基于神经网络的高速串行通道发送端建模方法及预测方法技术

本发明专利技术公开了一种基于神经网络的高速串行通道发送端建模方法及预测方法，涉及发送端非线性特性的建模以实现信号完整性建模；通过建立等效电路来描述高速串行通道中发送端输出负载对发送端行为的影响，接着对发送端等效电路进行瞬态仿真并提取输入信号及相关参数作为特征，输出信号作为标签，多次改变特征进行瞬态仿真以获得多组数据构成数据集，进而借助神经网络模型来建模发送端的输出信号与输入特征之间的关系，在数据集上训练模型，训练好的模型能够准确地预测给定输入信号下对应的发送端输出信号，且比仿真软件具有更高的效率。率。率。

【技术实现步骤摘要】
基于神经网络的高速串行通道发送端建模方法及预测方法


[0001]本专利技术涉及高速串行通道仿真分析领域，具体涉及一种基于神经网络的高速串行通道发送端建模方法。

技术介绍

[0002]高速信号需要经过由发送端、传播媒介和接收端组成的通信链路在芯片间进行传输。随着集成电路工艺尺寸不断缩小、工作频率不断升高，电路中的寄生效应和损耗更加严重，信号在通道中传输遇到的串扰、反射、振荡等问题更加明显，使得接收端接收到的信号出现波形和时序的失真，即产生信号完整性问题。为了保证接收端能够从接收到的波形中采样出正确的发送信号，我们需要对高速通道进行信号完整性分析。
[0003]发送端作为高速通道中的重要组成部分，通常为缓冲器，其非线性特性的建模是准确的信号完整性分析的重要基础。现有的发送端仿真模型主要分为晶体管级模型和行为级模型，晶体管级模型为仿真工具提供了详细的电路设计和半导体参数，能够实现精准的仿真分析，然而对于结构复杂的电路来说仿真需要花费较长的时间，效率低下；行为级模型则不提供具体的电路结构，而是通过查表的方式获得仿真结果，具有较快的仿真速率，但是准确性受到提供的数据表的精度限制。为了分析高速通道的信号完整性，需要输入大量的数据进行验证，因此如何对发送端进行建模从而快速且准确地获得输出信号成为亟待解决的问题。
[0004]近年来，机器学习在各个领域得到了广泛的应用，并取得了不错的成效。部分工作开展了用机器学习建模缓冲器非线性特性的研究，但是相关工作没有考虑到输出端负载对缓冲器非线性特性的影响，仅仅考虑单独的缓冲器本身的特性，从而限制了模型的应用范围，使得其不适用于高速通道发送端的仿真分析。为了解决上述问题，提出一种基于神经网络的高速串行通道发送端建模方法。

技术实现思路

[0005]本专利技术针对现有技术的不足，提出一种基于神经网络的高速串行通道发送端建模方法及预测方法。
[0006]本专利技术的目的是通过以下技术方案来实现的：
[0007]一种基于神经网络的高速串行通道发送端建模方法，该方法包括以下步骤：
[0008]1)构建发送端等效电路：将发送端与其输出端口所接的负载、传播媒介和接收端进行等效，等效电路包括依次连接的发送端、负载电容、无损传输线和匹配电阻；
[0009]2)构建数据集：对发送端的等效电路进行瞬态仿真，输入信号为一段初值为0、长度至少为一个周期且具有一定上升/下降时间的方波，仿真得到的发送端输出信号作为标签，输入信号、负载电容值、匹配电阻值、上拉电压共同构成特征，通过改变输入信号的幅度和上升/下降时间、负载电容值、匹配电阻值、上拉电压，进行多次仿真获得多组数据，构成数据集，将数据集按比例分为训练集和测试集；
[0010]3)训练神经网络模型：用神经网络模型对发送端进行建模，网络的输入为一段长度为p的输入信号{x(t
‑
p+1),x(t
‑
p+2),
…
,x(t
‑
1),x(t)}、负载电容值、匹配电阻值和上拉电压，网络的输出为t时刻的输出信号y(t)，在输入信号前面补0使得网络能够从t＝0开始依次预测输出信号，通过计算网络预测的输出信号与仿真得到的输出信号之间的误差作为损失函数，在训练集上训练网络得到发送端模型。
[0011]进一步地，所述步骤1)中，所述负载电容一端连接发送端输出端口，另一端接地，所述无损传输线一端连接发送端输出端口，另一端与匹配电阻串联，所述匹配电阻的另一端连接到上拉电压源，其中无损传输线的特征阻抗与高速串行通道中传播媒介的特征阻抗相等，匹配电阻的大小与传播媒介的特征阻抗相等，上拉电压源的大小为高速串行通道的接收端等效开路电压。
[0012]进一步地，所述发送端为非线性器件，发送端的输出端口还连接负载电容，该负载电容接地，接收端为线性电路。
[0013]进一步地，所述步骤2)中瞬态仿真通过仿真工具HSPICE实现，仿真时间与输入信号的长度相同。
[0014]进一步地，所述步骤2)中测试集用于在建模之后对模型进行测试。
[0015]进一步地，所述步骤3)中神经网络的结构包含一个输入层、若干隐藏层和一个输出层，其中输入层的神经元个数为p+3，隐藏层的神经元个数为18，输出层的神经元个数为1，每个隐藏层的输出经过tanh激活函数进行激活。
[0016]进一步地，所述步骤3)中输入信号的长度p取决于发送端器件本身的电学特性。
[0017]进一步地，所述步骤3)中通过计算网络预测的输出信号与仿真得到的输出信号之间的均方误差作为损失函数，损失函数的计算公式为：
[0018][0019]其中m表示输入信号的长度，y(i)表示仿真得到的第i个输出信号值，表示神经网络输出的第i个输出信号值。
[0020]本专利技术还提供一种高速串行通道输出信号预测方法，包括：对于一个高速串行通道，通过对其发送端进行等效电路建模，获得负载电容值、匹配电阻值、上拉电压，利用如上所述的训练好的发送端模型预测该高速串行通道在给定输入信号下对应的发送端输出信号。
[0021]本专利技术的有益效果是：本专利技术提供了一种基于神经网络的高速串行通道发送端建模方法及预测方法，提出的发送端等效电路可以有效地描述发送端负载的影响，同时利用神经网络对发送端的非线性特性进行建模，从而能够根据输入信号预测输出波形，实现发送端的信号完整性分析。与仿真工具HSPICE相比，本专利技术提出的高速串行通道发送端模型具有很高的准确度和效率，可以在具有不同负载的情况下快速且准确地预测出不同输入信号对应的输出波形。本专利技术提出的基于神经网络的发送端模型作为高速串行通道的一部分，可以与后面的传播媒介以及接收端进行结合，从而实现对完整的高速串行通道的仿真分析，并为高速串行通道的设计提供指导，且与耗时较长的传统仿真工具相比，能够有效地提高仿真和设计的效率。
附图说明
[0022]图1是本专利技术的串行通道发送端建模流程框图；
[0023]图2是本专利技术提出的发送端等效电路结构；
[0024]图3是本专利技术使用的神经网络结构；
[0025]图4是本专利技术提出的模型预测结果与仿真工具仿真结果的对比图。
具体实施方式
[0026]以下结合附图对本专利技术具体实施方式做进一步详细说明。
[0027]如图1所示，本专利技术提供的一种基于神经网络的高速串行通道发送端建模方法，具体实施步骤为：
[0028]1)构建发送端等效电路
[0029]高速串行通道由依次串联的发送端、传播媒介和接收端组成，其中发送端为非线性器件，发送端的输出端口还连接了一个接地的负载电容，接收端为线性电路。考虑到发送端所接的负载、传播媒介和接收端会对发送端的非线性行为产生影响，使得单独对发送端建模不能适用于高速串行通道的信号完整性分析，因此对发送端及其输出端口所接的负载、传播媒介和接收端进行等效，并对整个等效电路进行建模以反映发送端在高速串行通道中的行为。
[0030]如图2所示，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的高速串行通道发送端建模方法，其特征在于，该方法包括以下步骤：1)构建发送端等效电路：将发送端与其输出端口所接的负载、传播媒介和接收端进行等效，等效电路包括依次连接的发送端、负载电容、无损传输线和匹配电阻；2)构建数据集：对发送端的等效电路进行瞬态仿真，输入信号为一段初值为0、长度至少为一个周期且具有一定上升/下降时间的方波，仿真得到的发送端输出信号作为标签，输入信号、负载电容值、匹配电阻值、上拉电压共同构成特征，通过改变输入信号的幅度和上升/下降时间、负载电容值、匹配电阻值、上拉电压，进行多次仿真获得多组数据，构成数据集，将数据集按比例分为训练集和测试集；3)训练神经网络模型：用神经网络模型对发送端进行建模，网络的输入为一段长度为p的输入信号{x(t
‑
p+1),x(t
‑
p+2),
…
,x(t
‑
1),x(t)}、负载电容值、匹配电阻值和上拉电压，网络的输出为t时刻的输出信号y(t)，在输入信号前面补0使得网络能够从t＝0开始依次预测输出信号，通过计算网络预测的输出信号与仿真得到的输出信号之间的误差作为损失函数，在训练集上训练网络得到发送端模型。2.根据权利要求1所述的一种基于神经网络的高速串行通道发送端建模方法，其特征在于，所述步骤1)中，所述负载电容一端连接发送端输出端口，另一端接地，所述无损传输线一端连接发送端输出端口，另一端与匹配电阻串联，所述匹配电阻的另一端连接到上拉电压源，其中无损传输线的特征阻抗与高速串行通道中传播媒介的特征阻抗相等，匹配电阻的大小与传播媒介的特征阻抗相等，上拉电压源的大小为高速串行通道的接收端等效开路电压。3...

【专利技术属性】
技术研发人员：卓成，董晓，孙凇昱，
申请(专利权)人：浙江大学，
类型：发明
国别省市：