摘要

本文由Yuanyuan Duan等人提出，针对2.5D集成电路（ICs）中的电源分配网络（PDN）优化问题，特别是如何有效减少小信号噪声和同时开关噪声（SSN）。传统的PDN优化主要依赖于频率域分析，通过增加去耦电容器（decaps）来降低阻抗，但这种方法在处理SSN时显得不足。本文引入了一种基于深度强化学习（DRL）的两阶段优化流程，首先在频率域优化阻抗以控制小信号噪声，然后在时间域通过优化电压违规积分（VVI）来减少SSN的影响。这是首次在2.5D系统中同时处理小信号噪声和SSN的双域优化策略，显著提升了PDN设计的鲁棒性。

原理

本文提出的优化方法利用DRL技术，通过一个代理（agent）与环境交互学习，以实现对去耦电容器的智能放置和优化。在频率域，代理通过调整去耦电容器的分布，使PDN的阻抗保持在目标阻抗以下，从而确保电源的有效供应并避免过度设计。在时间域，代理通过模拟瞬态电流并引入VVI概念，优化去耦电容器以最小化电压违规，从而有效减少SSN的影响。这种方法通过同时考虑频率和时间域的分析，实现了对PDN的全面优化。

流程

优化流程分为两个主要步骤：首先，在频率域进行阻抗分析和优化，使用电路模拟器NGSPICE来调整芯片和互连器上的去耦电容器，以满足目标阻抗要求。其次，在时间域进行VVI优化，通过模拟瞬态电流并优化芯片上的去耦电容器放置，以最小化VVI，确保系统在动态操作条件下的性能。整个过程通过DRL代理与环境的交互学习，不断调整和优化去耦电容器的配置，以达到最佳的PDN性能。

应用

该优化方法适用于需要高内存带宽和高计算密度的2.5D集成系统，特别是在数据速率和I/O数量不断增加的背景下。通过有效优化PDN，可以显著提高系统的稳定性和可靠性，减少噪声对系统性能的影响。这种方法的应用前景广泛，包括高性能计算、人工智能系统以及任何需要复杂电源管理的集成电路设计。