2021-01-28

模拟IC流片经验分享

        模拟IC设计,在国内兴起的比较晚,目前成熟的很少,大家所作的芯片基本都是在仿TI、Maxim、LT等国际大厂的产品,做到Pin to Pin,Specification也是基本相同,一句话,就是替换原则。由于国内IC设计公司基本没有自己的工艺厂,用的比较多的就是tsmc,chartered,还有比较便宜的csmc,所以在抄美国和台湾的芯片的时候大部分是只能抄个形似,而无法抄到神似的地步,因为一些特殊的电路,需要特殊的器件结构和掺杂浓度,而改变这一条件对与小的公司来说,价格不菲,风险较大。所以我针对目前国内较普遍的模拟IC设计现状,提一些不成熟的意见和经验,不当之处还请大侠斧正。

      首先,在设计芯片的时候,跑Corner恐怕是大家最熟悉不过的了,ss,fs,tt等,管子、电阻,高压、低压,如果光是用Cadence下面的Corner工具来跑,可能就不够了,因为我需要各种Corner的排列组合。电流,电压也要给出一定的裕度,比如电流typical值8uA,offset有1uA,那么就还要在跑6uA和10uA的corner。这样在跑一个不太大的子电路模块时就可以有3的7至10次方个Corners。尽管这样的仿真是保守的,但对于未来Wafer的性能,我们的系统就会显的更加Robust。解决办法就是写Ocean Script,自动运行,一个周末就可以跑完全部Corners(小电路),然后周一来的时候你就会发现自己电路在某个温度、某个条件下的值是你无法忍受的,必须修改电路!

      然后就是版图。你不要指望所有的电流镜都是那么准,所有的输入对管都没有offset,这是肯定不可能的,关键是你怎样去减小。除了电路设计中需要有意识的加大 W or L,还要计算,多大的offset会让你的电路完全不work。版图设计上,十字交叉已经普遍了。而节省面积似乎和Dummy管非常的矛盾,让人感到很难取舍。有一种办法就是,可以把一个20/3的mos管身边安放一个20/0.5的Dummy,呵呵,这样大家就不打架了!还有需要注意的东西,比如OSC是个活跃的东西,不仅仅体现在metal上面,它对Sub也是很不服气的,经常会搅的身边的住户鸡犬不宁,特别是喜欢安静的Current bias,OTA等。一些电阻既要比例准,又要绝对值准,没办法,把芯片上比较好的地方让出来给他们睡吧,这样在划片时产生的应力会对他们影响比较小。MPW很便宜,不要吝啬面积,多加Pad,让每一个电路模块都能在前面和后面电路单元都不work的情况下自己work,因为你不知道哪个模块会失灵,所以必须做足充分的准备,不能因为Bandgap一个人罢工惹得后面所有模块都成了石头块!另外每次都要在Scribe line上加test key,包括Full mask,我们从来不嫌对某个工艺的测量数据太多。Full Mask可以做许多版本,差别却只有一层metal,通过测试得到各个子电路的最优设计方案,下一次流片只要改一层mask便得到了最优组合,呵呵,有吸引力吧!

      Wafer回来啦,好激动啊!是电路还是石头,上探针台一测便知。HP 4155/6这种权威的东西不可少,要精确就要有仪器。好吧,大部分直流参数都还算过的去,不过连线较长,寄生的电感和电阻影响较大。直接去Package嘛?呵呵,咱们是小客户,人家CD都不太理咱们,就别说ST了。一般没有半个月人家不会给你做的。如果你的芯片还算大,有外围电路,那么最好的解决办法就是去做COB!直接把Wafer磨薄(为Package做准备),切下他1/3块大饼下来,划开,Bonding到PCB上,浇上黑胶,好啦,焊上外围电路,加上盒子,一部电话机就成功了!这只要2-3天的时间。剩下的那2/3就给CD去做Package吧,我们这段时间里可以测很多数据,而且如果Bonding的好,结果与Package的相差很小。Full Mask应该回来不止一片吧,那就把另外几片送去给测试厂,全部wafer测个遍,看看统计值如何。当然测试程序要事先编好,而且最好你要熟悉6800和C语言!

      测试之前一定要造表,列的越详细越好;测试过程中,每一个COB都要打上Label,和测量数据一一对应,以便将来回查,看看到底是芯片的问题还是Setup出了问题。然后数据处理,Excell还会用吧,给出测试统计曲线,便于以后设计参考。

      ESD是设计的重中之重,否则你会以为是恶鬼缠身,昨天的结果和今天的相差很远,即使一个小时前的结果也会不一样。没办法,找人家ESD测试厂大一下,看看你的片子在机械模式和人体模式下能扛住多少伏!如果不行,下次一定要改,没有任何回旋的余地。

      EMC,看是什么偿还了,而且看你往那里卖,最主要的就是手机上要求比较严格,其他要是卖国内,差不多就可以过了。

ISO9000认证,呵呵,都要过啊,文字的东西你要是都过不了,那就是智商了。

 

http://mp.weixin.qq.com/s?__biz=MzAxOTIxNTg0Mg==&mid=205345593&idx=3&sn=45a228db48bd78053942264f793a7c20&scene=5#rd

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值