All Node List by Editor

全球公认的卓越的模拟/混合信号晶圆代工厂X-FAB Silicon Foundries（“X-FAB”）今日宣布，扩展其SubstrateXtractor工具应用范围，让用户可以借助这一工具检查不想要的衬底耦合效应。作为全球首家为BCD-on-SOI工艺提供此类分析功能的代工厂，X-FAB将这一最初面向XH018和XP018 180nm Bulk CMOS工艺开发的工具，新增了其对XT018 180nm BCD-on-SOI工艺的支持，作为Bulk CMOS工艺外的一项补充。通过使用新的SubstrateXtractor升级版本，可以加速SOI相关的产品开发，避免多次迭代。

图为X-FAB工程师正在使用衬底耦合分析工具

最初的SubstrateXtractor由X-FAB与EDA合作伙伴PN Solutions（基于其广泛使用的PNAware产品）合作开发，于2019年发布。利用这一工具，客户能够解决半导体衬底内有源和无源元件间相互作用所造成的耦合问题（无论这些元件作为电路本身的一部分，还是以寄生方式存在）---其所带来的显著优势使客户的项目能够更迅速地进入市场。PN Solutions的PNAwareRC工具支持SOI工艺，由此进一步增强了平台的功能并扩大了其吸引力。

X-FAB的XT018工艺BOX/DTI功能可以将芯片上的组成功能模块相互隔离，适用于需要与数字模块去耦合的敏感模拟模块，或必须与高压驱动电路隔离的低噪声放大器。此工艺也使得多通道的设计实现更加容易，因为XT018中的电路被有效地放置在其自身独立的衬底中，从而减少了串扰。

在基于SOI的集成电路中，利用SubstrateXtractor实现衬底耦合分析的能力对于客户来说极具价值。虽然SOI工艺中的有源部分可以通过BOX和DTI完全介电隔离，有源部分被隔离之后就如同各自孤立一般，但无源R和C耦合仍然可能存在。得益于这一升级版新工具，可以为DTI和BOX产生的横向和纵向耦合路径提取无源RC网络，并经由对无源耦合网络的仿真，评估它们对集成电路的影响。此类新增的版图后抽取寄生的关键应用，包括工业及汽车系统中使用的大电流和高电压器件等。

“消除衬底耦合是一项具有挑战性的任务。通过支持对我们XT018 BCD-on-SOI工艺相关的寄生元素的提取，客户将能够模拟电路模块的耦合，并识别对性能不利的干扰因素。”X-FAB设计支持总监Lars Bergmann表示，“在涉及非常大的干扰电压或在个位数GHz范围内的高频情况下，这一功能扩展将极具意义。”

缩略语：

BOX       埋入式氧化物

BCD       Bipolar CMOS DMOS

DTI         深槽隔离

EDA       电子设计自动化

RC          电阻-电容

SOI        绝缘体上硅

关于X-FAB：

X-FAB是领先的模拟/混合信号和MEMS晶圆代工集团，生产用于汽车、工业、消费、医疗和其它应用的硅晶圆。X-FAB采用尺寸范围从1.0µm至130nm的模块化CMOS和SOI工艺，及其特色SiC与微机电系统（MEMS）长寿命工艺，为全球客户打造最高的质量标准、卓越的制造工艺和创新的解决方案。X-FAB的模拟数字集成电路（混合信号IC）、传感器MEMS在德国、法国、马来西亚和美国的六家生产基地生产，并在全球拥有约4,000名员工。www.xfab.com

在LDO 基础知识：噪声 - 降噪引脚如何提高系统性能一文中，我们讨论了如何使用与基准电压 (C_NR/SS) 并联的电容器降低输出噪声和控制压摆率。在本文中，我们将讨论降低输出噪声的另一种方法：使用前馈电容器 (C_FF)。

什么是前馈电容器？

前馈电容器是与电阻分压器顶部电阻并联的可选电容器，如图1所示。

图 1：使用前馈电容器的低压降稳压器 (LDO)

类似于降噪电容器 (C_NR/SS)，添加前馈电容器具有多种影响。这些影响包括改善噪声、稳定性、负载响应和电源抑制比 (PSRR)。应用报告“使用前馈电容器和低压降稳压器的优缺点”详细介绍了这些优点。另外，还值得注意的是，前馈电容器仅在使用可调LDO时才可行，因为电阻器网络是外部的。

改善噪声

作为电压调节控制环路的一部分，LDO的误差放大器使用电阻器网络（R₁和R₂）来提高基准电压的增益，类似于驱动场效应晶体管栅极的同相放大器电路，以使 (V_OUT = V_REF × (1 + R₁/R₂)。这种增加意味着基准的直流电压将按1 + R₁/R₂系数提高。在误差放大器的带宽内，基准电压的交流元件（例如噪声）也会被放大。

通过在顶部电阻器 (C_FF) 上添加电容器，会为特定频率范围引入交流分流器。换句话说，该频率范围中的交流元件会保持在单位增益范围内。请记住，您使用的电容器的阻抗特性将决定这个频率范围。

图 2 演示了TPS7A91噪声的减小（通过使用不同的C_FF值）。

图 2：TPS7A91 噪声与频率和C_FF值的关系

通过在顶部电阻器上添加一个100nF电容器，您可将噪声从9μV_RMS降至4.9μV_RMS。

改进稳定性和瞬态响应

添加C_FF还会在LDO反馈环路中引入零点 (Z_FF) 和极点 (P_FF)，使用公式1和2计算得出：

Z_FF = 1 / (2 × π × R1 × C_FF)            (1)

P_FF = 1 / (2 × π × R1 // R2 × C_FF)          (2)

将零点置于发生单位增益的频率之前可提高相位裕度，如图3所示。

图 3：仅使用前馈补偿的典型LDO的增益/相位图

您可以看到，如果没有Z_FF，单位增益会更早出现，大约为200kHz。通过添加零点，单位增益频率在大约300kHz处略微向右推，但相位裕度也有所改善。由于P_FF位于单位增益频率的右侧，因此其对相位裕度的影响将是最小的。

在提高LDO的负载瞬态响应后，额外的相位裕度将很明显。通过增加相位裕度，LDO 输出将出现较少的振铃，稳定速度会更快。

改善PSRR

根据零点和极点的位置，您还可以战略性地减少增益滚降。图3显示了零点对从 100kHz开始的增益滚降的影响。通过增加频带的增益，您还将改善该频带的环路响应，从而使特定频率范围的PSRR得到改善。请参阅图4。

图 4：TPS7A8300 PSRR与频率和C_FF值间的关系

如您所见，增加C_FF电容会将零点向左推，从而改善环路响应和较低频率范围内的相应PSRR。

当然，您必须选择C_FF的值以及Z_FF和P_FF的对应位置，以避免导致不稳定性。您可以通过遵循数据表中规定的C_FF限制来避免不稳定性，但我们通常建议选择介于10nF和 100nF之间的值。较大的C_FF可能会带来前面提到的优缺点应用报告中概述的其他挑战。

表 1 列出了一些关于C_NR和C_FF如何影响噪声的经验法则。

表 1：C_NR 和C_FF的优势与频率间的关系

结语

添加前馈电容器可以改善噪声、稳定性、负载响应和PSRR。当然，您必须仔细选择电容器以保持稳定性。与降噪电容器配合使用时，可以大大提高交流性能。这些只是优化电源时需要牢记的一些工具。

关于德州仪器(TI)

德州仪器（TI）（纳斯达克股票代码：TXN）是一家全球性的半导体公司，致力于设计、制造、测试和销售模拟和嵌入式处理芯片，用于工业、汽车、个人电子产品、通信设备和企业系统等市场。我们致力于通过半导体技术让电子产品更经济实用，创造一个更美好的世界。如今，每一代创新都建立在上一代创新的基础之上，使我们的技术变得更小巧、更快速、更可靠、更实惠，从而实现半导体在电子产品领域的广泛应用，这就是工程的进步。这正是我们数十年来乃至现在一直在做的事。欲了解更多信息，请访问公司网站www.ti.com.cn。

工业预测性维护概念存在已久，最早可以追溯到人们第一次说“机器很快就会坏了”的时候。从给手表内部的轴承加注润滑油，到养护维修大型发电设备，从简单的家电，到复杂的空间站，预测性维护无处不在。

早期预测性维护在很大程度上依赖技工的专长和直觉来解决问题或诊断故障，而今天的先进诊断设备和工业 4.0 技术增加了电子传感器和机械传感器，能够更准确地发现并诊断问题。传感器已成为预测性维护应用的重要组件。

Figure 1 -- Typical PM Application in Industry 4.0

图 1—工业 4.0 中的典型预测性维护应用

作为工业 4.0 的重要组成部分，本地决策系统在设备内或附近收集传感器数据，以此为依据做出正确判断，帮助检修人员提前发现昂贵、复杂的可能是远程设备出现的小问题，避免酿成大事故。这个功能要求传感器必须具有边缘处理[13]能力和人工智能 (AI)，因为人工智能是预测性维护应用的关键技术。通过直接在传感器或主控制器上实现AI 和边缘处理，例如，STM32[8] 中的 FP-AI-MONITOR1[7]，可以在本地执行数据分析决策。

图 1所示是一个典型的预测性维护应用示意图，其中，传感器检测设备产生的信息并将数据传给主控制器。在工业3.0 中，描述机器状况的原始传感器数据直接传输给操作员，不涉及任何本地处理或决策任务。在工业 4.0 中，主控制器在本地处理传感数据，在本地做出决策。如果发送条件没有满足特定的通知标准，主控制器允许无线连接模块部分睡眠。操作员仅在收到云端的通知消息后才开始介入。这种方法减少了传输到云端的数据量，降低了本地传感器节点的功耗。

更深入地讲，实现这个感知决策模块有四个关键步骤：重要参数识别；数据分析；传感器选择和决策树位置选择。

1)重要参数识别

许多参数可以指示机器的健康状况。设计人员需要根据这些参数的特性和预测机器状态的能力来筛选重要参数。在图 2 的应用场景中，声学、温度和物理振动加速度等参数都可以指示机器的重型轴承的磨损情况。设计人员将研究分析哪些参数可以用于预测轴承 60%健康状态。最理想的是，只用一个参数就足以提供最有意义的信息，并让决策树能够判断轴承健康状况已达到60%。

在这个示例中，机器的健康状况分为四个阶段，如表 1 所示：

表 1——机器健康状态分期

图 2 – 重要参数与机器健康状况的关系

设定当重型轴承达到60%健康状况时发出预警，我们捕获了加速度、超声波和温度与时间(周)的关系并绘制成图，以便分析研究重要参数，如图2所示，三个参数都可以指示轴承的磨损状况。研究发现如下：

● 当轴承在t₃ 之后进入损坏阶段时，加速度数据给出强烈信号。但是，它不能很好地跟踪 t₃之前的健康状态，也就是不能有效记录机器达到50%健康状况前的状况，这意味着我们无法在轴承损坏前准确地预判机器的健康状况，所以，仅依靠加速度计的指示信息不足以预测早期磨损程度。

● 直到轴承进入损坏阶段t₄，温度数据才能准确地跟踪轴承的健康状况。不管什么原因引起轴承损坏，温度参数都不能在摩擦力急剧增加之前给出轴承损坏的明显信号。

● 超声参数可以有效地跟踪轴承的健康状况，最早在 t₁ 时就能发出信号。随着摩擦力增加，当轴承达到60%健康状况时，它会发出一个明显信号。然而，从绘制的数据图看，当轴承健康在 t₃ 左右下降到 50% 以下时，超声波信号开始失去对机器健康状况的跟踪，这是因为轴承严重磨损并破裂，极大地改变了轴承的特性，并导致轴承的振动曲线超出了超声扫描范围。这个阶段的强烈的振动恰好可以被加速度计感知到。

从这个示例不难看出，超声检测是预测性维护实现60%健康状况预警的重要参数。

2)数据分析

一旦确定了重要参数，下一步就是研究数据概要信息。设计人员必须评测不同的数据处理能力和 人工智能算法，才能可靠地预测机器的健康状况。

有许多数据处理方法可用实现预测性维护应用，这些数据处理方法可分为两大类：时域和频域^[9]。每种方法都有各种的优缺点。

● 时域方法简单易懂，算力要求低。传感器的输出始终在时域范围内。时域信号的均方根 (RMS)、平均值或峰值检测是典型的跟踪值。比较原始数据或处理后数据的阈值或幅度可以获得决策标志。这种方法的缺点是它仅适用于简单的波形分析。在实际工业应用中，有些数据分析是很复杂的，因为它们可能包含不同机械部件的振动和其他机器的环境振动。图 3 所示是在时域中的数据分析示例。

图 3 - 时域加速波形示例

在这个例子中，电机不平衡产生的振动幅度远大于输出轴产生的振动幅度。如果采用RMS或平均值或其他的时域信号处理方法，传感器是不能有效地识别输出轴的振动程度。

图 4 -由多个波形组成的复杂波形

·不过，有一个强大的信号处理方法可以管理复杂的信号。这种类型的复杂波形是由多个简单波形组成，如图 4 所示。快速傅里叶变换 (FFT) 是一个有效的波形分析工具，可将时域数据转换为频域数据，把不同部件产生的振动置于不同频谱中，如图 5 所示。

图 5 - 频谱

傅里叶变换方法把不同源的振动幅度分成不同的频谱。除傅里叶变换之外，数据处理还可以利用其他的技术方法，例如，平均值、RMS、峰值、神经网络等，进行准确的数据过滤，为决策树提供更可靠的数据，实现更智能的决策。

参数识别和数据分析需要一些工具，下面是一些常用工具：

a)专业测量工具

可以使用现成的专业测量设备获取准确而详细的测量数据，要求苛刻的高精度应用强烈推荐采用这类专业级测量设备。

b)评估演示套件

意法半导体等传感器厂商提供免写软件的评估套件(图 6)。这些小主板，例如，STEVAL-MKI109V3，具有插接传感器板卡的插座。设计人员可以选择把喜欢的传感器板卡插到主板上。有些厂商还提供用于控制传感器的图形用户界面 (GUI)软件。这些GUI软件可以存取传感器的全部寄存器，配置和检索数据，不用写代码，并提供实用的数据处理运算功能，例如，傅里叶变换FFT 就是其中的一个功能(图 7)。

图 6 -- STEVAL-MKI109V3评估板与传感器板卡的连接

图 7 -- STEVAL-MKI109V3 GUI 截屏

若评估传感器的特性功能及其适用性，建议使用免写代码的评估板。这些板卡还可以执行初始数据采集，启动工程算法和数据分析过程。如果到了后面的原型开发或概念验证阶段，传感器厂商可能会提供另一个强大的开发工具，以大幅简化开发任务，缩短开发周期。以STWIN 开发套件为例：

c)STWIN 无线工业节点 (STEVAL-STWINKT1B)^[10][11] 是一个开发套件和参考设计，可简化工况监测和预测性维护等先进工业物联网应用原型开发和测试。

图 8 -- STEVAL-STWINKT1B

图 9 - SensorTile Box与手机交互

STWIN 开发套件基于STM32超低功耗微控制器，集成各种工业级传感器，包括惯性传感器(振动传感器、加速度计、6 轴 IMU、磁传感器)、环境传感器(高精度温度传感器、压力传感器、湿度传感器)和高性能传声器(数字传声器和模拟传声器，有超声波感应功能)，支持各类状态监测，尤其是与振动分析相关的监测。该开发套件还配有丰富的软件包和优化的固件库，以及云端仪表板应用程序，以加快端到端整体解决方案的设计周期。

该套件板载Bluetooth® 低能耗无线连接模块，并可以插接一块Wi-Fi无线连接子板 (STEVAL-STWINWFV1)。有线连接可以通过板载 RS485 收发器实现。

3)传感器选型

手头有了数据分析工具后，下一步就是选择合适的传感器：

a) 根据1) 中发现的重要参数选择传感器类型

意法半导体提供加速度计、陀螺仪、磁力计、振动传感器、传声器、压力传感器、湿度传感器、温度传感器、激光传感器、红外传感器等各种传感器。工业级传感器通常提供更高的性能和精度、更好的温度和时间稳定性，甚至提供产品生命周期保证。

b) 根据2) 中发现的最大测量范围和灵敏度或重要频率范围(带宽)选择传感器量程；

每个传感器都有自己的最大量程和频响带宽。设计人员必须仔细研究这两个参数，以选择最适合的传感器。图 9 显示了一系列我们为预测性维护应用场景推荐的型号。

图 10 – 根据应用场景选择传感器

4)决策树位置选择

作为业界公认的 MEMS 技术先驱，意法半导体率先在传感器产品中嵌入边缘处理功能。设计人员可以给传感器中的边缘处理分区或将在主控制器内嵌入决策树。最佳选择取决于数据处理和决策树的复杂程度。意法半导体传感器中的决策功能分为三类：

● 嵌入式简单逻辑

意法半导体MEMS 传感器都有简单的嵌入式阈值比较逻辑功能。振幅和时间窗口阈值一旦达到预设值，就会触发中断标志。

● 有限状态机 (FSM)^[6]

状态机是用于设计逻辑连接的数学抽象方法(图 10)。FSM 是一种由预定数量的状态和状态之间的转换组成的行为模型，类似于流程图。传感器可以设为用户定义模式一旦满足，就立即生成决策标志。为了便于实现决策功能，意法半导体有些传感器嵌入了16 状态机。

图 11 - 传感器的嵌入式有限状态机

● 机器学习核心 (MLC)^[5]

MLC机器学习核心不是用来处理复杂数据的，所以它不能做有限状态机的工作。MLC 确实可以将一些原本应在应用处理器上运行的低密度算法转移到 MEMS 传感器上，从而显著降低系统功耗。当数据模式与用户定义的一个类集合匹配时，MLC 可以识别这些数据模式。传感器使用包含滤波器的可配置的专用计算模块和在用户设定的固定时间窗口内计算出来的特征来过滤输入数据。机器学习处理的基本原理是通过一系列可配置的节点以“如果-那么-否则”为条件比较预设阈值和“特征”值的逻辑处理过程（图 11）。

图 12 - 传感器的MLC内的决策过程

总之，作为工业 4.0应用的基本组成部分，传感器是预测性维护中必不可少的组件，并且，利用内置的智能功能，传感器可以降低主控制器的负荷，从而提高整个系统的能效。作为 MEMS 传感器行业的领导者，意法半导体提供全系列的传感器(加速度计、陀螺仪、磁力计、振动传感器、传声器、压力传感器、湿度传感器、温度传感器、激光传感器和红外传感器等)。在预测性维护等应用领域，这个范围广泛的产品在创新概念和实际应用之间架起了一座重要的桥梁。

Resource and Reference参考文献

[1] Industrial Evolution:  https://en.wikipedia.org/wiki/Fourth_Industrial_Revolution#History

[2] MEMS:https://en.wikipedia.org/wiki/Microelectromechanical_systems

[3] https://www.st.com/resource/en/datasheet/iis2dlpc.pdf

[4] 0.061mg/LSB=0.061x9.8milim meter/s²/ bit:

https://www.st.com/resource/en/datasheet/lsm6dso.pdf

[5] Sensors with Machine Learning:

https://www.st.com/content/st_com/en/ecosystems/MEMS-Sensors-Ecosystem-for-Machine-Learning.html

[6] Finite State Machine in MEMS Sensor:

https://blog.st.com/lsm6dso-accelerometer-finite-state-machines/

[7] FP-AI-Monitor1: STM32Cube function pack for ultra-low power STM32 with artificial intelligence (AI) monitoring application based on a wide range of sensors

https://www.st.com/en/embedded-software/fp-ai-monitor1.html

[8] STM32: 32-bit Arm Cortex MCUs provided by STMicroelectronics.

https://www.st.com/en/microcontrollers-microprocessors/stm32-32-bit-arm-cortex-mcus.html

[9] Capacitive MEMS accelerometer for condition monitoring

https://www.st.com/content/ccc/resource/technical/document/white_paper/group0/c0/30/46/2f/00/24/42/1c/Capacitive_MEMS_accelerometer_for_condition_monitoring/files/MEMS_Condition_monitoring.pdf/jcr:content/translations/en.MEMS_Condition_monitoring.pdf

[10] STWIN SensorTile Wireless Industrial Node development kit and reference design for industrial IoT applications

https://www.st.com/en/evaluation-tools/steval-stwinkt1b.html

[11] How to use the STEVAL-STWINKT1B SensorTile Wireless Industrial Node for condition monitoring and predictive maintenance applications

https://www.st.com/resource/en/user_manual/um2777-how-to-use-the-stevalstwinkt1b-sensortile-wireless-industrial-node-for-condition-monitoring-and-predictive-maintenance-applications-stmicroelectronics.pdf

[12] IIS3DWB Sensor Adaptor Board

https://www.st.com/en/evaluation-tools/steval-mki208v1k.html

[13] Edge Processing (Edge Computing)

https://en.wikipedia.org/wiki/Edge_computing

摘要

随着旨在解决现代算法加速工作负载的设备越来越多，就必须能够在高速接口之间和整个器件中有效地移动高带宽数据流。Achronix的Speedster^®7t独立FPGA芯片可以通过集成全新的、高度创新的二维片上网络（2D NoC）来处理这些高带宽数据流。Achronix的FPGA中特有的2D NoC实现是一种创新，它与用可编程逻辑资源来实现2D NoC的传统方法相比，有哪些创新和价值呢？本白皮书讨论了这两种实现2D NoC的方法，并提供了一个示例设计，以展示与软2D NoC实现相比，Achronix 2D NoC是如何去提高性能、减少面积并缩短设计时间。

介绍

Achronix为其Speedster7t系列FPGA完全重新设计了片上通信架构，通过集成创新的2D NoC来适应高带宽数据流的需求。在该FPGA器件的外围，这个2D NoC连接到所有高速接口：包括多个400G以太网、PCIe Gen5、GDDR6和DDR4/5端口。在该FPGA内的可编程逻辑阵列上部署了一系列高速行和列通道，它们分别向FPGA可编程逻辑阵列的水平和垂直方向分配网络流量。除了这些行和列之外，在NoC的每一行和每一列交叉的位置还有发送点和目标NoC访问节点（NAP）。这些NAP充当NoC和位于可编程逻辑阵列中的资源之间的源或目的地。

为了将Achronix FPGA中内置的2D NoC，与使用传统方法在可编程逻辑阵列中创建的NoC进行比较，为此我们评估了几种软NoC设计；最后，基于同行评审和FPGA结构的可移植性，我们选择了米兰理工学院的软2D NoC（https://github.com/agalimberti/NoCRouter，2017）设计。这种软NoC在单向网状网络（mesh）中实现了虫洞前瞻预测切换。在实施时，它需要每个mesh节点上的多个存储器来存储和转发流控制单元（flit）。

为了量化片上2D NoC实现模式和使用逻辑阵列资源的软实现模式之间的差异，首先创建了一个实例化AlexNet 2D卷积的19个实例设计，然后在完整的2D NoC设计之间比较了三个主要指标：所需资源、设计性能和设计时间（创建设计的时间以及在工具中编译设计的时间）。其结果是在所有三种情况下，集成Achronix 2D NoC的性能都明显优于软实现。

2D NoC减少使用的资源

为了比较两种不同的2D NoC设计，两种2D NoC都与现有的2D卷积（conv2d）设计相结合。conv2d设计对输入图像执行AlexNet 2D卷积。此conv2d设计需要一个或两个AXI-4连接：一个用于从内存读取，一个用于写入内存，或者一个共享的AXI-4执行读取和写入。为了实现与软NoC的最佳集成，选择了单个共享AXI-4接口，conv2d模块的实例位于每个mesh节点。然后，软NoC启用了GDDR6存储接口的数据入口和出口——在软NoC中，内存接口连接到第20个mesh节点上；而在内置式NoC中，这种连接已经存在。在整个设计中，从GDDR6到每个conv2d节点都存在节点到节点通信，但conv2d节点之间不通信。

Achronix 2D NoC的设计细节

该设计有19个conv2d模块实例，每个实例都访问GDDR6存储器。第20个实例是空闲的，因为GDDR6接口直接连接到集成的2D NoC。80个可用的NoC接入点（NAP）中有38个用于连接到conv2d实例。每个conv2d实例使用64个机器学习处理器（MLP），它在垂直方向覆盖两个NAP。由于这种部署是针对内置2D NoC，所以采用双AXI-4方法连接conv2d模块。下表列出了本设计中使用的资源。

表1：Achronix 2D NoC使用的资源

使用Achronix FPGA集成的2D NoC，可为设计布局产生了一种不凌乱的、可重复的结构，并且只消耗了不到一半的器件资源。下面是AC7t1500器件中资源使用的平面图。

图1：在AC7t1500中使用Achronix 2D NoC布局实例

软2D NoC的设计细节

该设计被配置为5 × 4规模mesh，具有19个conv2d模块实例，每个实例都连接到一个软NoC节点。其第20 mesh节点是为GDDR6接口预留的。因此，需要更多的逻辑资源来管理软2D NoC结构。此实现还需要每个节点上的存储，以便存储flit并将其转发到下一个节点。结果是显著提高了资源的使用量，以及在器件上的不规则布局。下表列出了使用的资源；下图为AC7t1500所用资源的平面图。

表2：软2D NoC使用的资源

图2：使用软2D NoC布局实例

2D NoC提高性能

如前所述，通过使用Achronix 2D NoC，conv2d设计产生了规则的资源布局，从而形成规则的布线。减少了逻辑资源使用就减少了拥塞，因为需要布线的逻辑更少。该解决方案实现了最高565 MHz的频率，关键路径包含在conv2d实例逻辑中。随着更多conv2d节点添加到设计中，最大频率不会降低。

下图显示了使用Achronix 2D NoC时产生的布线

图3：使用Achronix 2D NoC的cnv2d设计布线

使用软2D NoC解决方案会导致复杂且不规则的布线，同时时序也受到影响，因为需要深度LUT逻辑来选择软2D NoC中的适当路径。

此外，性能会随着mesh网络大小的增加而降低。使用2 × 3 mesh的设计可以达到94 MHz，而5 × 4 mesh只能达到82 MHz。关键路径包含在软NoC mesh网络中，而不是在conv2d逻辑中。如果花更多时间优化设计以提高性能，则可以进一步优化软2D NoC的时序。

下图显示了使用软2D NoC设计时生成的布线。

图4：使用软2D NoC时的cnv2d设计布线

2D NoC改善了带宽

Achronix的2D NoC使用运行速度在2 GHz的256位双向总线，每个conv2d实例连接到两个NAP，从而在一个节点上与GDDR6接口之间的连接可实现的最大带宽为512 Gbps。下面的框图显示了2D NoC和一个连接到本地conv2d实例的NAP的细节。

图5：Achronix的2D NoC和NAP

软2D NoC使用五路交叉开关（crossbar switch），其中一个端口与本地conv2d实例通信，而其他端口与网格中的下一个节点通信。该解决方案可以实现节点到节点连接的频率为82 MHz，从而在一个节点上形成最高为21 Gbps的GDDR6接口带宽。下面的框图显示了软2D NoC mesh中的一个交叉开关。

图6：软2D NoC交叉开关

2D NoC缩短了设计时间和工具运行时间

Achronix的2D NoC采用AXI-4标准与NAP通信，这是许多FPGA设计人员已经熟悉的接口标准。此外，2D NoC包括内置功能，例如跨时钟域逻辑、流量控制和地址解码等，这些功能不再需要包含在用户逻辑中。Achronix的2D NoC的全功能实现为用户省去了大量的设计工作，使设计人员能够专注于连接到2D NoC的加速器。

除了缩短设计时间外，使用Achronix片上2D NoC的设计比使用软2D NoC的设计使用更少的资源。结果是需要布局和布线的逻辑更少，从而使得工具的编译时间更短。例如，与使用软2D NoC的实现相比，使用Achronix片上2D NoC的设计布局和布线所需的时间不到一半。

结论

集成2D NoC的Speedster7t器件创新地带来了FPGA设计过程的根本转变。Achronix是第一家集成2D NoC的FPGA公司，它连接所有系统接口和FPGA逻辑阵列。这种新架构使Achronix FPGA器件特别适用于高带宽应用，同时显著提高了设计人员的工作效率。由于2D NoC管理着从设计在FPGA逻辑阵列中的数据加速器到高速数据接口之间的所有网络功能，因此设计人员只需设计他们的数据加速器并将它们连接到NAP接入点。与使用软2D NoC相比，设计人员可以受益于以下优点：

• 降低逻辑资源占有率并提高FPGA的整体性能

• 增加带宽

• 减少对存储器的需求

• 更快的设计时间和更短的工具编译时间

表3：Speedster7t 2D NoC与Soft 2D NoC的总结比较