基于深度强化学习的2.5D IC电源分配网络分层去耦电容优化与频域时域协同分析
信号处理
2025-05-21 v3 人工智能
摘要
随着对更高内存带宽和计算密度的需求日益增长，2.5D设计——将多个芯粒集成到中介层上——成为一种有前景的解决方案。然而，由于数据速率和大量I/O的增加，这种集成带来了重大挑战，需要对芯片上和中介层上的电源分配网络进行高级优化，以减轻小信号噪声和同步开关噪声。2.5D系统中传统的PDN优化策略主要侧重于通过集成去耦电容来降低阻抗，从而减少小信号噪声。不幸的是，正如我们的实验结果所示，仅依赖频域分析已被证明不足以处理耦合的SSN。在这项工作中，我们引入了一种新颖的两阶段优化流程，使用深度强化学习来同时处理芯片上的小信号噪声和SSN。首先，我们在频域中优化阻抗，以将小信号噪声维持在可接受范围内，同时避免过度设计。随后，在时域中，我们优化PDN以最小化电压违规积分，这是衡量SSN严重程度的更准确指标。据我们所知，这是首个双域优化策略，通过芯片上和中介层PDN中的策略性去耦电容布局，同时解决小信号噪声和SSN传播问题，为2.5D集成系统设计稳健的PDN迈出了重要一步。
引用
@article{arxiv.2407.04737,
title = {Hierarchical Decoupling Capacitor Optimization for Power Distribution Network of 2.5D ICs with Co-Analysis of Frequency and Time Domains Based on Deep Reinforcement Learning},
author = {Yuanyuan Duan and Haiyang Feng and Zhiping Yu and Hanming Wu and Leilai Shao and Xiaolei Zhu},
journal= {arXiv preprint arXiv:2407.04737},
year = {2025}
}
备注
The data needs to be experimentally revalidated, and the experimental details require further optimization