CN117787092A - 一种叉指电容的参数获取方法及其获取装置 - Google Patents

一种叉指电容的参数获取方法及其获取装置 Download PDF

Info

Publication number
CN117787092A
CN117787092A CN202311772566.1A CN202311772566A CN117787092A CN 117787092 A CN117787092 A CN 117787092A CN 202311772566 A CN202311772566 A CN 202311772566A CN 117787092 A CN117787092 A CN 117787092A
Authority
CN
China
Prior art keywords
equivalent circuit
capacitor
parameter
interdigital
parameters
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.)
Pending
Application number
CN202311772566.1A
Other languages
English (en)
Inventor
顾玲
张志涛
徐翠华
王宇
钟一鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Xixin Microelectronic Technology Co ltd
Original Assignee
Anhui Xixin Microelectronic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Xixin Microelectronic Technology Co ltd filed Critical Anhui Xixin Microelectronic Technology Co ltd
Priority to CN202311772566.1A priority Critical patent/CN117787092A/zh
Publication of CN117787092A publication Critical patent/CN117787092A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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

  • Design And Manufacture Of Integrated Circuits (AREA)

Abstract

本发明公开了一种叉指电容的参数获取方法及其获取装置，包括以下步骤：获取当前叉指电容，并确定其版图尺寸；将确定的版图尺寸输入预构建的ANN模型中，获取当前叉指电容的π型等效电路的元件参数预测；将元件参数预测代入π型等效电路，对π型等效电路进行等效电路仿真，获取当前叉指电容的基础参数预测，所述π型等效电路包括电阻Rs1、电容Cs1、电感Ls1依次串联形成主路，所述电阻Rs2和电容Cs2串联后并联在主路两端；本发明采用了改进的π型等效电路，该电路利用了电容和电阻的串联网络来表征耦合效应，更加准确地预测了等效串联电阻的变化情况。

Description

一种叉指电容的参数获取方法及其获取装置
技术领域
本发明涉及集成电路元器件技术领域，具体涉及一种叉指电容的参数获取方法及其获取装置。
背景技术
伴随着5G通信技术和半导体技术的飞速发展，电感、电容等无源器件在射频集成电路中发挥着越来越重要的作用。其中，叉指电容具有很高的线性度，温度系数也很小，是一种在射频电路中应用极其广泛的器件，将其与有源器件相结合可以用于研发多种成本低，但是集成度高的射频与微波功能模块，例如功率放大器、低噪声放大器等，在不同模块之间的阻抗匹配、天线阵列、集总巴伦设计和滤波器设计中也发挥着巨大的作用。在求解电容相关参数方面可以借助传统电路模型方法，例如有限元法(FEM)、矩量法(MOM)和时域有限差分法(FDTD)等，这些方法均属于以麦克斯韦方程组为基础，逐渐发展成的电磁全波分析方法。尽管这些方法的计算结果能够确保一定的精度，但是随着电路工作频率的提高，器件的几何参数发生轻微程度的变化或者衬底部分参数发生改变时，这些传统建模分析方法的计算速度明显变慢，并且消耗了过多的计算资源，已经不再能满足人们的需求。所以，为了减少射频电路所需要的设计时间，在仿真环境中预测器件和电路性能的能力需要得到一定程度的提升。
发明内容
本发明的目的在于提供一种叉指电容的参数获取方法及其获取装置，解决传统建模分析方法的计算速度明显变慢，并且消耗了过多的计算资源，不再能满足人们需求的技术问题。
本发明的目的可以通过以下技术方案实现：
一种叉指电容的参数获取方法，包括以下步骤：
获取当前叉指电容，并确定其版图尺寸；
将确定的版图尺寸输入预构建的ANN模型中，获取当前叉指电容的π型等效电路的元件参数预测；
将元件参数预测代入π型等效电路，对π型等效电路进行等效电路仿真，获取当前叉指电容的基础参数预测；
其中，所述π型等效电路包括电阻Rs1、电阻Rs2、电感Ls1、电容Cs1、电容Cs2、电容CR和电容CL，所述电阻Rs1、电容Cs1、电感Ls1依次串联形成主路，所述电阻Rs2和电容Cs2串联后并联在主路两端，主路的两端连接点分别通过电容CR和电容CL接地。
作为本发明进一步的方案：所述叉指电容的版图尺寸包括叉指长度L、叉指宽度W和叉指间距S；所述叉指电容的基础参数包括电容值、等效串联电阻和S参数。
作为本发明进一步的方案：所述ANN模型的构建包括：
获取多个叉指电容，并确定其版图尺寸；
对各叉指电容进行版图EM仿真，获取Z参数、Y参数以及基础参数；
根据Z参数和Y参数求解各叉指电容的π型等效电路的元件参数；
将各叉指电容对应的版图尺寸和基础参数分别作为模型输入和模型输出期望，生成训练样本集；
采用PSO-BP算法根据各叉指电容对应的版图尺寸和元件参数计算ANN模型的初始最优权值和阈值；
将初始最优权值和阈值代入ANN模型，并通过训练样本集对ANN模型进行迭代训练，得到最终的ANN模型。
作为本发明进一步的方案：所述根据Z参数和Y参数求解各叉指电容的π型等效电路的元件参数的具体方法为：
所述π型等效电路的元件参数包括Rs1、Rs2、Ls1、Cs1、Cs2、CR、CL；
将被测叉指电容的二端口S参数通过matalb方式转换位Y参数矩阵，计算π型等效电路的导纳参数：
上式(1)中，YM为π型等效电路主路部分整体的导纳参数；YL代表π型等效电路左侧支路部分整体的导纳参数；YR代表π型等效电路右侧支路部分整体的导纳参数，其中Y参数矩阵为
根据等效电路计算公式，计算π型等效电路的元件参数Rs1、Rs2和Ls1；
在上式(2)中，j代表虚数单位，w代表角频率；
以代码的形式在软件Matlab中分别提取Y12 -1的实部和虚部，并对其进行等式变化可得到下式
在上式(3)中，Re表示实部，Im表示虚部，w为角频率；
由上式(3)得出，Rs1通过Y12 -1的实部直接提取得到，wIm(Y12 -1)是关于w2的方程，Ls1和Cs1可分别从该方程的斜率和截距提取得到；
根据π型等效电路与Y参数矩阵的关系，得到寄生电容的提取公式，具体的计算方法如下：
上式(4)中，YR代表π型等效电路右侧支路部分整体的导纳参数，YL代表π型等效电路左侧支路部分整体的导纳参数；根据上式(4)求解得出CR和CL的数值；
根据实际电容模型导出的导纳参数和上述元件构成π型网络后的导纳参数提取Rs2和Cs2具体的计算方法如下：
Rs2＝Re((Y12S-Y12M)-1)
在上式(5)中，Y12S是从实际电容模型导出的导纳参数，Y12M是上述元件构成π型网络后的导纳参数，Re表示实部，Im表示虚部，w为角频率。
作为本发明进一步的方案：所述参数获取装置包括：
当前值获取模块，用于获取当前叉指电容，并确定其版图尺寸；
当前值预测模块，用于将确定的版图尺寸输入预构建的ANN模型中，获取当前叉指电容的π型等效电路的元件参数预测；
当前值仿真模块，用于将元件参数预测代入π型等效电路，对π型等效电路进行等效电路仿真，获取当前叉指电容的基础参数预测。
作为本发明进一步的方案：所述π型等效电路包括电阻Rs1、电阻Rs2、电感Ls1、电容Cs1、电容Cs2、电容CR和电容CL，所述电阻Rs1、电容Cs1、电感Ls1依次串联形成主路，所述电阻Rs2和电容Cs2串联后并联在主路两端，主路的两端连接点分别通过电容CR和电容CL接地。
本发明的有益效果：本发明提供的一种叉指电容的参数获取方法及其获取装置，采用了改进的π型等效电路，该电路利用了电容和电阻的串联网络来表征耦合效应，更加准确地预测了等效串联电阻的变化情况。基于π型网络和Y参数的数学公式，能够快速正确的得到π型等效电路的各个元件值；基于元件值通过PSO-BP算法获取ANN模型的初始权值和阈值，从而提高ANN模型的训练效率；通过训练好的ANN模型能够根据版图尺寸准确的预测出π型等效电路的各个元件值，从而再经过等效电路仿真，获取当前叉指电容的电容值C、等效串联电阻和S参数曲线，相比传统需要通过EM仿真的方式获取，极大的提升了效率。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明实施例一提供的一种叉指电容的参数获取方法的流程图；
图2是本发明实施例一提供的一种叉指电容的版图尺寸示意图；
图3是本发明实施例一提供的π型等效电路的示意图；
图4是本发明实施例一提供的ANN模型初始最优权值和阈值获取流程图；
图5是本发明实施例一提供的ANN模型的迭代训练流程图；
图6是本发明实施例一提供的电容值C仿真结果与预测结果比较图；
图7是本发明实施例一提供的S参数曲线仿真结果与预测结果比较图。
其中7(a)、7(b)分别代表S11的幅值和相位的仿真结果与预测结果比较图；
7(c)、7(d)分别代表S21的幅值和相位的仿真结果与预测结果比较图。
图8是本发明实施例一提供的等效串联阻抗的仿真结果与预测结果比较图；
图8(a)、8(b)分别代表等效串联阻抗的实部和虚部的仿真结果与预测结果比较图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1所示，本发明一种叉指电容的参数获取方法，其特征在于，包括以下步骤：
获取当前叉指电容，并确定其版图尺寸；
将确定的版图尺寸输入预构建的ANN模型中，获取当前叉指电容的π型等效电路的元件参数预测；
将元件参数预测代入π型等效电路，对π型等效电路进行等效电路仿真，获取当前叉指电容的基础参数预测。
如图2所示，叉指电容的版图尺寸包括叉指长度L、叉指宽度W和叉指间距S。
如图3所示，π型等效电路包括电阻Rs1、电阻Rs2、电感Ls1、电容Cs1、电容Cs2、电容CR和电容CL，所述电阻Rs1、电容Cs1、电感Ls1依次串联形成主路，所述电阻Rs2和电容Cs2串联后并联在主路两端，主路的两端连接点分别通过电容CR和电容CL接地；其中，元件Cs1代表电容的主值电容，Rs1和Ls1分别体现了金属层之间的阻性寄生和感性寄生。元件Cs2代表通过衬底实现的叉指金属和地之间的耦合效应，Rs2是一个用来表征这种耦合效应随频率变化的大电阻，并联电容CR和CL表征衬底的寄生电容。
将元件参数预测代入π型等效电路，对π型等效电路进行等效电路仿真，获取当前叉指电容的基础参数预测，基础参数包括电容值C、等效串联电阻以及S参数曲线。
具体的，ANN模型的构建包括：
S1、获取多个叉指电容，并确定其版图尺寸；
S2、对各叉指电容进行版图EM仿真，获取Z参数、Y参数以及基础参数；
S3、根据Z参数和Y参数求解各叉指电容的π型等效电路的元件参数的具体方法为：
所述π型等效电路的元件参数包括Rs1、Rs2、Ls1、Cs1、Cs2、CR、CL；
在等效电路中主要由Rs1、Cs1、Ls1串联电路起主要作用，所以先忽略Rs2和Cs2的串联支路，然后将被测叉指电容的二端口S参数通过matalb方式转换位Y参数矩阵，计算π型等效电路的导纳参数：
上式(1)中，YM为π型等效电路主路部分整体的导纳参数；YL代表π型等效电路左侧支路部分整体的导纳参数；YR代表π型等效电路右侧支路部分整体的导纳参数，其中Y参数矩阵为
根据等效电路计算公式，计算π型等效电路的元件参数Rs1、Rs2和Ls1；
在上式(2)中，j代表虚数单位，w代表角频率；
以代码的形式在软件Matlab中分别提取Y12 -1的实部和虚部，并对其进行等式变化可得到下式
在上式(3)中，Re表示实部，Im表示虚部，w为角频率；
由上式(3)得出，Rs1通过Y12 -1的实部直接提取得到，wIm(Y12 -1)是关于w2的方程，Ls1和Cs1可分别从该方程的斜率和截距提取得到；
根据π型等效电路与Y参数矩阵的关系，得到寄生电容的提取公式，具体的计算方法如下：
上式(4)中，YR代表π型等效电路右侧支路部分整体的导纳参数，YL代表π型等效电路左侧支路部分整体的导纳参数；根据上式(4)求解得出CR和CL的数值；
根据实际电容模型导出的导纳参数和上述元件构成π型网络后的导纳参数提取Rs2和Cs2具体的计算方法如下：
Rs2＝Re((Y12S-Y12M)-1)
在上式(5)中，Y12S是从实际电容模型导出的导纳参数，Y12M是上述元件构成π型网络后的导纳参数，Re表示实部，Im表示虚部，w为角频率。
S4、将各叉指电容对应的版图尺寸和基础参数分别作为模型输入和模型输出期望，生成训练样本集。
S5、采用PSO-BP算法根据各叉指电容对应的版图尺寸和元件参数计算ANN模型的初始最优权值和阈值；
如图4所示，具体过程包括：
所述采用PSO-BP算法根据各叉指电容对应的版图尺寸和元件参数计算ANN模型的初始最优权值和阈值包括：
基于初始化的算法参数，执行迭代步骤；
其中，所述迭代步骤的过程包括：
计算第n次迭代中各粒子的适应度函数值：
上式中，为第n次迭代中第i个粒子的适应度函数值，/>为第n次迭代中第i个粒子作为当前ANN模型的实际输出和预测输出；其中，当前ANN模型的权重和阈值为第n次迭代中第i个粒子的速度和位置，第i个粒子为第i个片上叉值电容对应的版图尺寸，实际输出为第i个叉指电容对应的元件参数；
根据适应度函数值获取第n次迭代中粒子的个体最优值pBestn和全局最优值gBestn；
根据第n次迭代中粒子的个体最优值pBestn和全局最优值gBestn更新其速度和位置：
式中，rand1、rand2均为(0,1)之间的随机数，分别为第n+1、n次迭代中第i个粒子的速度，/>分别为第n+1、n次迭代中第i个粒子的位置；
令n＝n+1；
其中，所述迭代步骤的终止条件为：n>N或
S51、初始化PSO算法的算法参数，所述算法参数包括学习因子C1和C2、惯性权重w、粒子初始的速度和位置、最大迭代次数N、适应度函数阈值Error0：
S52、基于初始化的算法参数，执行迭代步骤；
其中，迭代步骤的过程包括：
(1)计算第n次迭代中各粒子的适应度函数值：
式中，为第n次迭代中第i个粒子的适应度函数值，/>为第n次迭代中第i个粒子作为当前ANN模型的实际输出和预测输出；其中，当前ANN模型的权重和阈值为第n次迭代中第i个粒子的速度和位置，第i个粒子为第i个片上叉值电容对应的版图尺寸，实际输出为第i个叉指电容对应的元件参数；
(2)根据适应度函数值获取第n次迭代中粒子的个体最优值pBestn和全局最优值gBestn；
(3)根据第n次迭代中粒子的个体最优值pBestn和全局最优值gBestn更新其速度和位置：
式中，rand1、rand2均为(0,1)之间的随机数，分别为第n+1、n次迭代中第i个粒子的速度，/>分别为第n+1、n次迭代中第i个粒子的位置；
令n＝n+1；
其中，所述迭代步骤的终止条件为：n>N或
S6，将初始最优权值和阈值代入ANN模型，并通过训练集对ANN模型进行迭代训练，得到最终的ANN模型。
如图5所示，通过训练集对ANN模型进行迭代训练包括：
将训练样本中叉指电容对应的版图尺寸输入ANN模型，获取其对应的π型等效电路的元件参数预测；
将元件参数预测代入π型等效电路，对π型等效电路进行等效电路仿真，获取其对应的基础参数预测；
根据训练样本中的基础参数与基础参数预测计算损失，根据损失结果通过反向传播算法更新ANN模型的权值和阈值；
其中，迭代训练的终止条件为损失小于等于预设的损失阈值或训练迭代次数大于预设的最大训练迭代次数。
如图6、图7和图8所示，通过本实施例提供的方法输入叉指电容的版图尺寸，获取的预测结果和通过对叉指电容仿真，获取的仿真结果进行对比，预测结果和仿真结果非常贴近，证明本实施例提供的方法能够高效准确的获取电容值C、等效串联阻抗以及S参数曲线。
实施例二
本发明实施例提供了一种叉指电容的参数获取装置，所述参数获取装置包括：
当前值获取模块，用于获取当前叉指电容，并确定其版图尺寸；
当前值预测模块，用于将确定的版图尺寸输入预构建的ANN模型中，获取当前叉指电容的π型等效电路的元件参数预测；
当前值仿真模块，用于将元件参数预测代入π型等效电路，对π型等效电路进行等效电路仿真，获取当前叉指电容的基础参数预测。
其中，ANN模型的构建包括：
历史值获取模块，用于获取多个叉指电容，并确定其版图尺寸；
参数获取模块，用于对各叉指电容进行版图EM仿真，获取Z参数、Y参数以及基础参数；
参数求解模块，用于根据Z参数和Y参数求解各叉指电容的π型等效电路的元件参数；
集合生成模块，用于将各叉指电容对应的版图尺寸和基础参数分别作为模型输入和模型输出期望，生成训练样本集；
初始化模块，用于采用PSO-BP算法根据各叉指电容对应的版图尺寸和元件参数计算ANN模型的初始最优权值和阈值；
模型训练模块，用于将初始最优权值和阈值代入ANN模型，并通过训练集对ANN模型进行迭代训练，得到最终的ANN模型。
所述π型等效电路包括电阻Rs1、电阻Rs2、电感Ls1、电容Cs1、电容Cs2、电容CR和电容CL，所述电阻Rs1、电容Cs1、电感Ls1依次串联形成主路，所述电阻Rs2和电容Cs2串联后并联在主路两端，主路的两端连接点分别通过电容CR和电容CL接地。
实施例三
基于实施例一，本发明实施例提供了一种电子设备，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行上述参数获取方法的步骤。
实施例四
基于实施例一，本发明实施例提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，该程序被处理器执行时实现上述参数获取方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)，和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (6)

1.一种叉指电容的参数获取方法，其特征在于，包括以下步骤：
获取当前叉指电容，并确定其版图尺寸；
将确定的版图尺寸输入预构建的ANN模型中，获取当前叉指电容的π型等效电路的元件参数预测；
将元件参数预测代入π型等效电路，对π型等效电路进行等效电路仿真，获取当前叉指电容的基础参数预测；
其中，所述π型等效电路包括电阻Rs1、电阻Rs2、电感Ls1、电容Cs1、电容Cs2、电容CR和电容CL，所述电阻Rs1、电容Cs1、电感Ls1依次串联形成主路，所述电阻Rs2和电容Cs2串联后并联在主路两端，主路的两端连接点分别通过电容CR和电容CL接地。
2.根据权利要求1所述的一种叉指电容的参数获取方法，其特征在于，所述叉指电容的版图尺寸包括叉指长度L、叉指宽度W和叉指间距S；所述叉指电容的基础参数包括电容值、等效串联电阻和S参数。
3.根据权利要求1所述的一种叉指电容的参数获取方法，其特征在于，所述ANN模型的构建包括：
获取多个叉指电容，并确定其版图尺寸；
对各叉指电容进行版图EM仿真，获取Z参数、Y参数以及基础参数；
根据Z参数和Y参数求解各叉指电容的π型等效电路的元件参数；
将各叉指电容对应的版图尺寸和基础参数分别作为模型输入和模型输出期望，生成训练样本集；
采用PSO-BP算法根据各叉指电容对应的版图尺寸和元件参数计算ANN模型的初始最优权值和阈值；
将初始最优权值和阈值代入ANN模型，并通过训练样本集对ANN模型进行迭代训练，得到最终的ANN模型。
4.根据权利要求3所述的一种叉指电容的参数获取方法，其特征在于，所述根据Z参数和Y参数求解各叉指电容的π型等效电路的元件参数的具体方法为：
所述π型等效电路的元件参数包括Rs1、Rs2、Ls1、Cs1、Cs2、CR、CL；
将被测叉指电容的二端口S参数通过matalb方式转换位Y参数矩阵，计算π型等效电路的导纳参数：
上式(1)中，YM为π型等效电路主路部分整体的导纳参数；YL代表π型等效电路左侧支路部分整体的导纳参数；YR代表π型等效电路右侧支路部分整体的导纳参数，其中Y参数矩阵为
根据等效电路计算公式，计算π型等效电路的元件参数Rs1、Rs2和Ls1；
在上式(2)中，j代表虚数单位，w代表角频率；
以代码的形式在软件Matlab中分别提取Y12 -1的实部和虚部，并对其进行等式变化可得到下式
在上式(3)中，Re表示实部，Im表示虚部，w为角频率；
由上式(3)得出，Rs1通过Y12 -1的实部直接提取得到，wIm(Y12 -1)是关于w2的方程，Ls1和Cs1可分别从该方程的斜率和截距提取得到；
根据π型等效电路与Y参数矩阵的关系，得到寄生电容的提取公式，具体的计算方法如下：
上式(4)中，YR代表π型等效电路右侧支路部分整体的导纳参数，YL代表π型等效电路左侧支路部分整体的导纳参数；根据上式(4)求解得出CR和CL的数值；
根据实际电容模型导出的导纳参数和上述元件构成π型网络后的导纳参数提取Rs2和Cs2具体的计算方法如下：
Rs2＝Re((Y12S-Y12M)-1)
在上式(5)中，Y12S是从实际电容模型导出的导纳参数，Y12M是上述元件构成π型网络后的导纳参数，Re表示实部，Im表示虚部，w为角频率。
5.一种叉指电容的参数获取装置，其特征在于，所述参数获取装置包括：
当前值获取模块，用于获取当前叉指电容，并确定其版图尺寸；
当前值预测模块，用于将确定的版图尺寸输入预构建的ANN模型中，获取当前叉指电容的π型等效电路的元件参数预测；
当前值仿真模块，用于将元件参数预测代入π型等效电路，对π型等效电路进行等效电路仿真，获取当前叉指电容的基础参数预测。
6.根据权利要求5所述的一种叉指电容的参数获取装置，其特征在于，所述π型等效电路包括电阻Rs1、电阻Rs2、电感Ls1、电容Cs1、电容Cs2、电容CR和电容CL，所述电阻Rs1、电容Cs1、电感Ls1依次串联形成主路，所述电阻Rs2和电容Cs2串联后并联在主路两端，主路的两端连接点分别通过电容CR和电容CL接地。
CN202311772566.1A 2023-12-21 2023-12-21 一种叉指电容的参数获取方法及其获取装置 Pending CN117787092A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311772566.1A CN117787092A (zh) 2023-12-21 2023-12-21 一种叉指电容的参数获取方法及其获取装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311772566.1A CN117787092A (zh) 2023-12-21 2023-12-21 一种叉指电容的参数获取方法及其获取装置

Publications (1)

Publication Number Publication Date
CN117787092A true CN117787092A (zh) 2024-03-29

Family

ID=90401248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311772566.1A Pending CN117787092A (zh) 2023-12-21 2023-12-21 一种叉指电容的参数获取方法及其获取装置

Country Status (1)

Country Link
CN (1) CN117787092A (zh)

Similar Documents

Publication Publication Date Title
Li et al. An artificial neural network assisted optimization system for analog design space exploration
Feng et al. Parametric modeling of EM behavior of microwave components using combined neural networks and pole-residue-based transfer functions
Kim et al. Time-domain macromodels for VLSI interconnect analysis
Mandal et al. ANN-and PSO-based synthesis of on-chip spiral inductors for RF ICs
CN102495917B (zh) 耦合互连线的静态时序分析的优化
Ferranti et al. Physics-based passivity-preserving parameterized model order reduction for PEEC circuit analysis
WO2022213479A1 (zh) 一种大步长移频电磁暂态仿真方法及系统
Jafari et al. Design optimization of analog integrated circuits by using artificial neural networks
US9507906B2 (en) Metal interconnect modeling
CN115906741A (zh) 一种基于高性能计算的射频电路寻优设计方法
CN116681018A (zh) 一种周期性结构的阻抗模拟电路及其参数整定方法
CN114169113A (zh) 一种基于延时提取的传输线时域等效宏模型生成方法
CN116205195B (zh) 一种平面螺旋电感的参数获取方法、装置、设备及介质
Bhatti et al. Impedance response extrapolation of power delivery networks using recurrent neural networks
CN117787092A (zh) 一种叉指电容的参数获取方法及其获取装置
Qi et al. Wideband passive multiport model order reduction and realization of RLCM circuits
Hsu et al. Design of reflectionless vias using neural network-based approach
Parvathi Machine learning based interconnect parasitic R, C, and power estimation analysis for adder family circuits
Zhang et al. A moment-matching scheme for the passivity-preserving model order reduction of indefinite descriptor systems with possible polynomial parts
US11568117B2 (en) Generating simulation-friendly compact physical models for passive structures
Wu et al. Optimized Design of Low-Noise Amplifier Based on Behavior-Level Parameter Modeling
CN116861782B (zh) 基于机器学习和节点有效电容的线延时预测方法
Wang et al. Gramian‐based model order reduction of parameterized time‐delay systems
Gao et al. High Performance Parallel Computing Methods for Electromagnetic Problems in Interconnection Circuits
Garyfallou et al. MORCIC: Model Order Reduction Techniques for Electromagnetic Models of Integrated Circuits

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