模拟CMOS集成电路设计中的gm/id设计方法及用Cadence Virtuoso IC617仿真有关参数曲线-程序员宅基地

技术标签: Cadence Virtuoso IC有关  模拟  硬件  芯片  

前言

本文为我自己的学习笔记,属于Cadence Virtuoso系列的进阶部分,采用的软件版本是Cadence Virtuoso IC617。其他文章请点击上方,看我制作的Cadence Virtuoso专栏内容。

在前面的文章中,记录了使用工艺参数对运放进行设计的过程。一般是先仿真出当前工艺库有关参数,再代入每一个晶体管中进行计算,数据较为复杂,同时计算量庞大。当一个设计中有较多晶体管时,修改其中一项参数就会导致有较多的数据需要被重新计算。同时,在短沟道器件中,MOS的经验公式逐渐失效。所以,引入
gm/id设计方法,能高效和准确地进行设计工作。

原理

放大器中的MOS工作状态

假设器件为N-MOS,要让其正常工作,以下电路拓扑是最简单的。
在这里插入图片描述

在进一步了解其他原理之前,先定义过驱动电压VOV如下。

V O V = V G S − V T N = 2 I D μ n C o x ( W L ) n V_{OV}=V_{GS}-V_{TN}=\sqrt{ {2I_D \over \mu_nC_{ox} ({W\over L})_n}} VOV=VGSVTN=μnCox(LW)n2ID

在MOS用于放大器应用时,常使其工作于饱和区(下图中右侧区域),忽略沟道长度调制效应后,即电流Id仅与过驱动电压有关。
在这里插入图片描述

跨导gm

对于应用于放大器中的MOS器件来说,输入信号为电压,输出信号为电流,所以可以定义一个参量,表示这个器件的电压转换成电流的能力,即跨导gm,可以将其看成是品质因数。

用输出电流除以输入电压,有以下式子。至于为啥系数是2,根据V-I特性公式就能得出了。

g m = 2 I D V O V g_m={2I_D \over V_{OV}} gm=VOV2ID

由这个式子,可以得到下面的曲线。其中的斜率,就是gm。当过驱动电压增加时,输出电流也随之增加。但实际上不成严格的一次线性关系,而带有一定的二次系数。
在这里插入图片描述

gm/id

假如有两只晶体管,他们的参数不一样,我们绘制它们的Vov-ID曲线,得到下图。观察横虚线,对于不同gm值的晶体管,要想达到相同的ID,就需要不同的过驱动电压Vov。同样的,观察竖虚线,在相同的过驱动电压下,有着不同的ID。也就是说,它们有着不同的“效率”。
在这里插入图片描述

现在,引入一个全新的参量:gm/id,它的值和过驱动电压的倒数有关。

g m I D = 2 V O V {g_m \over I_D} ={2 \over V_{OV}} IDgm=VOV2

我们可以从两个角度去理解这个参数。

第一个,将其看成是,为了代替过驱动电压Vov这个参数而引入的。

第二个,单位电流下的gm,即“gm效率”,在投入相同的ID时,当gm效率越高,所得到的gm越多。

那么,有了这个定义,我们应该怎么去合理选择一个晶体管的gm/id值?从下面三个小标题中的内容得知,我们需要通过选择一个晶体管的gm/id大小,来达到增益与带宽的折中(可以看成带宽增益积GBW是个定值),增益大了带宽就小,带宽大了增益就小,同时,也要兼顾噪声的影响。

增益gian

在运放的设计中,增益是我们要考虑的重要参数之一。对于一个固定工艺和固定参数的晶体管来说,当gm/id的值越大时,其能提供的增益也就越大。同时,在相同的工艺下,栅长L越大,增益越大。
在这里插入图片描述

带宽fT

带宽fT也是重要参数之一。在相同的工艺下,当gm/id的值越小时,其带宽越大。同时,在相同的工艺下,栅长L越小,带宽越大。
在这里插入图片描述

噪声Vn

此处只考虑晶体管自身最大的噪声源热噪声,而对和频率f有关的闪烁噪声暂时不考虑。
在这里插入图片描述

针对热噪声,有以下式子。
V n 2 , i n ‾ = 4 k T γ g m V n 2 , o u t ‾ = 4 k T γ g m r o 2 \overline{V_n^2,in}={4kT\gamma \over g_m} \\\quad\\ \overline{V_n^2,out}=4kT\gamma g_m r_o^2 Vn2,in=gm4kTγVn2,out=4kTγgmro2

  • MOS作为放大器,噪声在输入端,设计时要使得gm稍大(gm/id稍大)
  • MOS作为电流镜,噪声在输出端,设计时要使得gm稍小(gm/id稍小)

电流密度

前面铺垫了那么多,其实都是在讲一些基本理论。我们在设计运放时,无非就是设计晶体管的尺寸,即W和L。那么,我们怎样把gm/id的数值映射到尺寸上?

此处引入一个新的概念,电流密度,用id/W代表。意思是,在单位尺寸W下的电流。在不同的gm/id取值下,有着不同的电流密度id/W。同时,晶体管的栅长L也对其有一定的影响。
在这里插入图片描述

到了这一步,我们就可以完整设计出晶体管的尺寸了。在上图中,我们选定了gm/id的数值,同时选定L的数值,在曲线中,我们就可以得出id/W的数值,对应的W数值也就出来了。

计算步骤

使用gm/id进行晶体管的设计,本质上是一种查表法(轮询),计算量不大,确定gm/id数值后,只需要在对应的曲线或表格中查找所需要的数值即可。

开始时,需要从给定的目标参数带宽增益积GBW和所需要的负载电容CL入手,得到gm的数值(一般为输入管)。

建议:CL需要考虑电路本身的寄生参数,所以计算时取1.2倍CL,即设计CL为10pF,仿真时负载电容设计为10pF,但代入GBW公式中CL的值为12pF。

G B W = A V f T = g m 2 π C L GBW=A_Vf_T={ g_m \over 2 \pi C_L } GBW=AVfT=2πCLgm

  1. 得到gm
  2. 带宽和增益折中后,选定gm/id和L,得到id
  3. 在曲线里得到id/W的数值
  4. 得到W
  5. 仿真验证,可跳到2步骤重新进行微调

当所在支路的电流id已知后,可以直接跳到3和4的步骤。

曲线仿真

在上面的理论部分,我们发现电流密度id/W的曲线比较重要,我们需要对晶体管进行仿真得到这个曲线,才能进行上述的设计。同时我们顺便观察一下增益。

N-MOS仿真

原理图

和前面测试V-I特性曲线一致,同时,暂时不考虑体效应,B端直接接地。由于最后面得出的W会非常大,所以需要对晶体管的Multiplier或者Fingers进行设置,将大的晶体管分成小块,将它们并联或者串联,减小寄生参数。这里设置Multiplier为变量。
在这里插入图片描述

仿真设置

打开ADE-L,进行仿真设置。
在这里插入图片描述

对变量赋初值。其中,W对仿真结果稍微有点影响,后期根据实际得出的W,微调后重新仿真。
在这里插入图片描述

设置为dc仿真,变量为vgs。
在这里插入图片描述

先仿真一下,生成各个部分的直流参数。
在这里插入图片描述

仿真参数设置

打开工具里的计算器。
在这里插入图片描述

选择功能面板。
在这里插入图片描述

在查找里搜索,最终找到waveVsWave,用于绘制波形。
在这里插入图片描述

选择上部的os按钮。
在这里插入图片描述

点击原理图中的晶体管。
在这里插入图片描述

在小窗口中选择gmoverid这一项。
在这里插入图片描述

将其复制进波形绘制窗口中的X轴位置。
在这里插入图片描述

同理,将“self_gain”添加进Y轴。此处不需要再次点击晶体管了,只需要在小窗口中的list里直接选择即可。
在这里插入图片描述

部分工艺库没有self_gain,就手动输入gm/gds。代码在下面

OS("/NM0","gm")/OS("/NM0","gds")

点击Apply。
在这里插入图片描述

将生成的公式送回到仿真环境中。
在这里插入图片描述

还需要id的数值,添加进去之后,手动输入除以变量W,就是前面提到的电流密度。

OS("/NM0","id")/VAR("W")

送回到仿真环境中。
在这里插入图片描述

至此,在仿真器中,就有了两个输出波形。
在这里插入图片描述

当然,我们也可以直接用代码生成输出参数。为什么这一段不放在前面写,是为了让我们熟练使用这个计算器,以后做其他仿真的时候,计算器这个工具是必须要会用的。
在这里插入图片描述

当熟练之后,可以直接在输出设置里添加以下代码。注意,此处晶体管名字是NM0,如果是其他名字,记得修改代码中对应部分。

waveVsWave(?x OS("/NM0" "gmoverid") ?y OS("/NM0" "self_gain"))
waveVsWave(?x OS("/NM0" "gmoverid") ?y (OS("/NM0" "id") / VAR("W")))

另外,我们也可以扫描出过驱动电压Vov和沟道长度调制系数 λ,可以直接使用以下代码。在一些文献中也提到用VGS参数,在最后一行也放出来了。

waveVsWave(?x OS("/NM0" "gmoverid") ?y (OS("/NM0" "vgs") - OS("/NM0" "vth")))
waveVsWave(?x OS("/NM0" "gmoverid") ?y (OS("/NM0" "gds") / OS("/NM0" "id")))
waveVsWave(?x OS("/NM0" "gmoverid") ?y OS("/NM0" "vgs"))

参数扫描

设置参数扫描
在这里插入图片描述

将栅长L从200n扫描至2200n(其实可以不用那么多,1000n就可以了,一般的设计用不到那么大的L)。
在这里插入图片描述

仿真结果

点击仿真后,生成两组曲线。左边是id/W,右边是gain。
在这里插入图片描述

右键单击id/W的Y轴,将其改成对数显示。
在这里插入图片描述

出来的曲线就更直观了。
在这里插入图片描述

在设计的时候,添加一个Marker,就能得出某个gm/id下对应的id/W和gain数值。
在这里插入图片描述

保存结果

我们可以选择保存结果,下次就不用再进行仿真设置。
在这里插入图片描述

修改名字后,点击OK确定。
在这里插入图片描述

下次打开仿真器时,直接加载即可。
在这里插入图片描述

选择上次保存的仿真设置。
在这里插入图片描述

P-MOS仿真

原理图

设计原理图,对于P管,暂时不考虑体效应,B端直接接VDD。
在这里插入图片描述

仿真设置

和N管一样,设置变量初值,设置dc仿真,最后设置输出。

附上输出参量的两个代码。注意,id/W的结果是负值,所以加了abs绝对值函数。

waveVsWave(?x OS("/PM0" "gmoverid") ?y OS("/PM0" "self_gain"))
waveVsWave(?x OS("/PM0" "gmoverid") ?y abs(OS("/PM0" "id") / VAR("W")))

还有三个参数,注意其中的abs绝对值函数

waveVsWave(?x OS("/PM0" "gmoverid") ?y (OS("/PM0" "vgs") - OS("/PM0" "vth")))
waveVsWave(?x OS("/PM0" "gmoverid") ?y abs((OS("/PM0" "gds") / OS("/PM0" "id"))))
waveVsWave(?x OS("/PM0" "gmoverid") ?y OS("/PM0" "vgs"))

设置好的仿真器,可以和自己的对照一下。
在这里插入图片描述

仿真结果

设置好参数扫描后,得到了仿真结果,再设置id/W曲线的Y轴为log坐标。
在这里插入图片描述

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/weixin_44115643/article/details/119419501

智能推荐

解决win10/win8/8.1 64位操作系统MT65xx preloader线刷驱动无法安装_mt65驱动-程序员宅基地

文章浏览阅读1.3w次。转载自 http://www.miui.com/thread-2003672-1-1.html 当手机在刷错包或者误修改删除系统文件后会出现无法开机或者是移动定制(联通合约机)版想刷标准版,这时就会用到线刷,首先就是安装线刷驱动。 在XP和win7上线刷是比较方便的,用那个驱动自动安装版,直接就可以安装好,完成线刷。不过现在也有好多机友换成了win8/8.1系统,再使用这个_mt65驱动

SonarQube简介及客户端集成_sonar的客户端区别-程序员宅基地

文章浏览阅读1k次。SonarQube是一个代码质量管理平台,可以扫描监测代码并给出质量评价及修改建议,通过插件机制支持25+中开发语言,可以很容易与gradle\maven\jenkins等工具进行集成,是非常流行的代码质量管控平台。通CheckStyle、findbugs等工具定位不同,SonarQube定位于平台,有完善的管理机制及强大的管理页面,并通过插件支持checkstyle及findbugs等既有的流..._sonar的客户端区别

元学习系列(六):神经图灵机详细分析_神经图灵机方法改进-程序员宅基地

文章浏览阅读3.4k次,点赞2次,收藏27次。神经图灵机是LSTM、GRU的改进版本,本质上依然包含一个外部记忆结构、可对记忆进行读写操作,主要针对读写操作进行了改进,或者说提出了一种新的读写操作思路。神经图灵机之所以叫这个名字是因为它通过深度学习模型模拟了图灵机,但是我觉得如果先去介绍图灵机的概念,就会搞得很混乱,所以这里主要从神经图灵机改进了LSTM的哪些方面入手进行讲解,同时,由于模型的结构比较复杂,为了让思路更清晰,这次也会分开几..._神经图灵机方法改进

【机器学习】机器学习模型迭代方法(Python)-程序员宅基地

文章浏览阅读2.8k次。一、模型迭代方法机器学习模型在实际应用的场景,通常要根据新增的数据下进行模型的迭代,常见的模型迭代方法有以下几种:1、全量数据重新训练一个模型,直接合并历史训练数据与新增的数据,模型直接离线学习全量数据,学习得到一个全新的模型。优缺点:这也是实际最为常见的模型迭代方式,通常模型效果也是最好的,但这样模型迭代比较耗时,资源耗费比较多,实时性较差,特别是在大数据场景更为困难;2、模型融合的方法,将旧模..._模型迭代

base64图片打成Zip包上传,以及服务端解压的简单实现_base64可以装换zip吗-程序员宅基地

文章浏览阅读2.3k次。1、前言上传图片一般采用异步上传的方式,但是异步上传带来不好的地方,就如果图片有改变或者删除,图片服务器端就会造成浪费。所以有时候就会和参数同步提交。笔者喜欢base64图片一起上传,但是图片过多时就会出现数据丢失等异常。因为tomcat的post请求默认是2M的长度限制。2、解决办法有两种:① 修改tomcat的servel.xml的配置文件,设置 maxPostSize=..._base64可以装换zip吗

Opencv自然场景文本识别系统(源码&教程)_opencv自然场景实时识别文字-程序员宅基地

文章浏览阅读1k次,点赞17次,收藏22次。Opencv自然场景文本识别系统(源码&教程)_opencv自然场景实时识别文字

随便推点

ESXi 快速复制虚拟机脚本_exsi6.7快速克隆centos-程序员宅基地

文章浏览阅读1.3k次。拷贝虚拟机文件时间比较长,因为虚拟机 flat 文件很大,所以要等。脚本完成后,以复制虚拟机文件夹。将以下脚本内容写入文件。_exsi6.7快速克隆centos

好友推荐—基于关系的java和spark代码实现_本关任务:使用 spark core 知识完成 " 好友推荐 " 的程序。-程序员宅基地

文章浏览阅读2k次。本文主要实现基于二度好友的推荐。数学公式参考于:http://blog.csdn.net/qq_14950717/article/details/52197565测试数据为自己随手画的关系图把图片整理成文本信息如下:a b c d e f yb c a f gc a b dd c a e h q re f h d af e a b gg h f bh e g i di j m n ..._本关任务:使用 spark core 知识完成 " 好友推荐 " 的程序。

南京大学-高级程序设计复习总结_南京大学高级程序设计-程序员宅基地

文章浏览阅读367次。南京大学高级程序设计期末复习总结,c++面向对象编程_南京大学高级程序设计

4.朴素贝叶斯分类器实现-matlab_朴素贝叶斯 matlab训练和测试输出-程序员宅基地

文章浏览阅读3.1k次,点赞2次,收藏12次。实现朴素贝叶斯分类器,并且根据李航《统计机器学习》第四章提供的数据训练与测试,结果与书中一致分别实现了朴素贝叶斯以及带有laplace平滑的朴素贝叶斯%书中例题实现朴素贝叶斯%特征1的取值集合A1=[1;2;3];%特征2的取值集合A2=[4;5;6];%S M LAValues={A1;A2};%Y的取值集合YValue=[-1;1];%数据集和T=[ 1,4,-1;..._朴素贝叶斯 matlab训练和测试输出

Markdown 文本换行_markdowntext 换行-程序员宅基地

文章浏览阅读1.6k次。Markdown 文本换行_markdowntext 换行

错误:0xC0000022 在运行 Microsoft Windows 非核心版本的计算机上,运行”slui.exe 0x2a 0xC0000022″以显示错误文本_错误: 0xc0000022 在运行 microsoft windows 非核心版本的计算机上,运行-程序员宅基地

文章浏览阅读6.7w次,点赞2次,收藏37次。win10 2016长期服务版激活错误解决方法:打开“注册表编辑器”;(Windows + R然后输入Regedit)修改SkipRearm的值为1:(在HKEY_LOCAL_MACHINE–》SOFTWARE–》Microsoft–》Windows NT–》CurrentVersion–》SoftwareProtectionPlatform里面,将SkipRearm的值修改为1)重..._错误: 0xc0000022 在运行 microsoft windows 非核心版本的计算机上,运行“slui.ex