麻豆短视频传媒网站,91制片厂李雷韩梅梅

一種基于Quantus-reduce加速模擬仿真驗證分析的解決方案[電子元件][其他]

隨著半導體技術的進步，芯片的設計規(guī)模不斷擴大,，這使得電路設計需要考慮的寄生效應更加復雜,，電路的后仿真工作也變得更加繁重。介紹了如何應用Cadence公司的寄生抽取工具Quantus進行post-layout寄生抽取,，利用Quantus的Standalone Reduction （簡稱Qreduce）功能對后仿網(wǎng)表進行精簡,，以達到縮減網(wǎng)表的規(guī)模，提高仿真速度的目的,。Cadence的Qreduce功能是通過數(shù)學的運算,，將RC網(wǎng)絡進行等效運算，以減少節(jié)點,，從而達到縮減網(wǎng)表的規(guī)模,，但同時保證了不會對精度造成比較大的損失。從后仿網(wǎng)表的縮減程度,、仿真精度的影響,、仿真速度以及內存消耗等方面進行論述，給出關鍵對比指標,。

發(fā)表于：8/25/2023

使用Xcelium Machine Learning技術加速驗證覆蓋率收斂[電子元件][消費電子]

隨著設計越來越復雜,，受約束的隨機化驗證方法已成為驗證的主流方法。一般地,，驗證激勵做到不違反spec描述條件下盡量隨機,，這樣驗證能跑到的空間才更充分。但是，這給功能覆蓋率收斂帶來極大挑戰(zhàn),，為解決這一難題,，Cadence率先推出了仿真器的機器學習功能——Xcelium Machine Learning，采用機器學習技術讓功能覆蓋率快速收斂,，大大提高驗證仿真效率,。介紹了Xcelium Machine Learning的使用流程，并給出在相同模擬（simulation）驗證環(huán)境下應用Machine Learning前后情況對比,。最后Machine Learning在模擬（simulation）驗證中的應用前景進行了展望,。

發(fā)表于：8/25/2023

基于Cadence Integrity 3D-IC的異構集成封裝系統(tǒng)級LVS檢查[電子元件][消費電子]

隨著硅工藝尺寸發(fā)展到單納米水平，摩爾定律的延續(xù)越來越困難,。2D Flip-Chip,、2.5D、3D等異構集成的先進封裝解決方案將繼續(xù)滿足小型化,、高性能,、低成本的市場需求，成為延續(xù)摩爾定律的主要方向,。但它也提出了新的挑戰(zhàn),，特別是對于系統(tǒng)級的LVS檢查。采用Cadence Integrity 3D-IC平臺工具,，針對不同類型的先進封裝,，進行了系統(tǒng)級LVS檢查驗證，充分驗證了該工具的有效性和實用性,，保證了異構集成封裝系統(tǒng)解決方案的可靠性,。

發(fā)表于：8/25/2023

Concurrent Multi-die Optimization物理實現(xiàn)方案的應用[電子元件][其他]

隨著芯片制造工藝不斷接近物理極限，使用多die堆疊的3DIC Chiplets設計已經成為延續(xù)摩爾定律的最佳途徑之一,。Integrity 3D-IC平臺將設計規(guī)劃,、物理實現(xiàn)和系統(tǒng)分析統(tǒng)一集成于單個管理界面中，為3D設計提供了系統(tǒng)完善的解決方案,。其中傳統(tǒng)的die-by-die流程在3D結構建立后分別對兩個die進行2D物理實現(xiàn),，同時工具也開發(fā)了多die協(xié)同（concurrent multidie）的物理實現(xiàn)流程，并行式進行多顆die的布局布線,。此工作在實際項目中,，使用Cadence Integrity 3D-IC 工具，針對性地建立concurrent multidie的流程,，將兩顆die在同一個設計中實現(xiàn)并行擺放,、3D結構單元（Hybrid Bonding bump）的位置優(yōu)化、時鐘樹綜合和繞線,。協(xié)同優(yōu)化的3D物理實現(xiàn)方案相比于die-by-die方案在設計整體結果上有更好的表現(xiàn),。

發(fā)表于：8/25/2023

DDR5仿真精度研究及在內存升級中的應用[電子元件][消費電子]

使用Cadence公司的SystemSI對DDR信號通道進行整體仿真，同時，借助一博科技自研的Interposer夾具進行測試,，經過多次的仿真測試擬合,，所介紹的DDR仿真測試方法可以達到較高的精度。隨著對內存帶寬的需求不斷提升,，作為當前主流的DDR4局限性日益明顯，通過具體案例說明了DDR5信號完整性提升的具體技術,，并通過仿真對比,，展示了DDR5在內存升級過程中的優(yōu)勢。

發(fā)表于：8/25/2023

基于FCM flow的小規(guī)模數(shù)字電路芯片測試[測試測量][消費電子]

隨著芯片工藝的不斷演進,，數(shù)字芯片的規(guī)模急劇增加,，測試成本進一步增加。目前先進的DFT技術已應用于大規(guī)模SoC芯片的測試,，包括掃描路徑設計,、JTAG、ATPG（自動測試向量生成）等,。但對于一些小規(guī)模集成電路,，插入掃描鏈等測試電路會增加芯片面積并增加額外的功耗。對于這種芯片,，功能case生成的pattern可用于檢測制造缺陷和故障,。因此，需要一些方法來驗證覆蓋率是否達到了目標,。Verisium manager工具依靠Xcelium的故障仿真引擎和Jasper功能安全驗證應用程序（FSV）可以解決這個問題,。它為 ATE（自動測試設備）pattern的覆蓋率分析提供了一個新的思路。

發(fā)表于：8/25/2023

基于點云補全的三維目標檢測[人工智能][其他]

LiDAR技術的發(fā)展為自動駕駛提供了豐富的3D數(shù)據(jù),。然而,，由于遮擋和某些反射材料的原因引起信號丟失，LiDAR點云實際上是不完整的2.5D數(shù)據(jù),，這對 3D 感知提出了根本性挑戰(zhàn),。針對這一問題，提出對原始數(shù)據(jù)進行三維補全的方法,。根據(jù)大多數(shù)物體形狀對稱且重復率高的特點,，通過學習先驗對象形狀的方法估計點云中遮擋部分的完整形狀。該方法首先識別被遮擋和信號缺失影響的區(qū)域,，在這些區(qū)域中預測區(qū)域所包含對象形狀的占用概率,。針對物體間遮擋的情況，通過形狀的占用概率和共享同類形狀形態(tài)進行三維補全,。對自身遮擋的物體,，通過自身鏡像進行恢復。最后通過點云目標檢測網(wǎng)絡進行學習。結果表明,，通過該方法能有效地提高生成點云3D邊框的mAP（mean Average Precision）,。

發(fā)表于：8/25/2023

電磁干擾（EMI）如何協(xié)助消費者在選擇汽車應用中的開關轉換器時做出明智的決策[電源技術][汽車電子]

　　在多種市場產品所使用的快速開關電源轉換器中，電磁干擾（EMI）是個特別的問題,。一臺能在一個系統(tǒng)中達到法規(guī)要求的轉換器不一定可以自動符合另一個系統(tǒng)的要求,。此外，系統(tǒng)也可能需要 EMI 濾波措施來達成法規(guī)要求,，但這可能占用大量的整體系統(tǒng)空間,、體積和成本，因此了解適用于不同產品應用的標準至關重要,。本文首先回顧開關轉換器中 EMI 的來源和類型,，接著說明工業(yè)和汽車市場產品監(jiān)管標準之間的差異。最后,，本文展示 Diodes 公司使用的技術,，使其 DC-DC 開關轉換器能夠符合嚴格的汽車標準。

發(fā)表于：8/24/2023

核電行業(yè)網(wǎng)絡安全應急演練模式研究[其他][其他]

針對核電行業(yè)網(wǎng)絡安全應急演練問題進行研究,，首先分析了相關網(wǎng)絡安全威脅,，依此設計可能存在的應急場景，基于核電工控系統(tǒng)實驗室網(wǎng)絡環(huán)境研究應急演練模式,，并通過開展應急演練對其效果進行評價,。通過定期進行應急演練，可以提升核電行業(yè)應急隊伍的安全事件監(jiān)測,、響應,、處置和防護能力，不斷完善網(wǎng)絡安全應急演練制度建設,。

發(fā)表于：8/24/2023

基于白兔時間同步協(xié)議的加速器節(jié)點時鐘同步系統(tǒng)[其他][其他]

提出了一種基于白兔時間同步協(xié)議,，利用SPARTAN6系列現(xiàn)場可編程門陣列(FieldProgrammable Gate Array,FPGA)實現(xiàn)多節(jié)點亞納秒級別時間同步，并通過測量觸發(fā)信號到達時間,，根據(jù)設置的延遲進行恢復,，從而實現(xiàn)高于120 ps時間分辨率。該方法能夠精確控制多節(jié)點信號發(fā)生的絕對時間,，具有廣泛的應用前景,。特別地，該方法可應用于同步輻射加速器中,，提高實驗數(shù)據(jù)的準確性和穩(wěn)定性,，有望在材料科學、生物學和化學等領域中得到廣泛應用,。該研究成果為同步輻射加速器的研究和實驗提供了新的解決方案,，有望推動同步輻射技術的發(fā)展,，為科學研究和工程應用提供更多可能。

發(fā)表于：8/24/2023

數(shù)據(jù)驅動的工業(yè)元宇宙系統(tǒng)研究[人工智能][物聯(lián)網(wǎng)]

物聯(lián)網(wǎng),、大數(shù)據(jù)及新一代信息技術的發(fā)展,，對傳統(tǒng)制造業(yè)帶來前所未有的沖擊，基于數(shù)據(jù)關鍵生產要素的工業(yè)元宇宙建設得到越來越多的關注,，為傳統(tǒng)制造業(yè)帶來了機遇,，也帶來了挑戰(zhàn)。分析討論了工業(yè)元宇宙的背景,、現(xiàn)狀,、關鍵支撐技術，并以某企業(yè)智造元宇宙平臺的AR/VR虛擬仿真實訓系統(tǒng)為例,，初

發(fā)表于：8/24/2023

基于TextCNN-Bert融合模型的不良信息識別技術[人工智能][其他]

敏感領域的不良信息具有極強的迷惑性和欺騙性，腐蝕人們的思想,，影響人們的價值觀和判斷能力,，危害社會安全，研究敏感領域不良信息的識別技術具有深遠意義,。通用的識別技術忽略了背景知識和隱喻問題,，直接應用于敏感領域不良信息識別效果較差。提出一種基于TextCNNBert的融合模型,，通過敏感領域主題識別和情感隱喻識別,，實現(xiàn)對敏感領域不良信息的文本識別。實驗結果表明,，該模型在準確率,、F1評分等指標方面取得了良好的結果，相較于現(xiàn)有模型有顯著提高,。

發(fā)表于：8/24/2023

基于圖像降噪的集成對抗防御模型研究[模擬設計][工業(yè)自動化]

深度學習的快速發(fā)展使其在圖像識別,、自然語言處理等諸多領域廣泛應用。但是,，學者發(fā)現(xiàn)深度神經網(wǎng)絡容易受到對抗樣本的欺騙,，使其以較高置信度輸出錯誤結果。對抗樣本的出現(xiàn)給對安全性要求嚴格的系統(tǒng)帶來很大威脅,。研究了在低層特征（LowLevel Feature）和高層特征（HighLevel Feature）對圖像進行降噪以提升模型防御性能,。在低層訓練一個降噪自動編碼器，并采用集成學習的思路將自動編碼器,、高斯擾動和圖像掩碼重構等多種方式結合,；高層對ResNet18作微小改動加入均值濾波。實驗顯示,，所提出的方法在多個數(shù)據(jù)集的分類任務上有較好的防御性能,。

發(fā)表于：8/24/2023

基于因果關系和特征對齊的圖像分類域泛化模型[人工智能][其他]

針對現(xiàn)有域泛化方法性能較差或缺乏理論可解釋性的缺點,，提出了一種基于因果關系和特征對齊的圖像分類域泛化模型，并證明了該模型的可識別性,。該模型利用域泛化中的因果關系來學習含有不同信息的特征,，將域泛化問題轉化為特征相關分布的偏移，再利用特征對齊消除偏移,。為提高模型的性能,，采用對抗訓練進一步優(yōu)化學到的特征。在公共數(shù)據(jù)集上的實驗結果表明,，新提出的模型與目前最優(yōu)的方法性能相當,，表明該模型具有理論可解釋性的同時，還有不俗的實際性能表現(xiàn),。

發(fā)表于：8/24/2023

基于改進的長短期記憶神經網(wǎng)絡交通流預測[通信與網(wǎng)絡][汽車電子]

針對未來時刻交通流量的預測問題,，在考慮歷史時刻車流量數(shù)據(jù)、日期屬性,、天氣,、降雨量等多方面影響因素的同時，提出一種考慮多方面影響因素的長短期記憶神經網(wǎng)絡(LSTM*)模型,。實驗表明在對短期車流量進行預測時,，LSTM*模型的準確性優(yōu)于現(xiàn)有的基線方法；對長期車流量進行預測時,，基于粒子群算法改進的長短期記憶神經網(wǎng)絡（PSOLSTM*）模型的準確性優(yōu)于LSTM*模型,。

發(fā)表于：8/24/2023