350 руб
Журнал «Успехи современной радиоэлектроники» №9 за 2018 г.
Статья в номере:
Методические и алгоритмические средства автоматизированного вероятностного анализа параметров СВЧ-микросхем
Тип статьи: научная статья
DOI: 10.18127/j20700784–201809–02
УДК: 519.711.2
Авторы:

С.А. Мешков – к.т.н., доцент, Московский государственный технический университет им. Н.Э. Баумана E-mail: sb67241@mail.ru

Аннотация:

Рассмотрены численные методы и алгоритмы вероятностного анализа параметров СВЧ-микросхем для систем автоматизированного проектирования. Приведен алгоритм расчета условной вероятности выхода годных многопараметрических СВЧустройств. Исследованы методические подходы к моделированию технологического разброса конструкционных параметров СВЧ-микросхем в системах автоматизированного проектирования. Обсуждены проблема сопряжения подсистемы моделирования технологических погрешностей параметров конструкции с подсистемой детерминированного анализа электрических характеристик СВЧ-микросхем. Приведены правила и примеры вероятностного моделирования параметров конструкций СВЧмикросхем.

Страницы: 15-24
Список источников
  1. Федоров Ю.В, Мальцев П.П, Гнатюк Д.Л., Матвиенко О.С., Карпухин Д.В., Гамкрелидзе С.А. Создание СВЧ монолитных ИС 5-миллиметрового диапазона для применения в перспективных КС // Ракетно-космическое приборостроение и информационные системы. 2016. Т. 3. Вып. 2. С. 73–78.
  2. Гудков А.Г., Бушминский И.П., Дергачев Ф.В. и др. Конструкторско-технологические основы проектирования полосковых микросхем // Под ред. И.П. Бушминского. М.: Радио и связь. 1987.
  3. Разевиг В.Д., Потапов Ю.В., Курушин А.А. Проектирование СВЧ устройств с помощью Microwave Office. М.: Солон-Пресс. 2003.
  4. Кремер Н.Ш. Теория вероятностей и математическая статистика. Изд. 2-е, перераб. и доп. М.: 2004.
  5. Михайлов Г.А., Войтишек А.В. Численное статистическое моделирование. Методы Монте-Карло. М.: Издательский центр «Академия». 2006.
  6. Singhee A., Rutenbar R.A. Why Quasi-Monte Carlo is Better Than Monte Carlo or Latin Hypercube Sampling for Statistical Circuit Analysis // IEEE Transactions On Computer-Aided Design Of Integrated Circuits And Systems. 2010. V. 29. № 11. P. 1763–1776.
  7. Afacan E. et al. Adaptive sized quasi-monte carlo based yield aware analog circuit optimization tool // 2014 5th European Workshop on CMOS Variability (VARI). IEEE. P. 1–6.
  8. Canelas A. et al. Yield optimization using k-means clustering algorithm to reduce Monte Carlo simulations // 2016 13th International Conference on Synthesis, Modeling, Analysis and Simulation Methods and Applications to Circuit Design (SMACD). IEEE, P. 1–4.
  9. Okobiah O., Mohanty S. P., Kougianos E. Fast statistical process variation analysis using universal Kriging metamodeling: A PLL example // 2013 IEEE 56th International Midwest Symposium on Circuits and Systems (MWSCAS). IEEE. P. 277–280. 
  10. Koziel S., Bandler J.W. Rapid Yield Estimation and Optimization of Microwave Structures Exploiting Feature-Based Statistical Analysis // IEEE Transactions On Microwave Theory And Techniques. 2015. V. 63. № 1. P. 107–114.
Дата поступления: 13 июня 2018 г.