一种基于人工神经网络的运算放大器宏模型设计方法技术

本发明专利技术涉及集成电路EDA软件中的电路模型自动设计建模领域，具体为一种基于人工神经网络的运算放大器宏模型设计方法。通过使用人工神经网络（ANN）对直流输出电压Vout、静态功率Iq和信号路径的主极点Pole进行精确建模，增强型人工神经网络ANN OPAMP宏模块可以高精度地进行直流、交流和瞬态仿真。通过独特的自适应采样算法，可以显著提高模型精度。与SPICE模型相比，增强的ANN OPAMP宏模型的模拟速度快，而不会明显降低模型精度。不会明显降低模型精度。不会明显降低模型精度。

【技术实现步骤摘要】
一种基于人工神经网络的运算放大器宏模型设计方法


[0001]本专利技术涉及集成电路EDA软件中的电路模型自动设计建模领域，具体为一种基于人工神经网络的运算放大器宏模型设计方法。

技术介绍

[0002]在集成电路EDA设计领域中，电路的模型在EDA的仿真和功能验证中起着至关重要的作用。如果没有简化但精确的模型，模拟电路设计者无法在短时间内设计复杂的电子系统。
[0003]宏模型是一种广泛使用的方法，它允许设计者在模拟复杂电子系统时减少所需的高计算时间。自20世纪70年代以来，已经发展出了各种宏模型，包括运算放大器、锁相环和比较器等。通过使用简化和构建方法的组合，Boyle开发了双极晶体管集成运算放大器的完整宏模型。随后，对FET/双极运算放大器和所有MOS运算放大器的模型进行了改进。在这些模型中使用了简化的双晶体管差分放大器作为输入级。Sanchez Sinencio和Majewski通过使用构造技术，提出了一个简单得多的运算放大器宏模型。宏模型也适用于特殊用途的应用。提出了用于模拟/数字混合模式仿真的非线性时域运算放大器宏模型。线性技术公司开发了另一种运算放大器宏模型，用于一般电路设计目的。
[0004]因为运算放大器是模拟集成电路常用的基本部件。近年来开发了多种运算放大器宏模型。使用宏模型而不是真正的运算放大器有一些优点，包括可以减少模拟时间、减少设计周期时间、易于知识产权保护、方便集成电路的简化等。因为宏模型仅反映运算放大器的输入输出行为。宏模型参数可以从运算放大器终端处进行的测量中计算出来。r/>[0005]人工神经网络（Artificial Neural Network，简称ANN）被证明是宏观建模中所需的逼近器的一个优秀候选。首先有人提出了一种时域ANN宏建模概念。MOS晶体管和非线性动态电路通过ANN建模。ANN也多次成功应用于电子电路建模，尤其是在射频电路领域。通过测量输入（激励信号）和输出（响应）量，获取用于训练ANN模型的电路块的数据。基于ANN的电路宏模型使用迭代数学结构，并使用梯度下降监督学习来映射电路电气特性。通过添加非线性激活函数，神经网络架构可以容易地捕捉非线性电特性曲线。神经网络的连续性有助于避免电路仿真中的收敛问题。此外，ANN模型可以将不是电路输入值的参数（例如温度）包括到训练过程中。由于这些原因，ANN电路模型可以作为传统晶体管级物理模型的良好补充。
[0006]由于传统的EDA软件中针对于运算放大器的建模仅仅是通过简化法和构造法得到的，该方法的模型精度较差，而且性能参数无法随着端口电压而改变，从而造成在EDA软件中的仿真结果不够精确而且还存在着仿真收敛问题。

技术实现思路

[0007]针对现有技术的不足，本专利技术提供了一种基于人工神经网络的运算放大器宏模型设计方法，通过使用ANN对直流输出电压Vout、静态功率Iq和信号路径的主极点Pole进行精
确建模，增强型ANN OPAMP宏模块可以高精度地进行直流、交流和瞬态仿真。通过独特的自适应采样算法，可以显著提高模型精度。与SPICE模型相比，增强的ANN OPAMP宏模型的模拟速度快，而不会明显降低模型精度。
[0008]本专利技术采用的技术方案如下：一种基于人工神经网络（ANN）的运算放大器宏模型设计方法，包括一下步骤：A1、确定运算放大器的简化电路建模端口；A2、建立运算放大器的简化电路宏模型并得到性能参数默认值；A3、对运算放大器各端口施加直流偏置电压，提取各端口的输入直流电压以及直流性能参数数据；A4、在A3中得到了不同输入电压条件下的输出电压和静态功耗的晶体管模型的仿真结果，利用人工神经网络对晶体管模型的仿真结果进行直流输入电压和输出电压以及静态功耗的曲线拟合即可得到运算放大器的直流性能参数ANN模型；A5、对运算放大器的各端口施加直流电压，分别在运算放大器的各端口添加AC交流电压小信号，提取运算放大器的输出电压并计算得到增益
‑
频率波特图；A6、根据A5得到的增益
‑
频率波特图，提取增益下降3dB处频率值从而得到主极点频率，然后根据运算放大器简化电路宏模型结构，极点由电阻和电容构成，通过将电阻值固定，从而求出主极点的电容值；A7、将人工神经网络模型以运算放大器各端口直流电压作为输入，通过A6求得的主极点电容的电容值作为输出进行训练，得到运算放大器的主极点以电容表示的人工神经网络模型；A8、将A4得到DC直流性能参数的人工神经网络模型和A7得到的运算放大器的主极点电容的人工神经网络模型用Verilog
‑
A进行表示；A9、将A8得到的直流性能参数的人工神经网络模型的verilog
‑
A代码放入A2建立的运算放大器的简化电路宏模型中，并用人工神经网络模型替换掉对应的直流性能参数默认值；A10、将A8得到的运算放大器的主极点电容的人工神经网络模型的verilog
‑
A代码放入A2建立的运算放大器的简化电路宏模型中，并用人工神经网络模型替换掉对应的交流性能参数默认值。
[0009]进一步的，在A2步骤中的性能参数默认值包括静态功耗Iq、增益Gain、主极点Pole。
[0010]进一步的，在A3步骤中的直流性能参数数据包括静态功耗Iq，输出电压Vout。
[0011]进一步的，A4步骤中的直流性能参数人工神经网络模型包括Gain
‑
ANN模型和Iq
‑
ANN模型和Pole
‑
ANN模型。
[0012]值得说明的是，在建立ANN模型时，直流电压作为ANN的模型输入，直流性能参数值作为ANN的模型输出。
[0013]有益效果：本专利技术提供的一种基于人工神经网络的运算放大器宏模型设计方法，具有以下优点：该基于人工神经网络的运算放大器宏模型设计方法，通过使用人工神经网络来捕捉运算放大器模块的端口电压和性能参数（例如Gain
‑
ANN模型，Iq
‑
ANN模型，Pole
‑
ANN模
型）之间的关系。模型中同时考虑了直流 (DC) 和交流 (AC) 信号。可以针对运算放大器进行高精度建模，可以在保持较快仿真速度的情况下，显著得提高运算放大器的仿真精度。
[0014]该基于人工神经网络的运算放大器宏模型设计方法，用计算机和人工神经网络结构进行运算放大器ANN宏模型的自动建模流程，不需要借助设计师的先验知识，极大的提高了设计效率，降低了设计门槛。
[0015]相比于传统的运算放大器一阶小信号模型，该增强型运算放大器简化电路ANN宏模型可以通过ANN模型实现对增益，主极点和静态功耗的动态建模，显著提高了模型的仿真精度以及收敛能力。
[0016]通过ANN模型与简化电路宏模型的共同建模，可以实现运算放大器任何性能参数的高精度建模，并且也可以灵活进行模型结构的优化和调整。
附图说明
[0017]图1为本专利技术运算放大器的简化电路结构示意图；图2为本专利技术AN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工神经网络的运算放大器宏模型设计方法，其特征在于，包括以下步骤：A1、确定运算放大器的简化电路建模端口；A2、建立运算放大器的简化电路宏模型并得到性能参数默认值；A3、对运算放大器各端口施加直流偏置电压，提取各端口的输入直流电压以及直流性能参数数据；A4、在A3中得到了不同输入电压条件下的输出电压和静态功耗的晶体管模型的仿真结果，利用人工神经网络对晶体管模型的仿真结果进行直流输入电压和输出电压以及静态功耗的曲线拟合即可得到运算放大器的直流性能参数ANN模型；A5、对运算放大器的各端口施加直流电压，分别在运算放大器的各端口添加AC交流电压小信号，提取运算放大器的输出电压并计算得到增益
‑
频率波特图；A6、根据A5得到的增益
‑
频率波特图，提取增益下降3dB处频率值从而得到主极点频率，然后根据运算放大器简化电路宏模型结构，极点由电阻和电容构成，通过将电阻值固定，从而求出主极点的电容值；A7、将人工神经网络模型以运算放大器各端口直流电压作为输入，通过A6求得的主极点电容的电容值作为输出进行训练，得到运算放大器的主极点以电容表示的人工神经网络模型；A8、将A4得到DC直流性能参数的人工神经网络模型和A7得到的运算放大器的...

【专利技术属性】
技术研发人员：蓝碧健，魏佳豪，张征，张静肖，
申请(专利权)人：苏州复鹄电子科技有限公司，
类型：发明
国别省市：