DDR的拓扑与仿真

T型拓扑 vs Fly-by

由于T型拓扑在地址、命令和时钟都是同时到达每个DDR芯片,所以同步的切换噪声会叠加在一起,DDR越多这个信号上叠加的噪声越大,T型拓扑的优点是地址、命令和时钟都是同时到达,所以不需要做写均衡Write leveling。

为了避免切换噪声叠加的问题,引入了Fly-by拓扑,解决问题的方式就是让地址、命令和时钟不同时到达每个DDR芯片,然后通过写均衡Write leveling来解决时序问题。

                                                           图:T型拓扑 vs Fly-by

  Fly-by的仿真

1.1 长线远端匹配的Fly-by

长线远端匹配的仿真原理图如下图所示,信号源上升下降时间0.5ns,脉宽10ns,周期20ns,高电平1v,三段传输线延时都是1ns。

                                                     图:长线远端匹配的原理图

从仿真的结果看,信号边沿无台阶,只是从vmatchV3的测量信号按1ns的时间间隔延时,有个明显的缺点是信号的幅度由于匹配电阻的分压变小,分压是10R内阻与50R分压,Vout = 50R / 60R  *1v  = 0.83v。

                                                            图:长线远端匹配的输出情况

1.2 长线源端匹配的Fly-by

长线源端匹配的仿真原理图如下图所示,信号源上升下降时间0.5ns,脉宽10ns,周期20ns,高电平1v,三段传输线延时还是1ns。

                                                          图:长线源端匹配的原理图

从仿真的结果看,信号边沿有台阶,台阶时间为vmatch5.5ns v1 4.5ns , v2 1.5ns ,

v3 :0ns。台阶幅度为50R / 100R *1v = 0.5v ,信号幅度无衰减。

                                                         图:长线源端匹配的输出情况

1.3 短线源端匹配的Fly-by

长线源端匹配的仿真原理图如下图所示,信号源上升下降时间0.5ns,脉宽10ns,周期20ns,高电平1v,三段传输线延时分别为0.3ns ,0.3ns,0.1ns。

                                                         图:短线源端匹配的原理图

        根据上面的分析可能觉得因为源端匹配的台阶问题不能使用了,其实不是这样的,在短线的情况下,台阶是可以淹没在上升沿的,从下面的仿真结果看,v2v3是没有台阶问题的,vmatch ,v1的时延为1.4ns0.8ns,大于上升沿的0.5ns,所以存在台阶问题;v2的时延为0.2ns,小于上升时间0.5ns,也就是保证第一个DDR后面的传输线反射延迟小于信号的上升沿Tr,就可以保证信号完整性。

                                                            图:短线源端匹配的输出情况

  菊花链daisy chain的仿真

1.1 长线远端匹配的daisy chain

        Fly-by只是daisy chain的stub为0的特殊情况,长线远端匹配daisy chain的仿真原理图如下图所示,信号源上升下降时间0.5ns,脉宽10ns,周期20ns,高电平1v,三段stub的传输时延设置为td,td的参数从0.05ns到0.2ns,步长0.05ns。

                                                 图:长线远端匹配的原理图

从下面仿真结果来看;

1>v1,v2,v3之间的幅值上的反射噪声基本没有差异,并且stub的时延越大,反射噪声的波动越大,所以Fly-by的stub为零,反射噪声也近似没有了。

2> 远端匹配时信号幅度衰减。

                                                         图:长线远端匹配的vmatch输出

                                                         图:长线远端匹配的v1输出

                                                          图:长线远端匹配的v2输出

                                                        图:长线远端匹配的v3输出

                                             图:0.1ns桩线时,长线远端匹配的不同位置输出

1.1 长线源端匹配的daisy chain

长线源端匹配daisy chain的仿真原理图如下图所示,信号源上升下降时间0.5ns,脉宽10ns,周期20ns,高电平1v,三段stub的传输时延设置为td,td的参数从0.05ns到0.2ns,步长0.05ns。

                                                              图:长线源端匹配的原理图

从仿真的结果来看;

1>td的时间越长,反射噪声的幅度越大。

2>越远离源端的负载上的反射噪声幅度越大,所以daisy chain拓扑的ddr上源端匹配时,特别关注最远的ddr的反射噪声问题。

                                                     图:长线源端匹配的vmatch输出

                                                       图:长线源端匹配的v1输出

                                                       图:长线源端匹配的v2输出

                                                         图:长线源端匹配的v3输出

                                           图:0.1ns桩线时,长线源端匹配的不同位置输出

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/41845.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Node.js 生成vue组件

在项目根目录下创建 create.js /*** 脚本生成vue组件* 主要是利用node自带的fs模块操作文件的写入* ===========================================* 准备步骤:* 1.输入作者名* 2.输入文件名* 3.输入菜单名* 4.输入文件地址* ============================================* 操…

【3D->2D转换(1)】LSS(提升,投放,捕捉)

Lift, Splat, Shoot 这是一个端到端架构,直接从任意数量的摄像头数据提取给定图像场景的鸟瞰图表示。将每个图像分别“提升(lift)”到每个摄像头的视锥(frustum),然后将所有视锥“投放(splat&a…

AI助手崛起:开发者的新伙伴还是未来替代者?

你好,我是三桥君。 自从 ChatGPT 问市以来,AI 将取代开发者的声音不绝于耳,至今还是互联网异常火热的问题。 在软件开发领域,生成式人工智能(AIGC)正在改变开发者的工作方式。无论是代码生成、错误检测还是…

【JavaWeb程序设计】JSP编程

目录 一、编写JSP页面,在界面上显示1-9,9个链接,单击每个链接,能够在另一个页面打印该数字的平方。 1. 运行截图 2. 第一个jsp页面(index.jsp) 3. 第二个jsp页面(square.jsp) 二…

Arc for Windows 无法使用?一篇文章教会你!

👋 大家好,我是 Beast Cheng 📫 联系我:458290771qq.com 🌱 接合作、推广…… 什么是Arc浏览器? Arc浏览器是The Browser Conpany使用Swift语言开发的一款浏览器,Arc浏览器由其漂亮的侧边栏闻名…

Python 异步编程介绍与代码示例

Python 异步编程介绍与代码示例 一、异步编程概述 异步编程是一种编程范式,它旨在处理那些需要等待I/O操作完成或执行耗时任务的情况。在传统的同步编程中,代码会按照顺序逐行执行,直到遇到一个耗时操作,它会阻塞程序的执行直到…

Codeforces Round 903 (Div. 3)A~F

A.Dont Try to Count 输入样例: 12 1 5 a aaaaa 5 5 eforc force 2 5 ab ababa 3 5 aba ababa 4 3 babb bbb 5 1 aaaaa a 4 2 aabb ba 2 8 bk kbkbkbkb 12 2 fjdgmujlcont tf 2 2 aa aa 3 5 abb babba 1 19 m mmmmmmmmmmmmmmmmmmm输出样例: 3 1 2 -1 1 0…

1999-2022年企业持续绿色创新水平数据

企业持续绿色创新水平数据为研究者提供了评估企业在绿色技术领域创新持续性和能力的重要视角。以下是对企业持续绿色创新水平数据的介绍: 数据简介 定义:企业持续绿色创新水平反映了企业在一定时期内绿色专利申请的持续性和创新能力。计算方法&#xf…

初识STM32:开发方式及环境

STM32的编程模型 假如使用C语言的方式写了一段程序,这段程序首先会被烧录到芯片当中(Flash存储器中),Flash存储器中的程序会逐条的进入CPU里面去执行。 CPU相当于人的一个大脑,虽然能执行运算和执行指令,…

通信协议:常见的芯片内通信协议

相关阅读 通信协议https://blog.csdn.net/weixin_45791458/category_12452508.html?spm1001.2014.3001.5482 本文将简单介绍一些常见的芯片间通信协议,但不会涉及到协议的具体细节。 一、AMBA(Advanced Microcontroller Bus Architecture)…

MySQL之备份与恢复(七)

备份与恢复 文件系统快照 规划LVM备份 LVM快照备份也是有开销的。服务器写到原始卷的越多,引发的额外开销也越多。当服务器随机修改许多不同块时,磁头需要需要自写时复制空间来来回回寻址,并且将数据的老版本写到写时复制空间。从快照中读…

刷题之多数元素(leetcode)

多数元素 哈希表解法&#xff1a; class Solution { public:/*int majorityElement(vector<int>& nums) {//map记录元素出现的次数&#xff0c;遍历map&#xff0c;求出出现次数最多的元素unordered_map<int,int>map;for(int i0;i<nums.size();i){map[nu…

最适合mysql5.6安装的linux版本-实战

文章目录 一, 适合安装mysql5.6的linu版本1. CentOS 72. Ubuntu 14.04 LTS (Trusty Tahr)3. Debian 8 (Jessie)4. Red Hat Enterprise Linux (RHEL) 7 二, 具体以Ubuntu 14.04 LTS (Trusty Tahr)为例安装虚拟机安装Ubuntu 14.04 LTS (Trusty Tahr) 自己弄安装ssh(便于远程访问,…

前端八股文 对$nextTick的理解

$nexttick是什么? 获取更新后的dom内容 为什么会有$nexttick ? vue的异步更新策略 (这也是vue的优化之一 要不然一修改数据就更新dom 会造成大量的dom更新 浪费性能) 这是因为 message &#xff08;data&#xff09;数据在发现变化的时候&#xff0c;vue 并不会立刻去更…

240705_昇思学习打卡-Day17-基于 MindSpore 实现 BERT 对话情绪识别

240705_昇思学习打卡-Day17-基于 MindSpore 实现 BERT对话情绪识别 近期确实太忙&#xff0c;此处仅作简单记录&#xff1a; 模型简介 BERT全称是来自变换器的双向编码器表征量&#xff08;Bidirectional Encoder Representations from Transformers&#xff09;&#xff0c…

【wordpress教程】wordpress博客网站添加非法关键词拦截

有的网站经常被恶意搜索&#xff0c;站长们不胜其烦。那我们如何屏蔽恶意搜索关键词呢&#xff1f;下面就随小编一起来解决这个问题吧。 后台设置预览图&#xff1a; 设置教程&#xff1a; 1、把以下代码添加至当前主题的 functions.php 文件中&#xff1a; add_action(admi…

CVPR 2024最佳论文分享:通过解释方法比较Transformers和CNNs的决策机制

CVPR&#xff08;Conference on Computer Vision and Pattern Recognition&#xff09;是计算机视觉领域最有影响力的会议之一&#xff0c;主要方向包括图像和视频处理、目标检测与识别、三维视觉等。近期&#xff0c;CVPR 2024 公布了最佳论文。共有10篇论文获奖&#xff0c;其…

计算组的妙用!!页面权限控制

需求描述&#xff1a; 某些特殊的场景下&#xff0c;针对某页看板&#xff0c;需要进行数据权限卡控&#xff0c;但是又不能对全部的数据进行RLS处理&#xff0c;这种情况下可以利用计算组来解决这个需求。 实际场景 事实表包含产品维度和销售维度 两个维度属于同一公司下面的…

【Python】已解决:FileNotFoundError: [Errno 2] No such file or directory: ‘./1.xml’

文章目录 一、分析问题背景二、可能出错的原因三、错误代码示例四、正确代码示例五、注意事项 已解决&#xff1a;FileNotFoundError: [Errno 2] No such file or directory: ‘./1.xml’ 一、分析问题背景 在Python编程中&#xff0c;FileNotFoundError是一个常见的异常&…

贝尔曼方程(Bellman Equation)

贝尔曼方程(Bellman Equation) 贝尔曼方程(Bellman Equation)是动态规划和强化学习中的核心概念,用于描述最优决策问题中的价值函数的递归关系。它为状态值函数和动作值函数提供了一个重要的递推公式,帮助我们计算每个状态或状态-动作对的预期回报。 贝尔曼方程的原理 …