CN107330221B - 基于pdn与通道协同模型的最坏眼图实现方法 - Google Patents
基于pdn与通道协同模型的最坏眼图实现方法 Download PDFInfo
- Publication number
- CN107330221B CN107330221B CN201710598836.XA CN201710598836A CN107330221B CN 107330221 B CN107330221 B CN 107330221B CN 201710598836 A CN201710598836 A CN 201710598836A CN 107330221 B CN107330221 B CN 107330221B
- Authority
- CN
- China
- Prior art keywords
- data
- worst
- channel
- power supply
- supply noise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
- Dc Digital Transmission (AREA)
Abstract
本发明公开了一种基于PDN与通道协同模型的最坏眼图实现方法,主要解决现有技术中没有考虑电源噪声,对实际链路性能无法准确评估的问题。其实现方案为:1.仿真得到耦合进通道中的最坏电源噪声;2.对最坏电源噪声划分区间,得到最坏电源噪声正负轮廓;3.在驱动器前输入上升边和下降边,得到边沿响应;4.以单位间隔来划分边沿响应,合并受害线边沿响应,确定通道噪声的起始点;5.用格子法处理通道噪声得到通道眼图;6.将最坏电源噪声的正负轮廓叠加到通道眼图上,得到有源链路整体最坏眼图。本发明能得到有源链路整体最坏眼图,可应用于高速电路中信号完整性的设计分析及对高速链路性能的准确评估。
Description
技术领域
本发明属于电子技术领域,更进一步涉及最坏眼图的实现方法,可应用于高速电路中信号完整性的设计分析及对高速链路性能的评价。
背景技术
随着电子系统向高速、高密度、低电压和大电流的趋势发展,电源完整性问题日益凸显。在实际工业制造中,工程师往往使用眼图来衡量设计是否符合要求,对于高速链路,如果能够知道该链路互连在最坏情况下是否能正常工作,就能提高涉及收敛性,大大地缩短开发周期,因而最坏眼图应运而生,最坏眼图的是由传统眼图演变而来。传统眼图是用余辉方式累积叠加显示采集到的串行信号的比特位的结果,叠加后的图形形状看起来与眼睛很像,故名眼图。最坏眼图是指由各段码元波形叠加而成的“眼睛”闭合程度最小的轮廓曲线,即传统眼图的内轮廓,它是对链路中存在的串扰,码间干扰,反射的整体最坏情况的反应。相关的眼图参数有很多,如眼高、眼宽、眼幅度、眼交叉比、“1”电平,“0”电平,消光比,Q因子,平均功率等。其中最重要的参数为眼高和眼宽,它们分别是对链路中噪声和抖动的直接体现。
然而目前最坏眼图都没有包括电源分配网络的影响,这使得结果过于乐观,对实际高速电路的设计起不到指导作用,因此加入最坏电源噪声的最坏眼图对于评价全链路性能显得尤为重要。
以前实验仿真分析法利用电路/互连仿真器进行瞬态分析,去计算由几千个比特位得到的接收器眼图余量的性能。但是随着链路复杂度的增加和不同链路组件之间的强相关性,用SPICE等底层电路时域仿真器去对整个链路建模是不实际的;同时,如今在仿真中要想通过增加比特位的数量去验证如今链路中很低的误码率需求几乎是不可能的,因此只用仿真的方法很难预测确定性的通道容限性能。总而言之这种方法不仅耗时费力,而且还有可能由于数据量过大而不能求得最坏眼图。为此,Casper等人在文章“An accurate andefficient analysis method for multi-Gb/s chip-to-chip signaling schemes”提出了具有里程碑意义的最大失真分析技术(Peak Distort Analysis)。典型的最大失真分析通常在数据采样相位处进行,因此它只能给出最坏情况电压容限。西安电子科技大学在其申请的专利文献“一种高速并行链路系统快速时域仿真方法”(申请号:201410367337.6授权公告号CN 104143024A)中提出了一种基于双边沿响应法的快速时域仿真方法。该方法的步骤是:(1)选用并行高速链路系统;(2)建立SPICE电路模型;(3)获得边沿响应信号;(4)计算仿真阶数;(5)获得上升边和下降边向量;(6)获得最坏码型序列向量;(7)获得预估的最坏眼图;(8)用步骤(2)建立的SPICE模型仿真最坏眼图;(9)获得预估精度的绝对误差。该方法的优点是将最大失真分析推广到多个相位处使得产生的最坏情况眼图中,不仅有最坏情况的电压容限,也有最坏情况的时序容限。
该方法存在的不足之处是:只考虑了通道噪声部分而忽略了电源分配网络对眼图的影响,使得仿真结果偏离真实客观的链路噪声情况,由此评估链路性能会出现很大误差,无法指导高速电路的设计。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于PDN与通道协同模型的最坏眼图实现方法,以使链路的仿真结果更接近真实客观的噪声分布情况,减小对链路性能评估的误差,进一步优化指导高速电路的设计。
为实现上述目的,本发明的技术方案包括如下:
(1)最坏电源噪声
1a)搭建电路网表,建立包含电源分配网络PDN的全链路模型,并建立若干根相互没有串扰耦合的同时开关噪声SSN数据线,并根据实际电路结构选定合适的一根SSN数据线作为SSN受害线,其余SSN数据线作为SSN进攻线。
1b)根据电路拓扑的时钟频率,得到数据率,进而求出单位间隔UI与时钟周期,单位间隔UI为数据率的倒数,时钟周期为占空比为50%的01序列方波信号时长,将时钟周期扩大2,3,4,…倍,得到所有数据模板的相关周期。
1c)将SSN受害线静态置低,在所有SSN进攻线的驱动器前输入所有的数据模板,并扫描数据模板的周期,然后全链路仿真。
1d)在SSN受害线接收端得到耦合进通道的电源噪声数据,从电源噪声数据中选取峰峰值最大的作为耦合进通道中的最坏电源噪声。
(2)对最坏电源噪声的处理
2a)对1d)中耦合进通道中的最坏电源噪声数据进行等间隔采样,求得采样数据的均值。
2b)将最坏电源噪声所有采样数据减去均值得到去掉直流电平的电源噪声的轮廓并划分区间,按每两个单位间隔UI划分小组,因为眼图数据长度为两个UI。
2c)找到每组中对应采样点数据的最大值和最小值,最大值点组成了电源噪声的正轮廓,最小值点组成了电源噪声的负轮廓。
(3)边沿响应
根据实际的电路,选取合适的一根串扰CCI数据线作为CCI受害线,其余的作为CCI进攻线,分别在CCI受害线驱动器端输入上升边和下降边激励,CCI进攻线接收端得到的边沿响应波形作为串扰CCI数据,CCI受害线接收端得到的上升边和下降边响应波形作为码间干扰数据。
(4)定起点
4a)在上升边响应的第一个采样数据点前添加1个单位间隔的0电平数据,使上升边响应数据平移至原点;在下降边响应的最后一个采样数据点后添加1个单位间隔的0电平数据,使下降边响应数据平移至原点;
4b)将平移后的上升边响应数据与平移后的下降边响应数据点对点相叠加,获得脉冲波形数据。
4c)找到脉冲波形的最大值及其位置,找到距离该位置两侧幅度差值最小的两个点及它们的位置,以这两个点的中点,作为主光标cursor,主光标向左一个UI(一个比特位的时长)处作为通道噪声数据的起始点。
(5)求向量
5a)从起始点对上升边响应数据进行等间隔采样,用所有的采样数据减去上升边响应拖尾处的稳定电平值,得到上升边向量R;
5b)从起始点下降边响应数据进行等间隔采样,用所有的采样数据减去下降边响应拖尾处的稳定电平值,得到下降边向量F;
(6)格子法解向量
用格子法处理(5)中的向量数据R、F,得到最坏的1,最坏的0,最好上升边,最好下降边四段波形数据。
(7)格子法处理串扰数据
用格子法处理进攻线引起的最坏串扰值,获得最坏的1,最坏的0,最好上升边,最好下降边四段波形数据。
(8)通道整体最坏波形
将(7)中最坏的1,最坏的0,最好上升边,最好下降边与(5)中最坏的1,最坏的0,最好上升边,最好下降边对应叠加得到通道整体最坏的1,最坏的0,最好上升边,最好下降边四段波形数据。
(9)通道最坏眼图
将最坏的1与最好下降边拼接起来得到通道眼图上轮廓,将最坏的0与最好上升边拼接起来得到通道眼图下轮廓,进而拼接得到通道最坏眼图。
(10)有源全链路整体最坏眼图
将2c)中电源噪声的正轮廓叠加到(9)中通道最坏眼图的下轮廓,将2c)中电源噪声的负轮廓叠加到(9)中通道最坏眼图的上轮廓,得到加入最坏电源噪声后的有源全链路整体最坏眼图。
本发明与现有技术相比具有如下优点:
1.本发明由于搭建了PDN全链路模型,建立相互没有串扰耦合的SSN数据线,并以扫描数据模板的方式进行仿真,可以快速准确地得到耦合进通道的,没有串扰耦合的最坏电源噪声;
2.本发明由于在通道链路加入了PDN最坏电源噪声,使得链路噪声更符合真实客观的情况;
3.本发明由于在通道最坏眼图上加入了最坏电源噪声的影响得到全链路整体最坏眼图,进而能更好的评估高速链路的整体性能,优化、指导高速链路的设计。
附图说明
图1是本发明的实现流程图;
图2是本发明中获取电源噪声示意图;
图3是本发明中处理电源噪声得到正负轮廓图;
图4是本发明中获取通道噪声示意图;
图5是本发明中受害线上升边和下降边响应图;
图6是本发明中使用格子法求解最坏眼图中最坏的“1”示例图;
图7是本发明中仿真实施例中用到的全链路模型图;
图8是用本发明对实施例进行电源噪声仿真得到的最坏电源噪声和耦合进通道的最坏电源噪声波形图;
图9是用本发明对实施例进行通道噪声仿真得到未加电源噪声的通道最坏眼图;
图10是用本发明对实施例进行PDN与通道联合仿真得到加入了电源噪声的全链路整体最坏眼图。
具体实施方式
下面结合附图对本发明进行详细描述。
参照图1,本发明的实施步骤如下:
步骤1,最坏电源噪声的获取与处理。
1a)搭建包含电源分配网络PDN的有源全链路模型;
为了仿真得到纯净的同时开关噪声SSN,建立若干根相互之间没有串扰耦合的同时开关噪声SSN数据线,并选择位于物理中央的一根同时开关噪声SSN数据线作为同时开关噪声的受害线SSN_Vic,其余SSN数据线作为同时开关噪声的进攻线SSN_Agg,在同时开关噪声的受害线SSN_Vic的接收端得到从电源分配网络PDN中耦合进通道中的电源噪声;
1b)根据电路中电源分配网络PDN的时钟频率,得到数据率,进而求出单位间隔UI和时钟周期,单位间隔UI为数据率的倒数,时钟周期为占空比为50%的01序列方波信号的时长,将时钟周期扩大2,3,4,…倍,由此得到所有数据模板的相关周期;
1c)获取电源噪声:
如图2所示,在同时开关噪声的进攻线SSN_Agg的驱动端前输入数据模板,扫描所有数据模板的周期,进行全链路仿真;在同时开关噪声的受害线SSN_Vic的接收端会得到从电源分配网络PDN耦合进通道中没有串扰耦合的电源噪声,从同时开关噪声的受害线SSN_Vic的接收端选出峰峰值最大的电源噪声作为从电源分配网络PDN耦合进通道的最坏电源噪声Vssn;
1d)对最坏电源噪声Vssn进行处理,即首先对1c)中Vssn数据进行等间隔采样,接着求出所有采样数据的均值,将所有的采样点数据减去均值,得到噪声轮廓数据Vol;
1e)根据眼图的长度为两个单位间隔UI,将噪声轮廓数据Vol按每两个单位间隔UI的长度分组;再设每组中有p个采样点数据,求得每组中对应点的最大值和最小值,并用最大值点拼接成最坏电源噪声正轮廓Vpos,用最小值点拼接成最坏电源噪声负轮廓Vneg,如图3所示。
步骤2,通道噪声的获取与处理。
2a)设置通道部分的仿真:
通道部分主要考虑的是串扰CCI和码间干扰ISI,根据电路结构选择物理中央的一条串扰数据线作为串扰受害线CCI_Vic,其余作为串扰进攻线CCI_Agg,在串扰受害线CCI_Vic驱动端分别加上升边、下降边激励,仿真后读取串扰进攻线CCI_Agg接收端的波形数据,通道噪声获取的示意图如图4所示。在串扰受害线CCI_Vic驱动端前加上升边时,串扰受害线CCI_Vic接收端得到上升边沿响应数据R,在串扰受害线CCI_Vic驱动端前加下降边时,串扰受害线CCI_Vic接收端得到下降边沿响应数据F,如图5所示。其余串扰进攻线CCI_Agg接收端的上升边响应波形数据记为Rn,串扰进攻线CCI_Agg接收端的下降边响应波形数据记为Fn,n代表第n条串扰进攻线;
2b)定起点:
2b1)给上升边沿响应数据R的末尾采样点后添加1个单位间隔的0电平数据得到扩充后的上升边沿响应数据R1,给下降边沿响应数据F开始采样点前添加1个单位间隔的0电平数据得到扩充后的下降边沿响应数据F1,将扩充后的上升边沿响应数据R1与扩充后的下降边沿响应数据F1点对点对应相加,得到一个脉冲数据。
2b2)找到脉冲数据中最大值点,计算最大值左右两边相差单位间隔UI个点的差值,取差值最小的一组的中点向左1个单位间隔UI处作为脉冲数据的起点。将上升边沿响应数据R和下降边沿响应数据F的起点设置为与脉冲数据同一起点。从R的起点向右1个单位间隔UI处的所有采样点数据称为主光标,记为r_cursor(i);从F的起点向右1个单位间隔UI处的所有采样点数据称为主光标,记为f_cursor(i);
2c)求向量:
2c1)将2a)中上升边沿响应数据R减去上升边响应数据R的拖尾稳定值得到上升边向量R’;将2a)中下降边沿响应数据F减去下降边响应数据F的拖尾稳定值得到下降边向量F’;
2c2)给上升边向量R’的末尾加0电平数据,以使其可以划分为整数个单位间隔UI,得到码间干扰上向量VR{i}(m);给下降边向量F’的末尾加0电平数据,以使其可以划分为整数个单位间隔UI,得到码间干扰下向量VF{i}(m),其中m表示第m个单位间隔UI,i表示该单位间隔UI内的第i个点。
2c3)对串扰进攻线CCI_Agg接收端的上升边响应波形数据Rn做2c1)和2c2)的相应处理,得到串扰上向量VRn{i}(m);对串扰进攻线CCI_Agg接收端的下降边响应波形数据Fn做2c1)和2c2)的相应处理,得到串扰下向量VFn{i}(m);
2d)格子法解向量:
2d1)将码间干扰上向量VR{i}(m)、码间干扰下向量VF{i}(m)进行左右翻转,即:
VR{i}(m)=VR{i}(N-m),m=1,2,3,...,N
VF{i}(m)=VF{i}(N-m),m=1,2,3,...,N
其中N表示总的单位间隔UI个数。
2d2)将串扰上向量VRn{i}(m)、对串扰下向量VFn{i}(m)进行左右翻转,即有
VRn{i}(m)=VRn{i}(N-m),m=1,2,3,...,N
VFn{i}(m)=VFn{i}(N-m),m=1,2,3,...,N;
设翻转后的上升边沿响应向量为:VR=[0.1 1 -0.6 1.2],翻转后的下降边沿响应向量为:VF=[0 0.5 -0.7 -0.1];
2d3)计算最坏累积电平:
参照图6,其包括两行向量数据,其中第一行向量是电平为“1”数据,第二行向量是电平为“0”的数据,对这两行的数据处理如下:
首先,将第一行各个框里的数值用A(1,n)表示;将第二行各个框里的数值用A(1,0)来表示,n=0,1,2,3,4;并将A(1,0)和A(0,0)作为这两行的初始累计电平值;
接着,寻找边沿跳变,计算最坏累积电平,具体说明如下:
图6中箭头上的数字代表前一个框对后一个框的影响值。例如:A(1,1)跳变到A(0,2)路径箭头上的数字为0.5,这个值就是下降边沿响应向量VF(2),表示这个跳变路径的累积电平为0.5v,以此类推,找出每个跳变路径对应的累积电平影响值,如图6中相应位置标记所示;箭头上的数字不为0的表示有边沿跳变,跳变路径对于最坏情况累积电平是有影响的,相反的,箭头上数字为0的表示没有边沿跳变,或者发生边沿跳变,但跳变路径对于最坏情况累积电平没有影响;
2d4)求解眼图波形数据:
最坏眼图可以分为最坏的“1”、最坏的“0”、最好上升边和最好下降边这四段波形,下面以求解最坏的“1”为例,详细说明产生最坏情况“1”的累积电平值的整个过程:
首先,令A(1,0)等于0,令A(0,0)等于0,A(1,1)的累积电平有两个路径来源:第一种路径是从A(1,0)到A(1,1),这个过程没有边沿跳变,因此A(1,1)的累积电平为0,另外一种路径是从A(0,0)跳变到A(1,1),这里有一个上升边沿跳变,跳变路径影响值为0.1,由于对于电平“1”来说,越小的影响值会拉低电平“1”,对电平“1”造成坏的效果,因此要选这两个路径中累积电平较小数值的路径作为最坏路径,即从A(1,0)到A(1,1)的路径,依照这种方法求出每一个框中的最坏累积电平值;
然后,求解拖尾节点对最坏情况“1”的影响值,由于拖尾节点处不可能再出现上升边沿,因此最后累积电平值只能反映在A(1,4)上,即A(0,4)的数值是无效的,在图6中对应框中标记为“∞”。图6中虚线代表寻找最坏的“1”的路径轨迹;
最后,从最坏的“1”的路径轨迹中得到A(1,4)等于-0.6,即就是最坏累积电平为-0.6v,则可得公式Vworst1=Vhigh-0.6,其中Vworst1表示最坏的“1”,Vhigh表示理想的“1”,相当于最坏的“1”是由理想的“1”被拉低了0.6v得到的;对于最坏的“0”,每个采样位节点中都存放的是对当前位影响的最坏累积电平值,将采样位节点存放的最坏累积电平叠加到电平“0”的稳态值上,即可获得最坏的“0”的值。将采样位节点存放的最坏累积电平叠加到上升边向量的主光标上,即可获得最好上升边的值。将采样位节点存放的最坏累积电平叠加到下降边向量的主光标上,即可获得最好下降边的值。
同理,可用格子法处理码间干扰上向量VR{i}(m)、码间干扰下向量VF{i}(m),得到最坏的“0”、最好上升边、最好下降边等波形数据;对于最坏的“0”,每个采样位节点中都存放的是对当前位影响的最坏累积电平值,将采样位节点存放的最坏累积电平叠加到电平“0”的稳态值上,即可获得最坏的“0”的值。将采样位节点存放的最坏累积电平叠加到上升边向量的主光标上,即可获得最好上升边的值。将采样位节点存放的最坏累积电平叠加到下降边向量的主光标上,即可获得最好下降边的值。
2d5)用与2d4)类似的过程处理串扰上向量VRn{i}(m)、串扰下向量VFn{i}(m),得到最坏的“1”、最坏的“0”、最好上升边、最好下降边这四段波形数据;
2e)通道最坏眼图的实现:
2e1)将2d4)中用格子法处理码间干扰上向量VR{i}(m)、码间干扰下向量VF{i}(m)得到的最坏的“1”,最坏的“0”,最好上升边,最好下降边与2d5)中用格子法处理串扰上向量VRn{i}(m)、串扰下向量VFn{i}(m)得到的最坏的“1”,最坏的“0”,最好上升边,最好下降边这四段波形对应叠加,得到通道整体最坏的“1”,最坏的“0”,最好上升边,最好下降边这四段波形数据;
2e2)将通道最坏的“1”和通道最好下降边拼接成眼图的上轮廓Vup,将通道最坏的“0”和通道最好上升边拼接成眼图的下轮廓Vdown,进而得到通道最坏眼图。
步骤3,全链路整体最坏眼图的实现。
将上述步骤1e)中最坏电源噪声正轮廓Vpos与步骤2e2)中通道眼图的下轮廓Vdown对应相加,抬高眼图的下轮廓;将上述1e)中最坏电源噪声负轮廓Vneg与2e2)中通道眼图的上轮廓Vup对应相加,拉低眼图的上轮廓;最终拼接眼图的上轮廓与下轮廓得到包含PDN有源链路整体最坏眼图。
本发明的效果可通过以下仿真实施进一步说明:
本实例以DDR4全链路模型作为说明,首先根据实际电路编写网表文件,为了保证数据的准确性,网表中采用子电路来描述整个链路中的元件模型,包括电源分配网络PDN、驱动器TX、驱动器封装TX_PKG、印刷电路板PCB、接收器封装RX_PKG以及接收器RX等结构,具体拓扑连接关系如图7所示。
本实例中共有32根串扰CCI数据线,这些线共同接在一个1.14V的直流电源上,另外单独建立32根同时开关噪声SSN数据线共用一个电源分配网络PDN,为了简化仿真,网表中描述16根SSN数据线而通过电流镜把PDN输出电流加倍的方式来模拟32根SSN数据线。PDN前端稳压器VRM由1.14V直流电压源代替。
仿真时钟频率设置为1066MHz,仿真时间从4.69ns到200ns每隔5ps采样一个数据,上升边和下降边的时长都设置为20ps,单位间隔UI为0.469ns。
求得所有可能激励出最坏电源噪声的相关数据模板,具体求解过程如下所述:
首先,确定PDN的工作时钟频率,DDR4封装PDN的时钟频率为1066Mhz,数据采样速率为2133Mbps。单位间隔UI=0.469ns,T=0.938ns;再将T扩大2,3,4,…10,得到其余相关数据模板的周期,单位间隔UI代表一个比特位的时长;最后选择占空比为50%的01序列作为数据模板。具体的数据模板如表1所示:
表1 不同周期的数据模板
其中,···代表重复的01序列。
1.仿真条件
将上述数据模板作为所有进攻线SSN_Agg的输入,将受害线SSN_Vic静态置低,因为封装PDN要使用百MHz以上的数据,所以扫描数据模板的周期从0.938ns到9.38ns。
2.仿真内容
仿真1,使用商用软件HSPICE2013工具,按照上述步骤1a)和步骤2a)仿真该网表文件,得到所需的最坏电源噪声波形,如图8所示。
从图8可见,最坏电源噪声的峰峰值为62.38mv,耦合进通道中的最坏电源噪声为35.5mv,而供电端VRM为1.14v,最坏电源噪声几乎接近VRM电源电压的6%,由此说明PDN电源噪声不可忽略。
仿真2,利用MATLAB2012b对所得仿真结果进行处理,得到包含PDN全链路整体最坏眼图如图10所示。
仿真通道噪声得到通道最坏眼图如图9所示。
将图10的数据与图9所示的眼高、眼宽数据进行对比,结果如得表2。
表2 通道最坏眼图和加入最坏电源噪声的全链路最坏眼图的对比
通道最坏眼图 | PDN有源全链路最坏眼图 | |
最大眼高(mv) | 438.82 | 404.02 |
中心眼高(mv) | 410.83 | 376.04 |
眼宽(ps) | 312.67 | 307.62 |
从表2中可以看出,本发明加入最坏电源噪声后,最坏眼图眼高降低了35mv,眼宽降低了5ps,可见电源噪声对眼图的影响是非常大的,因此必须考虑PDN电源噪声,这样才能反映出链路的真实性能,进而对高速电路的实际设计起指导作用。
Claims (4)
1.一种基于PDN与通道协同模型的最坏眼图实现方法,其特征在于,包括如下步骤:
(1)根据实际电路搭建包含电源分配网络PDN的全链路模型,并进行全链路噪声波形仿真,以获取耦合进通道的最坏电源噪声;
(2)对耦合进通道的最坏电源噪声数据进行小组划分,找到每组中对应点的最大值及最小值,进而得到电源噪声的正轮廓与负轮廓;
(3)根据电路结构选择一根数据线作为受害线,其余作为进攻线,分别在受害线的驱动端加上升边和下降边,读取其余进攻线接收端边沿响应波形作为串扰CCI数据,将受害线接收端边沿响应波形作为码间干扰ISI数据;
(4)对受害线接收端的上升边响应与下降边响应依次进行平移和叠加,得到脉冲响应数据,找到脉冲响应数据中最大值及其位置,以最大值的位置为中心,寻找距离中心位置间距为单位间隔的两个点,在这些点中找到这两点幅度差值最小的位置,这两个位置的中心就是中心光标所在的位置,将该位置往前推一个单位间隔的长度,即得到主光标的起始点;
(5)获得上升边向量R和下降边向量F;
从起始点对上升边响应数据进行等间隔采样,用所有的采样数据减去上升边响应拖尾处的稳定电平值,得到上升边向量R;
从起始点下降边响应数据进行等间隔采样,用所有的采样数据减去下降边响应拖尾处的稳定电平值,得到下降边向量F;
(6)用格子法处理上升边向量R和下降边向量F,得到拖尾对主光标的最坏情况累积电平,进而得到受害线上的四段波形数据,即第一段为最坏的1、第二段为最坏的0、第三段为最好上升边、第四段为最好下降边;
(7)用格子法求解进攻线引起的最坏串扰,计算拖尾对主光标的最坏情况累积电平,得到进攻线上最坏的1,最坏的0,最好上升边,最好下降边这四段不同的波形数据;
(8)将受害线和进攻线中对应波形数据点对点叠加,得到整体通道的最坏的1,最坏的0,最好上升边,最好下降边这四段不同波形数据;
(9)将通道中最坏的1波形数据与通道中最好下降边波形数据拼接起来得到通道眼图的上轮廓波形数据;将通道中最坏的0波形数据与通道中最好上升边波形数据拼接起来得到通道眼图的下轮廓波形数据,从而得到通道最坏眼图;
(10)将步骤(2)中最坏电源噪声正轮廓与步骤(9)中通道最坏眼图下轮廓点对点叠加,将步骤(2)中最坏电源噪声负轮廓与步骤(9)中通道最坏眼图上轮廓点对点叠加,得到全链路整体最坏眼图。
2.根据权利要求1所述的方法,其特征在于,步骤(1)中根据实际电路搭建包含电源分配网络PDN的全链路模型,并进行全链路电源噪声波形仿真,以获取耦合进通道的最坏电源噪声,按如下步骤进行:
1a)搭建电路网表,建立若干根相互没有串扰噪声耦合的同时开关噪声SSN数据线,并根据实际电路结构选定合适的一根SSN数据线作为SSN受害线,其余SSN数据线作为SSN进攻线;
1b)根据电路拓扑的时钟频率,求出时钟周期,时钟周期为占空比为50%方波信号的时长,将时钟周期扩大2,3,4,…倍,得到所有数据模板的相关周期;
1c)将SSN受害线静态置低,在所有SSN进攻线的驱动器前输入所有的数据模板,并进行扫描周期处理,然后全链路仿真;
1d)在SSN受害线接收端得到耦合进通道的电源噪声,获取其中峰峰值最大的作为耦合进通道中的最坏电源噪声。
3.根据权利要求1所述的方法,其特征在于,步骤(2)中对耦合进通道的最坏电源噪声数据进行小组划分,找到每组中对应点的最大值及最小值,进而得到电源噪声的正轮廓与负轮廓,按如下步骤进行:
2a)获取到耦合进通道的最坏电源噪声数据,然后等间隔采样,求得所有采样数据的均值;
2b)用所有采样数据减去采样数据的均值,得到去掉直流电平后的电源噪声数据,将此数据按每两个单位间隔划分小组;
2c)找到每组中对应采样点数据的最大值和最小值,并用最大值点组成电源噪声的正轮廓,用最小值点组成电源噪声的负轮廓。
4.根据权利要求1所述的方法,其特征在于,步骤(4)对受害线接收端的上升边响应与下降边响应依次进行平移和叠加,得到脉冲响应数据,按如下步骤进行:
4a)在第一个上升边响应采样数据点前添加1个单位间隔的0电平数据,使上升边响应数据平移至原点;在最后一个下降边响应采样数据点后添加1个单位间隔的0电平数据,使下降边响应数据平移至原点;
4b)将平移后的上升边响应数据与平移后的下降边响应数据点对点相叠加,获得脉冲响应波形数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710598836.XA CN107330221B (zh) | 2017-07-21 | 2017-07-21 | 基于pdn与通道协同模型的最坏眼图实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710598836.XA CN107330221B (zh) | 2017-07-21 | 2017-07-21 | 基于pdn与通道协同模型的最坏眼图实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107330221A CN107330221A (zh) | 2017-11-07 |
CN107330221B true CN107330221B (zh) | 2020-06-16 |
Family
ID=60200512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710598836.XA Active CN107330221B (zh) | 2017-07-21 | 2017-07-21 | 基于pdn与通道协同模型的最坏眼图实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330221B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125939B (zh) * | 2019-11-15 | 2021-08-20 | 西安电子科技大学 | 用于lpddr4 io接口输出端的信号抖动估计方法 |
CN111079293B (zh) * | 2019-12-19 | 2022-05-24 | 北京华大九天科技股份有限公司 | 一种包含动态电源噪声的jitter仿真分析方法 |
CN112329372A (zh) * | 2020-11-17 | 2021-02-05 | 南京蓝洋智能科技有限公司 | 一种用于信号完整性分析的码型的产生方法 |
CN115166572A (zh) * | 2022-07-08 | 2022-10-11 | 宁波德图科技有限公司 | 高速链路最坏电源噪声求解方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143024A (zh) * | 2014-07-29 | 2014-11-12 | 西安电子科技大学 | 一种并行高速链路系统的快速时域仿真方法 |
CN105574279A (zh) * | 2015-12-23 | 2016-05-11 | 西安电子科技大学 | 基于二阶多边沿响应法的快速时域分析方法 |
US9442136B2 (en) * | 2013-09-01 | 2016-09-13 | Keysight Technologies, Inc. | Real-time oscilloscope for generating a fast real-time eye diagram |
CN106886637A (zh) * | 2017-01-23 | 2017-06-23 | 西安电子科技大学 | 基于pdn与通道协同分析法的时域分析方法 |
-
2017
- 2017-07-21 CN CN201710598836.XA patent/CN107330221B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9442136B2 (en) * | 2013-09-01 | 2016-09-13 | Keysight Technologies, Inc. | Real-time oscilloscope for generating a fast real-time eye diagram |
CN104143024A (zh) * | 2014-07-29 | 2014-11-12 | 西安电子科技大学 | 一种并行高速链路系统的快速时域仿真方法 |
CN105574279A (zh) * | 2015-12-23 | 2016-05-11 | 西安电子科技大学 | 基于二阶多边沿响应法的快速时域分析方法 |
CN106886637A (zh) * | 2017-01-23 | 2017-06-23 | 西安电子科技大学 | 基于pdn与通道协同分析法的时域分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107330221A (zh) | 2017-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330221B (zh) | 基于pdn与通道协同模型的最坏眼图实现方法 | |
US5481695A (en) | System and method for estimating crosstalk between signal lines in a circuit | |
US10776547B1 (en) | Infinite-depth path-based analysis of operational timing for circuit design | |
US20120016650A1 (en) | Simulating the Transmission and Simultaneous Switching Output Noise of Signals in a Computer System | |
US20070143719A1 (en) | Synthesizing current source driver model for analysis of cell characteristics | |
US10969764B2 (en) | Support device, design support method and computer-readable non-transitory medium | |
CN104143024A (zh) | 一种并行高速链路系统的快速时域仿真方法 | |
US20150162952A1 (en) | Crosstalk analysis methods using superposition | |
US8762122B1 (en) | Methods for synchronized transient-envelope and event-driven simulation of electronic circuits | |
CN106886637B (zh) | 基于pdn与通道协同分析法的时域分析方法 | |
CN101087148A (zh) | 高速差分信号模拟分析系统及方法 | |
Shi et al. | Efficient and accurate eye diagram prediction for high speed signaling | |
Oh et al. | Accurate system voltage and timing margin simulation in high-speed I/O system designs | |
JP2013038576A (ja) | 回路シミュレータプログラム,装置およびアイパターン生成方法 | |
CN112072621A (zh) | 基于5g通信和动态模式匹配的配电网线路差动保护方法 | |
CN100378737C (zh) | 电路设计辅助方法 | |
Lho et al. | Eye-width and eye-height estimation method based on artificial neural network (ANN) for USB 3.0 | |
KR20020079320A (ko) | Emi 시뮬레이션용 반도체 집적 회로 전원 모델의 작성방법, 장치 및 프로그램 | |
CN110688815A (zh) | 一种基于访存码型的存储接口电路混合建模仿真方法 | |
CN103402062B (zh) | Ccd驱动时序生成方法及其驱动时序生成装置 | |
CN105574279A (zh) | 基于二阶多边沿响应法的快速时域分析方法 | |
Werblun et al. | Closing the analog design loop with the berkeley analog generator | |
CN111125939B (zh) | 用于lpddr4 io接口输出端的信号抖动估计方法 | |
JP2000305966A (ja) | 遅延情報生成システム、遅延情報生成方法及び記録媒体 | |
Chu et al. | Calculation of the worst-case data patterns and eye diagram for nonlinear high-speed links |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |