【導(dǎo)讀】近年來隨著高性能計算需求的持續(xù)增長,HBM(High Bandwidth Memory,高帶寬存儲器)總線接口被應(yīng)用到越來越多的芯片產(chǎn)品中,然而HBM的layout實現(xiàn)完全不同于傳統(tǒng)的Package/PCB設(shè)計,其基于2.5D interposer的設(shè)計中,由于interposer各層厚度非常薄且信號線細(xì),使得直流損耗、容性負(fù)載、容性/感性耦合等問題嚴(yán)重,給串?dāng)_和插損指標(biāo)帶來了非常大的挑戰(zhàn)。
近年來隨著高性能計算需求的持續(xù)增長,HBM(High Bandwidth Memory,高帶寬存儲器)總線接口被應(yīng)用到越來越多的芯片產(chǎn)品中,然而HBM的layout實現(xiàn)完全不同于傳統(tǒng)的Package/PCB設(shè)計,其基于2.5D interposer的設(shè)計中,由于interposer各層厚度非常薄且信號線細(xì),使得直流損耗、容性負(fù)載、容性/感性耦合等問題嚴(yán)重,給串?dāng)_和插損指標(biāo)帶來了非常大的挑戰(zhàn)。
為應(yīng)對這些挑戰(zhàn),傳統(tǒng)上可以通過參數(shù)化建模進(jìn)行大量例子掃描迭代仿真,來確定合適的方案。但由于HBM設(shè)計方案可變化的方式非常多,使得掃描仿真的工作量很大,同時大量的掃描仿真也對仿真計算資源和產(chǎn)品交付時間造成了很大的壓力。
本篇文章將針對上述HBM設(shè)計挑戰(zhàn)和傳統(tǒng)仿真流程上的問題,提出相應(yīng)的解決方案。
HBM仿真實例
HBM仿真設(shè)計的關(guān)鍵在于,確定合適的interposer出線類型。HBM的出線類型仿真確認(rèn)流程在行業(yè)里有兩種方式:
1)前仿真確認(rèn),即仿真工程師創(chuàng)建參數(shù)化的HBM出線類型仿真,通過仿真確認(rèn)最佳出線類型,并反饋給layout工程師實現(xiàn)。相對來說效率較高,可嘗試大量的出線類型進(jìn)而選擇更好的。這是一種主流的方式。
2)后仿真確認(rèn),即layout工程師做多種不同的設(shè)計用于仿真。相對來說效率較低,可嘗試的出線類型數(shù)量有限,難以獲得最佳值。本文將不做討論。
圖1 HBM 出線類型截面
上圖1是4種簡化的HBM出線類型截面示意圖,這個設(shè)計方案中有5層金屬層,其中褐色為信號,綠色為GND。從這4種出線類型中可以看到,信號和GND分布的位置是不同的,對應(yīng)的性能也會有所不同。這些位置信息可以定義為變量信息,而位置的變化就是變量的取值,因此,需要進(jìn)行掃描仿真來判斷最佳位置。HBM的出線類型相關(guān)的變量可達(dá)十幾種,比如:信號金屬寬度/厚度、GND金屬寬度、相對位置、介質(zhì)厚度、縱向GND處理方式等。各種變量在不同的取值組合下,相應(yīng)地、迭代的case數(shù)量會達(dá)到幾百種甚至更多,這需要在前仿真中完成。因此,傳統(tǒng)方法上獲得一個較好的出線類型有很大工作量和仿真時間需求。
如何在有限的時間內(nèi),在仿真少數(shù)case的情況下,就找到較好的答案?
Cadence Optimality Intelligent System Explorer 的AI算法在下圖2的HBM仿真設(shè)計流程中替代了傳統(tǒng)的遍歷掃描,實現(xiàn)了AI智能參數(shù)化判別掃描,來加速迭代結(jié)果收斂。應(yīng)用AI算法使得計算幾十個例子所得的結(jié)果就能達(dá)到傳統(tǒng)數(shù)百個參數(shù)化仿真迭代的效果。
圖2 HBM仿真設(shè)計流程圖
根據(jù)用戶計劃仿真的HBM 出線類型和對應(yīng)的變量,將其在Cadence Clarity 3D Workbench中創(chuàng)建出HBM 3D結(jié)構(gòu)圖,如下圖3。注意:所有需要參與參數(shù)化仿真的結(jié)構(gòu)都要定義為變量,比如:金屬線寬度。
圖3 HBM 3D結(jié)構(gòu)
完成HBM 3D結(jié)構(gòu)設(shè)計、仿真端口頻率等設(shè)置后,在Optimality Explorer界面中勾選相關(guān)參與掃描的變量,并對變量取值范圍進(jìn)行定義。變量取值類型支持連接值、離散值、數(shù)組三種類型,如下圖4。離散和數(shù)組類型是因為在生產(chǎn)中有些結(jié)構(gòu)只有固定幾種選項可以選擇,比如:介質(zhì)厚度、金屬厚度。
圖4參數(shù)掃描定義
完成變量參數(shù)定義后,接著定義相應(yīng)端口的插損、串?dāng)_相關(guān)表達(dá)式及收斂目標(biāo)函數(shù),如下圖5,以便用于AI仿真收斂。
圖5定義收斂目標(biāo)函數(shù)
下圖6為仿真結(jié)果收斂記錄圖表。從圖表上可以看到第29次的時候已經(jīng)獲得非常好的值,這時用戶就可以停止本次仿真或者先用第29次的結(jié)果作下一步的仿真。Optimality Explorer支持多case并行仿真,以進(jìn)一步減少仿真時間。
圖6收斂紀(jì)錄圖表
將優(yōu)化完成的HBM 出線類型對應(yīng)的S參數(shù)在時域里驗證,如果能滿足要求,則將對應(yīng)的參數(shù)傳遞給interposer layout工程師,并根據(jù)這些參數(shù)完成最終的HBM設(shè)計。最終,設(shè)計好的HBM layout導(dǎo)入Clarity 3D Solver中再次提取模型,并加載到Cadence Sigrity Topology Explorer(TopXP)中進(jìn)行最后的時域眼圖仿真,如下圖7。
圖7時域鏈路
總結(jié)
本例中應(yīng)用了Cadence 公司的Optimality Explorer優(yōu)化,其內(nèi)嵌AI算法,并與Clarity 3D Solver的參數(shù)化仿真結(jié)合,幫助用戶快速收斂結(jié)果。Optimality Explorer具有極強的樣本有效性,只需較少地迭代次數(shù),即可得到一個較好的結(jié)果。內(nèi)部AI優(yōu)化算法通過基于目標(biāo)函數(shù)的前期評估結(jié)果建立替代函數(shù)(概率模型),來找到最小化目標(biāo)函數(shù)的值。該AI算法與傳統(tǒng)隨機(jī)或網(wǎng)格搜索的不同之處在于,它在嘗試下一組超參數(shù)時,會參考前期的評估結(jié)果,因此可以省去很多無用功,最終達(dá)到快速收斂的效果。
(首發(fā) I EDN電子技術(shù)設(shè)計)
免責(zé)聲明:本文為轉(zhuǎn)載文章,轉(zhuǎn)載此文目的在于傳遞更多信息,版權(quán)歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權(quán)問題,請聯(lián)系小編進(jìn)行處理。
推薦閱讀:
自動駕駛汽車具有低EMI/EMC輻射的高壓轉(zhuǎn)換器解決方案