【導讀】近年來隨著高性能計算需求的持續增長，HBM（High Bandwidth Memory，高帶寬存儲器）總線接口被應用到越來越多的芯片產品中，然而HBM的layout實現完全不同于傳統的Package/PCB設計，其基于2.5D interposer的設計中，由于interposer各層厚度非常薄且信號線細，使得直流損耗、容性負載、容性/感性耦合等問題嚴重，給串擾和插損指標帶來了非常大的挑戰。
近年來隨著高性能計算需求的持續增長，HBM（High Bandwidth Memory，高帶寬存儲器）總線接口被應用到越來越多的芯片產品中，然而HBM的layout實現完全不同于傳統的Package/PCB設計，其基于2.5D interposer的設計中，由于interposer各層厚度非常薄且信號線細，使得直流損耗、容性負載、容性/感性耦合等問題嚴重，給串擾和插損指標帶來了非常大的挑戰。
為應對這些挑戰，傳統上可以通過參數化建模進行大量例子掃描迭代仿真，來確定合適的方案。但由于HBM設計方案可變化的方式非常多，使得掃描仿真的工作量很大，同時大量的掃描仿真也對仿真計算資源和產品交付時間造成了很大的壓力。
本篇文章將針對上述HBM設計挑戰和傳統仿真流程上的問題，提出相應的解決方案。
HBM仿真實例
HBM仿真設計的關鍵在于，確定合適的interposer出線類型。HBM的出線類型仿真確認流程在行業里有兩種方式：
1)前仿真確認，即仿真工程師創建參數化的HBM出線類型仿真，通過仿真確認最佳出線類型，并反饋給layout工程師實現。相對來說效率較高，可嘗試大量的出線類型進而選擇更好的。這是一種主流的方式。
2)后仿真確認，即layout工程師做多種不同的設計用于仿真。相對來說效率較低，可嘗試的出線類型數量有限，難以獲得最佳值。本文將不做討論。
圖1 HBM 出線類型截面
上圖1是4種簡化的HBM出線類型截面示意圖，這個設計方案中有5層金屬層，其中褐色為信號，綠色為GND。從這4種出線類型中可以看到，信號和GND分布的位置是不同的，對應的性能也會有所不同。這些位置信息可以定義為變量信息，而位置的變化就是變量的取值，因此，需要進行掃描仿真來判斷最佳位置。HBM的出線類型相關的變量可達十幾種，比如：信號金屬寬度/厚度、GND金屬寬度、相對位置、介質厚度、縱向GND處理方式等。各種變量在不同的取值組合下，相應地、迭代的case數量會達到幾百種甚至更多，這需要在前仿真中完成。因此，傳統方法上獲得一個較好的出線類型有很大工作量和仿真時間需求。
如何在有限的時間內，在仿真少數case的情況下，就找到較好的答案？
Cadence Optimality Intelligent System Explorer 的AI算法在下圖2的HBM仿真設計流程中替代了傳統的遍歷掃描，實現了AI智能參數化判別掃描，來加速迭代結果收斂。應用AI算法使得計算幾十個例子所得的結果就能達到傳統數百個參數化仿真迭代的效果。
圖2 HBM仿真設計流程圖
根據用戶計劃仿真的HBM 出線類型和對應的變量，將其在Cadence Clarity 3D Workbench中創建出HBM 3D結構圖，如下圖3。注意：所有需要參與參數化仿真的結構都要定義為變量，比如：金屬線寬度。
圖3 HBM 3D結構
完成HBM 3D結構設計、仿真端口頻率等設置后，在Optimality Explorer界面中勾選相關參與掃描的變量，并對變量取值范圍進行定義。變量取值類型支持連接值、離散值、數組三種類型，如下圖4。離散和數組類型是因為在生產中有些結構只有固定幾種選項可以選擇，比如：介質厚度、金屬厚度。
圖4參數掃描定義
完成變量參數定義后，接著定義相應端口的插損、串擾相關表達式及收斂目標函數，如下圖5，以便用于AI仿真收斂。
圖5定義收斂目標函數
下圖6為仿真結果收斂記錄圖表。從圖表上可以看到第29次的時候已經獲得非常好的值，這時用戶就可以停止本次仿真或者先用第29次的結果作下一步的仿真。Optimality Explorer支持多case并行仿真，以進一步減少仿真時間。
圖6收斂紀錄圖表
將優化完成的HBM 出線類型對應的S參數在時域里驗證，如果能滿足要求，則將對應的參數傳遞給interposer layout工程師，并根據這些參數完成最終的HBM設計。最終，設計好的HBM layout導入Clarity 3D Solver中再次提取模型，并加載到Cadence Sigrity Topology Explorer（TopXP）中進行最后的時域眼圖仿真，如下圖7。
圖7時域鏈路
總結
本例中應用了Cadence 公司的Optimality Explorer優化，其內嵌AI算法，并與Clarity 3D Solver的參數化仿真結合，幫助用戶快速收斂結果。Optimality Explorer具有極強的樣本有效性，只需較少地迭代次數，即可得到一個較好的結果。內部AI優化算法通過基于目標函數的前期評估結果建立替代函數（概率模型），來找到最小化目標函數的值。該AI算法與傳統隨機或網格搜索的不同之處在于，它在嘗試下一組超參數時，會參考前期的評估結果，因此可以省去很多無用功，最終達到快速收斂的效果。
（首發 I EDN電子技術設計）
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題，請聯系小編進行處理。
推薦閱讀：
