针对系统级封装尺寸小、供电电压低、工作电流大以及对电源完整性要求高的特殊性,对SIP(System in Package)中基板设计进行电源仿真和优化。通过仿真指导基板设计,提高SIP产品的设计成功率,缩短设计周期。通过Power DC软件进行了直流压...针对系统级封装尺寸小、供电电压低、工作电流大以及对电源完整性要求高的特殊性,对SIP(System in Package)中基板设计进行电源仿真和优化。通过仿真指导基板设计,提高SIP产品的设计成功率,缩短设计周期。通过Power DC软件进行了直流压降和电流密度的仿真分析,根据电源完整性相关理论,讨论基板设计中电源平面的影响因素,结合版图分析,给出实际的优化方案,并经过仿真迭代验证,使所设计的基板满足产品性能要求。展开更多
近年来,微电子技术进入到纳电子/集成微系统时代,SIP(System in Package)和SOC(System on Chip)是微系统实现的两种重要技术途径;基于神经网络的深度学习技术在图形图像、计算机视觉和目标识别等方面得以广泛应用。卷积神经网络的深度...近年来,微电子技术进入到纳电子/集成微系统时代,SIP(System in Package)和SOC(System on Chip)是微系统实现的两种重要技术途径;基于神经网络的深度学习技术在图形图像、计算机视觉和目标识别等方面得以广泛应用。卷积神经网络的深度学习技术在嵌入式平台的小型化、微型化是一项重要研究领域。如何将神经网络轻量化和微系统相结合,达到性能、体积和功耗的最优化平衡是一难点。介绍了一款将SIP技术和基于FPGA的卷积神经网络相结合的微系统实现方案,它以Zynq SOC和FLASH、DDR3存储器为主要组成,利用SIP高密度系统封装技术进行集成,在其中的PL端(FPGA)采用HLS来设计CNN(Convolutional Neural Network,卷积神经网络)中的卷积层和池化层,生成IP核,分时复用构建微系统,设计实现了Micro_VGGNet轻量化模型。测试采用MNIST手写数字数据集作为训练和测试样本,该微系统能够实准确识别手写数字,准确率达到98.1%。体积仅为30 mm×30 mm×1.2 mm,在100 MHz工作频率下,图像处理速度可达到20.65 FPS,功耗仅为2.1 W,实现了轻量化神经网络微系统的多目标平衡(性能、体积和功耗)。展开更多
文摘针对系统级封装尺寸小、供电电压低、工作电流大以及对电源完整性要求高的特殊性,对SIP(System in Package)中基板设计进行电源仿真和优化。通过仿真指导基板设计,提高SIP产品的设计成功率,缩短设计周期。通过Power DC软件进行了直流压降和电流密度的仿真分析,根据电源完整性相关理论,讨论基板设计中电源平面的影响因素,结合版图分析,给出实际的优化方案,并经过仿真迭代验证,使所设计的基板满足产品性能要求。
