[发明专利]基于机器学习的分裂流水线逐次逼近模数转换器校准方法

说明书

本发明属于集成电路技术领域，具体为一种基于机器学习的分裂流水线逐次逼近模数转换器校准方法。本发明方法包括：使用开环余量放大器的分裂式流水线逐次逼近型模数转换器模型，完成输入模拟信号到数字码值的转换；采用神经网络失真补偿模块，通过补偿模拟电路引入的失真，完成对输出结果的数字后台校准。对该神经网络的训练不需要关于ADC结构的相关信息，且输出的数据具有稀疏性。通过对矩阵稀疏情况分析并剪枝，以降低神经网络的计算量；同时可由稀疏情况预测ADC的级数分配等结构信息。本发明对使用开环余量放大器的分裂式流水线逐次逼近型模数转换器电路结构具有广泛适用性，并且可以得到超过LMS校准算法的精度。

技术领域

本发明属于集成电路技术领域，具体涉及基于机器学习的分裂式流水线逐次逼近型模数转换器的校准方法。

背景技术

随着数据要求的提高，高速和高分辨率的模数转换器不可缺少。流水线逐次逼近型模数转换器（Pipelined-SAR ADC）比传统的流水线型ADC更节能，在速度，分辨率和线性度方面，又优于SAR ADC，具有很大优势。

传统的Pipelined-SAR ADC依赖于开关电容（SC）电路中的高性能运算跨导放大器（OTA）来精确放大余量，功耗较高。使用环形放大器进行余量放大具有较好的功率效率，但是在工艺、温度、电压的影响下容易产生振荡。开环的余量放大器已经取代了闭环负反馈电路。但是开环放大器的增益和线性度与工艺、温度和电源电压高度相关并且对输入信号的稳定性很敏感，因此，自适应校准是必要的。

数字校准主要分为基于统计的校准和确定性校准，其中后者具有更快的收敛速度和更少的硬件复杂性的优点。在确定性校准方法中，分裂式模数转换器（Split ADC）具有最小模拟开销、更高转换速度和更低复杂性，优于其他确定性校准方案。

现有的校准方案通常是基于ADC结构的先验知识的，包括其级数、每一级的精度、放大器增益和非线性情况等。基于这些知识，使用如最小均方误差（LMS）方法，通过建立并求解与ADC误差模型相关的复杂矩阵方程，以校正放大器增益误差、非线性和电容器不匹配等。因此，针对使用开环余量放大器的Split Pipelined-SAR ADC的不同电路结构，校准算法也具有差异性，无法扩展。

机器学习的最新进展，尤其是神经网络算法，激励我们为这些具有动态开环放大器的ADC开发通用的，无先验知识的校准方案。

发明内容

本发明的目的在于提供一种基于机器学习的无先验知识的分裂式流水线逐次逼近型模数转换器的校准方法，用于校准带有开环余量放大器的分裂式流水线逐次逼近型模数转换器，同时纠正电容器不匹配、增益误差和开环放大器的高阶失真。

本发明提供的基于机器学习的分裂式流水线逐次逼近型模数转换器（ADC）的校准方法，具体步骤为：

（1）首先使用开环余量放大器的分裂式流水线逐次逼近型模数转换器（ADC），完成输入模拟信号到数字码值的转换，同时产生神经网络损失函数；

（2）使用神经网络失真补偿模块，通过补偿模拟电路引入的失真，完成对流水线逐次逼近型模数转换器（ADC）输出结果的数字后台校准。

其中，一个流水线逐次逼近型模数转换器（ADC）的每一级包括采样保持电路、CDAC阵列、逐次逼近控制逻辑、比较器和开环的余量放大器；并分裂成两个完全相同的半通道，各占用一半的面积与功耗；两个半通道同时对输入信号进行采样，并使用理想的电容权重进行信号重建；两个半通道重建结果相减后的差值用于校准ADC失真，相加后结果求平均为最终数字输出。

本发明中，所述的神经网络失真补偿模块（即神经网络校准模块），具有三层网络，依次为输入层、隐藏层、输出层；其中，隐藏层中的节点结构就是多层感知机基本单元；输入层实际上就是抽头，不包含内部结构；输出层可以包含激活函数也可以不包含；在激活函数的帮助下，多层感知机具备强大的函数拟合能力，已经证明，仅含有一层隐藏层的多层感知机，只要其中有足够多的神经元，就能够逼近任何函数。