Cadence IC61 使用spectre仿真后仿网表流程

前言

接上一篇《Calibre xRC生成spectre后仿网表流程》,本篇中还是假设主网表中Top cell名称为yyy,三个生成的网表名称分别为"xxx",“xxx.pex”,“xxx.yyy.pxi”,其中"xxx"为主网表。

注意:xxx、yyy等都是大小写敏感的,所以一定不要搞乱了。

另外, 本博客中使用spectre view进行仿真,另一种方式是使用calibre view生成包含寄生的schematic进行后仿(参考这里,建议将该文章中的Device Placement方式更改为Arrayed)。这两种方式的区别是:

  1. 使用spectre view会比较麻烦一些,但是在网表较大时这种方式有优势;
  2. 而使用calibre view对小电路相对而言很方便,但是当电路太大时,calibre view生成schematic的过程会相当慢(我的经验是500多MB的网表用了一个晚上也没有生成成功,后来就选择使用spectre view的方式了)。

生成symbol

如果你有所需仿真的电路的schematic,那么直接从schematic生成symbol即可。如果你没有所需仿真的电路的schematic,那么就手动画一个,只要端口对得上就行了,当然美观一些更好。

因为用Calibre xRC生成的网表中的电路的端口都是大写的,而spectre语法对大小写是敏感的,所以建议将symbol中的端口名都改为大写,这样后面ADE L生成的名为的“input.scs”的网表就可以直接用而不需要手动修改了。

生成spectre view

Library ManagerView栏中选中刚刚生成的symbol,右键-Copy,将To栏中的View由symbol改为spectre。点击ok完成复制。

编辑CDF

virtuoso主界面-Tools-CDF-Edit,之后在弹出的Edit CDF界面中选择所需要仿真的"Library Name"和"Cell Name"。

编辑CDF时有3种作用层次(base, user, effective)可选,它们的区别如下,可根据自己的需要选择:
在这里插入图片描述
在这里插入图片描述
然后在Simulation Infomation栏中将下拉框的值选为spectre,修改"otherParameters"为model;"componentName"为Top Cell名称,假设为yyy;修改"termOrder"为主网表xxx中的端口名称和顺序,每个端口名加上英文双引号,端口之间用空格分开,如果主网表xxx中的端口名中含有转义用的\,也记得将其删除。点击Apply或OK完成。

例如,主网表的内容为:
subckt yyy ( PIN\<1\> PIN\<2\> VDD VSS )
则填入"termOrder"中的内容为:
"PIN<1>" "PIN<2>" "VDD" "VSS"

新建测试schematic

根据自己的需求新建测试用schematic,在此schematic中调用之前复制的spectre view。
并确保新建的schematic中与调用的spectre view各个端口连接的Net Name或者说Wire Name与spectre view中的PIN Name相同。

开始仿真

schematic电路画好之后就可以启动ADE L进行仿真了。
ADE L-Setup-Model Libraries中添加生成的后仿主网表。
其它的仿真设置根据自己需求选择即可,Enjoy~

如何返回前仿?

  1. 返回前仿的方法是在ADE L-Setup-Enviroment选项中将switch view list一栏内schematic的位置更换到最前,即将原来默认的spectre cmos_sch cmos.sch schematic veriloga更改为:schematic spectre cmos_sch cmos.sch veriloga,其它不变。schematic中的spectre view不需要改为symbol view。如果想变回后仿,将switch view list改回默认值即可。
  2. 另一种比较推荐的切换前后仿的方式是使用config view,具体方式可以参考这里
打开链接下载源码: https://pan.quark.cn/s/589796089f72 C++课程设计任务列,涵盖以下内容:1、识别并显示10至99范围内,各位数乘积超过各位数和的数值,例如数字12不满足条件,因为1乘以2小于1加2,故不输出;而数字27满足条件,因为2乘以7大于2加7,因此需要输出该数。2、开发一个功能,用于从用户输入的任意数量实数中找出最大值与最小值:首先要求用户输入一个正整数n,代数值的个数,随后用户可输入任意n个实数,程序需找出这n个数中的最大值和最小值并将它们展示出来。3、实现两个已排序数组的合并操作:设有数组A和B,且假设这两个数组的元素均已按照降序排列。编写程序将A和B合并成一个新的数组C,并确保C中的元素同样保持降序排列。int A[10]={123, 86,80, 49,33,15,7,0,-1,-3};int B[10]={100,64,51,50,27,19,15,12,5,2};4、设计一个函数,用于计算特定分数序列前n项的总和,该序列为1/2,1/3,1/4,1/5,1/6,1/7,...。要求在主程序中提示用户输入一个整数n,并验证输入的合法性(n需大于1方为有效),若输入合法,则调用求和函数并显示计算结果。5、编写一个程序,计算两个用户输入日期之间的天数差:用户需以year1,month1,day1和year2,month2,day2的格式输入两个日期,程序随后计算这两个日期之间的天数间隔,并将结果输出到屏幕上。要求编制具有如下原型的函数difs2Date:long GetDayDifference(int y1,int m1,int d1,int y2,int m2,int d2);并在主函数中调用此函数,将计...
代码下载地址: https://pan.quark.cn/s/ee8627e4e6d7 ABAP调试器是一种功能强大的工具,可用于在执行期间对ABAP代码进行检验。除了常规的核心功能(例如逐行运行代码以及检验变量、字段符号和引用的值)之外,它还提供了一些辅助性的特性,能够简化并压缩调试会话的时长。并非所有使用者都熟悉这些辅助特性。SAP ABAP调试器是处理和优化ABAP代码开发与维护工作的核心资源,它配备了多样的功能来协助开发人员在运行状态下进行检验和排除故障。此资源着重阐述了ABAP调试器的一些高级特性,涵盖了深入分析调用堆栈、系统级调试、更新会话调试以及提升调试效率的方法。 1. **深入分析调用堆栈**:除了常规的应用程序调试,开发人员有时需要对调用堆栈的内部层级进行深入调试,特别是在错误出现在异步执行的更新处理或系统级程序时。通过启用**系统级调试**,可以访问通常不公开的系统代码,但这也会导致调用堆栈的显著增加,因此需要审慎操作。 2. **系统级调试**:对于不含业务逻辑的系统级程序,开发人员通常无需进行调试。然而,在特定情形下,例如进行错误追踪时,可能需要进入系统代码。借助调试器的“系统调试启用/禁用”选项,可以赋予对系统程序的调试权限。 3. **更新会话调试**:在处理异步更新任务,例如持久化业务数据时,错误可能发生在更新任务内部。激活**更新会话调试**,在更新任务完成后,调试器将自动启动,展示执行路径。比如,在变更成本中心后,通过输入调试指令 "/h" 启动调试,保存后能够看到更新过程中的错误。 4. **分析调用堆栈**:在进行深入调试时,调用堆栈是至关重要的。通过分析调用堆栈,能够定位到引发问题的具体位置,如在VB_V2_NORMAL...
源码链接: https://pan.quark.cn/s/a4b39357ea24 小程序雷达 AI 驱动的小程序生态选型与风险评估工具,把微信小程序开发资源转化为可筛选、可评估、可对比的技术雷达。 线上地址 主站: Vercel: 适合谁 正在做微信小程序技术选型的产品、研发和架构团队。 需要判断 Taro、uni-app、原生小程序、组件库、云开发和 SDK 风险的团队。 需要把历史 awesome 列转成可筛选、可对比、可验证技术雷达的维护者。 可以做什么 Radar:按推荐状态、风险等级、资源类型、分类和适用场景浏览小程序生态资源。 Quick Search:快速搜索资源并跳转常用页面。 Compare:对比 Taro、uni-app、原生小程序等核心方案。 Advisor:输入选型问题,获得推荐结论、适用/不适用条件、迁移成本、下一步和证据来源。 Doctor:粘贴小程序项目配置,识别框架依赖、过时方案和迁移风险。 Weekly:查看小程序生态周报和近期风险信号。 数据概览 当前数据集中包含 236 个小程序生态资源。 完整资源可在 Radar 页面和导出能力中查看。 核心样例 Taro ★30.6k+ - 使用 React 的方式开发小程序的框架,同时支持生成多端应用 uni-app ★36.1k+ - 使用 Vue 语法开发小程序、H5、App的统一框架 MPX ★2.1k+ - 增强型小程序框架,深度性能优化,支持跨小程序平台开发,完全兼容原生小程序组件 WePY ★21.7k+ - 支持组件化的小程序开发框架 vant-weapp ★12.3k+ - 高颜值、好用、易扩展的微信小程序 UI 库 tdesign-miniprogram ★1.3...
内容概要:本文围绕数字预失真(DPD)技术展开研究,重点阐述了将静态DPD设计扩展为自适应DPD的方法,并深入评估了两种典型的自适应算法——基于最小均方(LMS)算法和递归预测误差方法(RPEM)的实现原理与性能现。研究依托Matlab与Simulink平台构建完整的仿真模型,系统展示了算法设计流程、参数整定、模型实现及结果对比分析全过程,旨在提升功率放大器的线性化水平,降低非线性失真对通信系统的影响。文中不仅涵盖理论推导,还提供完整的代码实现与仿真实例,具有较高的工程实践价值和技术参考意义。; 适合人群:具备信号处理、通信系统或射频工程等相关背景的研究生、科研人员及工程技术开发者;熟悉Matlab/Simulink仿真环境,希望深入了解自适应非线性补偿算法在实际系统中应用的专业人士。; 使用场景及目标:① 掌握自适应数字预失真的基本架构与设计思路;② 深入理解LMS与RPEM算法在DPD中的建模差异、收敛特性及适用条件;③ 利用所提供的Matlab/Simulink工具链搭建并调试自适应DPD系统,服务于科研项目复现或工业级通信系统优化。; 阅读建议:建议结合文中的算法代码与Simulink模型进行同步实践,重点关注不同输入信号条件下算法的动态响应与稳定性现,应在掌握基本数学原理的基础上进行参数调优与性能对比,以全面提升对自适应DPD机制的理解与应用能力。
内容概要:本文围绕“基于扩散模型的光伏场景生成与去噪概率扩散模型DDPM研究”展开,系统介绍了去噪扩散概率模型(DDPM)在光伏发电场景生成中的应用。通过构建前向扩散与反向去噪过程,模拟光伏出力的时空不确定性与波动特性,实现对未来光伏功率场景的高精度、多样性生成。文档深入剖析了DDPM的核心数学原理,包括噪声调度机制、扩散步长设计、神经络去噪结构及损失函数构建,并结合实际光伏数据集进行模型训练与生成效果验证,展示了该方法在捕捉光伏出力非线性、随机性方面的优越能力。同时,资源包还整合了智能优化算法、机器学习、电力系统仿真等多个前沿科研方向的配套代码与研究案例,涵盖Matlab与Python双平台实现,为新能源领域的场景生成与不确定性建模提供了完整的技术支持与研究参考。; 适合人群:具备一定Python编程基础,熟悉深度学习框架(如PyTorch或TensorFlow),从事新能源发电预测、电力系统规划、不确定性建模、场景生成、微电调度等方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握扩散模型在可再生能源出力模拟中的建模方法与实现流程;②实现光伏功率时间序列与空间分布的高保真生成,服务于随机规划、鲁棒优化等决策模型;③提升对高渗透率分布式电源接入背景下系统不确定性分析与风险评估能力,应用于储能配置、需求响应、电力市场出清等场景;④借助附带的丰富科研案例与开源代码,加速相关课题的算法复现与创新研究进程。; 阅读建议:建议读者结合提供的盘代码资源,动手实践DDPM模型的搭建、训练与采样全过程,重点关注噪声调度器(Noise Scheduler)的设计、U-Net络结构的选择与训练稳定性控制。推荐按照文档目录顺序系统学习,先理解扩散机制的数学本质,再进行代码调试与实验分析,同时可参照其他科研方向案例拓展研究思路,构建完整的学术认知体系。
评论 19
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值