,我们详细研究和学习了VCO的基本概念、设计原则和相关技术,整理并总结了JSSC、TCASI、TMTT等顶会顶刊中优秀的电路架构以及设计技巧,培养文献调研能力的同时也对VCO的工作原理、振荡电路的拓扑、调谐元件的选择等方面有了更深刻的理解。  
    其次,在竞赛中我们体验到了真实的电路设计过程。从发现问题到方案设计、模拟仿真、布局布线和性能优化,我们需要进行一系列的决策。这有效锻炼了我们的问题解决能力以及思维创新能力,能够真正体会到什么是trade off,能够更好的理解“八边形法则”,就像真正的模拟工程师那样在有限的资源和约束条件下不断权衡与优化,获得最大的效益。  
    另外,在赛场上我们接触到了其他高校优秀的同学,从他们身上学习到了很多,也在他们面前展示了我们的设计成果和技术实力,这对于职业发展和自信心提升都有着积极的影响。  
    这个经历将继续激励我们在集成电路设计领域不断探索和创新,为科技进步和社会发展做出更大的贡献!  

海报

在这里插入图片描述

参加极术社区的【有奖征集】分享你的2023集创赛作品,秀出作品风采,分享2023集创赛作品扩大影响力,更有丰富电子礼品等你来领!
更多集创赛分享作品请关注IC技术竞赛作品分享

更多推荐

【Android取证篇】华为设备跳出“允许USB调试“界面方法的不同方法

【Android取证篇】华为设备跳出"允许USB调试"界面方法的不同方法华为设备在鸿蒙OS3系统之后,部分设备启用"允许USB调试"方式会有所变化,再次做个记录—【蘇小沐】1.实验环境系统版本Windows11专业工作站版22H2(22621.2134);HarmonyOS3;(一)【Android取证篇】华为设备无法

dockerfile文件详解(常用命令)

在编写Dockerfile时,考虑以下最佳实践:最小化镜像大小:尽量使用轻量级的基础镜像,并在构建过程中尽量减少不必要的层。合理使用缓存:Docker会尝试重用缓存的层,如果一个步骤发生变化,后续步骤将失去缓存。因此,将频繁变化的步骤放在最后,以便充分利用缓存。清理不必要的文件:在构建镜像时,删除不必要的文件和缓存以减

【从0学习Solidity】13. 继承

【从0学习Solidity】13.继承博主简介:不写代码没饭吃,一名全栈领域的创作者,专注于研究互联网产品的解决方案和技术。熟悉云原生、微服务架构,分享一些项目实战经验以及前沿技术的见解。关注我们的主页,探索全栈开发,期待与您一起在移动开发的世界中,不断进步和创造!本文收录于不写代码没饭吃的学习汇报系列,大家有兴趣的可

Java实现图书管理系统

一、分析有主要对象二、整理思路三、框架的搭建四、操作内部的具体实现一、分析主要对象我们做的图书管理系统的目的,是可以根据不同的用户,所能执行的操作不一样,主要有增删查改图书等操作,选择这些不同的操作会给我们反馈不一样的结果,而我们的主要对象就有书、书架、用户、操作这四个对象。二、整理思路书里面可以放书名、作者、价格等变

VS2019的SDL2项目配置

库下载SimpleDirectMediaLayer-Homepage对于Windows下使用VS2019开发的选手,应该直接选VC后缀了。VS目录配置首先VS2019创建一个空项目,新加入一个源文件,代码如下:/*ThissourcecodecopyrightedbyLazyFoo'Productions2004-20

【C++】topk问题

解决topK问题是寻找给定数据集中前K个最大或最小的元素。常见有三种算法:堆排序维护一个大小为K的最小(或最大)堆。遍历数据集,将元素插入堆中,如果堆大小超过K,则删除堆顶元素。遍历结束后,堆中剩余的K个元素就是前K个最小(或最大)的元素。时间复杂度:O(NlogK),其中N为数据集大小。示例代码如下:#include

Docker 恶意挖矿镜像应急实例

01、概述当网络流量监控发现某台运行多个docker容器的主机主动连接到一个疑似挖矿矿池的地址时,需要快速响应和排查,以阻止进一步的损害。面对docker容器的场景下,如何快速分析和识别恶意挖矿容器?本文将分享一种应急响应思路,用于排查运行多个Docker容器的主机中可能存在的恶意挖矿容器。02、定位容器在宿主机上通过

C 风格文件输入/输出---错误处理---(std::clearerr,std::feof,std::ferror,std::perror)

C++标准库的CI/O子集实现C风格流输入/输出操作。<cstdio>头文件提供通用文件支持并提供有窄和多字节字符输入/输出能力的函数,而<cwchar>头文件提供有宽字符输入/输出能力的函数。错误处理清除错误std::clearerrvoidclearerr(std::FILE*stream);重置给定文件流的错误标

APP产品经理的主要内容(合集)

APP产品经理的主要内容1职责:1.成产品的功能、流程、界面设计,协调设计资源落实产品交互、原型设计;2.负责产品上线后客户反馈跟踪,并根据产品规划策略和客户反馈优先级落实产品改进设计计划,不断提升竞争力。3.关注竞争对手和用户的产品反馈,分析并提供应对方案,改进相关产品;4.保证产品的可用性和易用性,为产品体验和效果

Time-distributed 的理解

“Time-distributed”是一种用于深度学习处理序列数据的技术,它将神经网络中的层或网络独立地应用于序列的每个时间步长。在典型的前馈神经网络中,输入数据会被馈送到网络中,并且相同的权重会被应用于所有的输入特征。但是,当处理序列数据,如时间序列或自然语言时,我们需要在每个时间步长上应用相同的权重来捕捉时间信息。

网页采集器-免费的网页采集器

在互联网上,蕴藏着无穷无尽的信息宝藏,无论您是一名学生、研究人员、市场分析师还是企业家,都需要从网络上搜集各种信息来支持您的工作和决策。然而,互联网上的信息千差万别,分散在不同的网站和页面上,如何高效地采集和整理这些信息?免费全自动采集发布批量管理网站工具-147SEO​www.147seo.com/post/1196

热文推荐