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

随着对更高内存带宽和计算密度的需求增长，2.5D设计成为一种有前途的解决方案，它涉及将多个芯片集成到中介层上。然而，这种集成引入了重大挑战，由于数据速率的增加和大量的输入/输出，需要对芯片上和中介层上的电源分配网络（PDN）进行先进的优化，以减轻小信号噪声和同时切换噪声（SSN）。2.5D系统中传统的PDN优化策略主要集中在通过集成解耦电容器（decaps）来减少小信号噪声，以降低阻抗。不幸的是，仅依靠频域分析已被我们的实验结果证明无法解决耦合的SSN。在这项工作中，我们引入了一种新颖的双阶段优化流程，使用深度强化学习来解决芯片上的小信号噪声和SSN。首先，我们在频域中优化阻抗，以保持小信号噪声在可接受的范围内，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（VVI），这是一种更准确的衡量SSN严重程度的方法。据我们所知，这是第一种双域优化策略，可以通过芯片上和中介层上PDN中的策略性解耦电容器放置，同时解决小信号噪声和SSN传播，为2.5D集成系统的鲁棒PDN设计迈出了重要一步。

本论文旨在解决2.5D设计中芯片内和芯片间的电源分配网络（PDN）优化问题，以减少小信号噪声和同时开关噪声（SSN）的影响。

本论文提出了一种新的双域优化策略，使用深度强化学习来同时解决芯片内和芯片间的小信号噪声和SSN问题。该策略包括在频域中优化阻抗以控制小信号噪声，并在时域中优化PDN以最小化电压违规积分（VVI）以控制SSN。

本文的亮点在于提出了一种双域优化策略，同时解决了芯片内和芯片间的小信号噪声和SSN问题。实验结果表明，该策略比传统的单域优化策略更有效。本文还提供了实验数据集和开源代码，以及对未来工作的展望。

在相关研究中，也有一些关于PDN优化的工作，如“PDN设计中的深度学习方法”和“2.5D IC设计中的PDN建模和优化”。