基于28nmDDR PHY的DFT实现及物理设计

来源 :西安电子科技大学 | 被引量 : 0次 | 上传用户:du_one
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
近年来,为了使芯片的上市周期缩短提高效率,节省成本,SoC(System on Chip)已经开始推广运用能够复用的IP(Intellectual Property)核,DDR4的主流速度达到了2133Mbps,在业内使用量较高。而与DDR相匹配的DDR PHY(Physical)常被当作一个高速IP核来使用,当DDR PHY作IP使用时,由于使用者对内部架构和设计并不完全了解,很多时候使用者把DDR PHY当一个黑匣子来处理,正常使用时输入输出端口是被集成到SoC中的,这样端口就缺失了本该有的可控性和可观性,从而给可测性设计的集成和验证带来巨大的难度,需要对DDR PHY进行具体的DFT设计。本文是对一款无线连接芯片中片外存储器的高速接口DDR PHY进行自身的DFT(Design For Testability)集成设计和验证,给出了测试DDR PHY的DFT结构,以及验证方法和结果。创新点和难度体现在以下几个方面:(1)对DDR PHY的数字逻辑和PHY内部的寄存器以及整个电路的每个节点进行测试。通过对原本逻辑进行规划测试电路,包括测试时钟以及测试模式划分等,内部插入DFT电路进行扫描测试,利用移位寄存器实现测试数据的输入,然后捕获,观测输出值是否正确。测试方法包括Stuck-at测试(内部的触发器替换为可扫描触发器串成扫描链),会遍历到电路的每个节点。以及At-speed测试,即高速测试,会使用OCC(on chip clock)电路内部产生所需的高速时钟,这是为了测试DDR PHY在它设计的频率下能不能正常运行,并且可以让电路具有可控性和可观性,电路测试由繁变简,测试精度和准确率也不断提高,最后利用ATPG自动测试向量生成工具产生的测试向量,实现了Stuck-at测试故障覆盖率为97.25%,Transition测试覆盖率为92.65%的目标,保证了芯片制造出来的良率。(2)测试DDR PHY传输数据功能的正确性。采用APB(Advanced Peripheral Bus)和BIST(Built-In Self Test)内建自测试技术结合的方法进行DDR PHY loopback功能的DFT验证,从APB接口加载测试码控制功能寄存器,进而启动内部的BIST逻辑来控制loopback路径进行数据传输。这对验证DDR PHY模拟和数字路径的高传输速率是极其有效的,还可降低测试成本。最后通过仿真验证其结果,保证DDY PHY收发功能是正确的。(3)进行IOLT(输入输出级)测试。DDR PHY的输入输出接口比较复杂,为了保证整个模块的I/O管脚能够满足直流规格的要求,对其进行输入输出测试,通过采用一种专门用于辅助I/O参数测试的nand tree架构来测试所有的输入输出管脚和双向管脚,实现IO参数测试。并通过仿真验证其结果。本文论文成果已经应用在无线连接芯片设计上,并且现在无线连接芯片正在流片阶段,所以此次研究内容一方面保证了DDR PHY的DFT结构设计合理,传输数据功能正常,而且对相关的工程问题也有借鉴意义。并与后端工程师进行交涉,协助时序收敛,进行最终的时序检查,以及后仿真,还有一系列的sign-off检查,最后再到Tape-out。
其他文献
近年来,遥感技术的成熟和深度学习的发展为舰船智能化检测带来了新浪潮。舰船目标检测作为国防建设和海洋监测应用中关键环节而备受关注。然而,该研究仍然存在以下两个挑战:(1)现有合成孔径雷达数据集中,不同图像的舰船目标较小,常规方法容易受到复杂背景的干扰,严重影响舰船检测的准确率,即复杂背景舰船小目标检测问题;(2)现有光学遥感数据集中,同一幅图像中舰船目标在尺寸上差异大,在分布上密集,即多尺度高密集舰
随着信息化时代的到来,社会各领域出现了越来越多的智能化终端设备和交换节点,网络业务类型逐渐多样化,网络规模扩大化,这给网络交换技术带来了新的挑战。当前,卫星通信、智能汽车、远程控制、自动化工业等高科技领域对大规模业务传输提出了新的要求,采用CSMA/CD技术的传统以太网已经无法满足其对于实时性和可靠性的需求,而现有的TTE/TSN网络主要完成端口交换而不进行时间片的位移变换,因此必须采用集中路由规
高光谱图像分类旨在将高光谱图像中的所有像元分配至一组特定的类别中去,是高光谱图像处理领域最活跃的研究课题之一。同普通自然图像不同,高光谱图像较高的光谱维度,较高的空间变异性与光谱变异性,为高光谱图像分类任务带来挑战。卷积神经网络天然适合处理图像数据,且其在自然图像上的优异表现,很自然地被引入高光谱图像分类中。因此本文基于卷积神经网络设计高光谱图像分类框架。同时借鉴生物的视觉注意机制,为网络设计注意
量子信息学作为量子物理和信息科学交叉形成的一门新的学科,发展至今,在理论和实验上都已经取得了丰硕的成果。量子通信是量子信息科学的一个重要的分支,以量子态作为载体传输信息并且利用量子的独特的物理性质来保证通信的安全性和高效性。量子通信从起初的单光子通信到现在利用量子的纠缠特性进行通信,在不断的突破与进步。量子远程制备作为量子通信的主要研究内容,是实现量子远程通信、量子网络、量子计算的重要一环,在量子
随着集成电路的生产工艺不断进步,显示驱动芯片得以飞速发展。显示驱动芯片规模不断扩大,承担了更多的功能。显示驱动芯片结构复杂程度的不断上升,不仅会对芯片设计提出更高的要求,也会给芯片成品测试带来更多的挑战。现如今的消费电子市场芯片产品迭代周期不断缩短,为提高芯片的品质,降低芯片成本,减少芯片测试时间,可测试性设计逐渐占据了重要地位。可测试性设计主要方法是将芯片测试纳入芯片的设计规格中,通过在芯片中添
近年来,人工智能和集成电路领域的飞速发展对健康医学产生了深远的影响,机器学习可以利用病人大量的临床数据对其病情做精确地分析,智能计算机系统可以为卫生专业人员提供治疗方案。智慧医疗在电子信息、生物医学、数据分析等领域进行深度交叉融合,在引领未来医疗时代等方面具有重要意义。植入式生物医疗芯片作为智慧医疗的硬件载体,逐渐成为近年来的研究热点。植入式生物芯片需要植入生物体内获取被测者的生理参数,因此需要有
声源定位包括利用传感器阵列测量声场中的声学量和利用反向传播算法重建声源在声场的分布图像。目前声源定位在工业生产、医疗、地质研究和军事等领域都有着广泛的应用。麦克风阵列信号接收作为声源定位过程的关键步骤,其对声源信号采样的质量直接影响着后续的声源定位准确性。根据采样定理,麦克风阵列接收信号频率的上限受到阵元间距影响,下限受到阵列大小影响。所以对于超出频率限制范围声源信号,麦克风对信号的采样质量会下降
图像分类任务是计算机视觉领域的基础问题。随着互联网和人工智能技术的快速发展,每天都会产生大量的图像数据。图像分类技术已经应用到很多生活和工作场景中,因此很多互联网公司和科研机构将图像分类作为研究重点。目前基于深度学习算法的图像分类已成为主流,但性能提升的同时模型也越来越大,如何在提高分类正确率的同时减少模型参数量是一个具有挑战性的课题。本文针对该问题提出了新颖的轻量分割卷积、沙漏模块、多尺度注意力
大数据时代的来临,导致我们需要处理和分析的数据越来越多,用户和企业很难在本地对这些数据进行有效的管理和分析。伴随着云计算技术的日渐成熟,越来越多的用户和企业选择将数据上传到云服务器中来减小本地服务器的压力。云服务器可以为用户提供巨大的存储空间和高效的处理器,而用户只需要支付很少的费用就可以享受到这些服务。为了保证用户的隐私安全,常用的处理方法是将数据加密后再上传到服务器中,但是通过传统的加密技术得
学位