【Cadence射频仿真学习笔记】2.4GHz低噪放LNA仿真设计

  • 课程分为3个部分,
    在这里插入图片描述

一、LNA结构与噪声优化方法

在这里插入图片描述

  • 噪声优化的方法是:限定功耗的噪声和功率同时匹配
  • 噪声匹配和功率匹配一般不会同时达到,

在这里插入图片描述

  • 对于PCSNIM结构的噪声分析,我们只需要了解与哪些参数有关
  • 优化思路是:
  • 1.信号源阻抗是50欧姆,因此我们要设计最佳信号源阻抗的实部为50欧姆,并使得虚部为0.这样就达到了噪声匹配
  • 2.实现功率匹配:输入阻抗的实部等于50欧姆,输入阻抗的虚部为0。
  • 可以看到这里面一共有4个方程5个未知数。因此我们可以先确定功耗在去优化参数,然后去满足这四个方程。
  • 这时候就可以体现出栅源并联电容Cex的作用了,假如没有这个Cex,虽然也可以去达到功率匹配,但是这个时候功耗Id就被限定住了。
  • 所以Cex的引入为设计增加了自由度。
    在这里插入图片描述

二、设计指标与设计步骤

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

三、仿真实践

1. 选择合适尺寸的mos管,搭建偏置电路

  • 打开virtuoso

  • 加入mos管
    在这里插入图片描述

  • 搭建偏置电路

  • 隔直电容和电感值要取大一些
    在这里插入图片描述

  • 然后我们要初步确定mos管的尺寸

  • 栅长要选择本工艺的最小栅长。这里的设计与运放的设计不太一样,在运放中会把栅长取的很长来获得一个大的增益,LNA中一般把栅长选的最小,使得寄生电容最小,使截止频率达到最大,追求最大的开关速度。

  • 每个finger的宽度我们要选取适中,宽度太大或者宽度太小都不可以。如果单个finger宽度太大的话,会引入很大的栅极串联电阻

  • 我们可以从版图的角度考虑这一点

  • 如果单个finger的宽度取的特别大,那么就会引入很大的栅极串联电阻,因此我们需要用finger的方式,把总的栅宽给分摊下来,使得栅极串联电阻减小。

  • 另一方面,如果单个栅宽取的过短的话,我们达到同样的总栅宽就需要很多个finger,由于这些finger最后都需要通过金属连线给连接起来,这样就会使得连线非常复杂,还引入了一些寄生电容和寄生电阻。
    在这里插入图片描述

  • 因此单个finger的栅宽要适中,不能太大也不能太小,这里先选择3um

在这里插入图片描述

2.选择合适的VGS,使得NFmin最小

  • 接下来打开仿真环境。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

  • 点击Tests,选择刚才绘制的原理图
    在这里插入图片描述

  • 然后加入仿真的变量
    在这里插入图片描述

  • 设置变量的初始值
    在这里插入图片描述

  • 然后运行SP仿真
    在这里插入图片描述

  • 去扫描VGS,找到一个最佳的NFmin

  • 这里要把噪声的选项勾选上
    在这里插入图片描述

  • 运行仿真结束后,查看NFmin
    在这里插入图片描述

  • 从图中找到NFmin最小的时候对应的VGS

  • 大概是在650mV左右
    在这里插入图片描述

  • 修改初始变量的值
    在这里插入图片描述

3. 根据功耗要求,确定mos管尺寸

  • 也就是确定finger数量,把总栅宽给确定下来。
  • 由于前面的设计指标说了,设计的直流电流要小于5mA
    在这里插入图片描述
  • 那么接下来我们就扫描直流电流Ids与finger的关系曲线,然后来确定finger的数量
  • 先跑一遍dc仿真,以便于后面把它的直流信息给展示出来。
    在这里插入图片描述
  • 然后我们点击Tools-> Results Browser
    在这里插入图片描述
  • 把管子的漏电流给展示出来
  • 点击dcOpInfo
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • 找到Id,也就是漏电流,假如到Calculator中
    在这里插入图片描述
    在这里插入图片描述
  • 然后再送到ADE中
    在这里插入图片描述
  • 将其命名为Id
    在这里插入图片描述
  • 接下来扫描Id与fingers的关系
    在这里插入图片描述
  • 然后点击这里添加扫描参数
    在这里插入图片描述
  • 点击mos管,找到finger变量
    在这里插入图片描述
  • 找到finger变量,并创建变量
    在这里插入图片描述
  • 然后就可以看到finger变量就到这来了
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • 然后运行扫描
    在这里插入图片描述
  • 然后就能弹出Id随fingers的曲线
  • 由于我们要求电流小于5mA,所以我们选择略小于5mA的电流对应的fingers
  • 如果电流选择太小的话,可能会导致后续的其他指标恶化,比如会导致增益上不去。
  • 这样就确定下fingers了
    在这里插入图片描述
    在这里插入图片描述

4. 选择Cex,使满足Re[Zopt]=Rs=50Ω

  • 选择栅源并联电容Cex,使最佳信号源阻抗的实部等于50欧姆
    在这里插入图片描述
  • 然后设置SP,将扫描变量换成Cex
    在这里插入图片描述
  • 然后查看Gmin,即最佳噪声反射系数。也就是说当最佳噪声系数达到信号源阻抗,即最佳信号源阻抗,也可以说是最佳反射系数。
    在这里插入图片描述
  • 我们要找到实部等于50欧姆的点,也就是这条曲线和50欧姆等电阻圆相交的点,
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

5. 选择Ls,使满足Re[Zin]=Rs=50Ω

  • 添加源极串联电阻
    在这里插入图片描述
    在这里插入图片描述
  • 因为要使输入阻抗等于50Ω,我们查看输入阻抗的S11曲线
    在这里插入图片描述
    在这里插入图片描述
  • 我们需要找到50欧姆的等电阻圆与这条曲线相交的Ls
    在这里插入图片描述
    在这里插入图片描述

6. 选择Lg,使得Im[Zin]=Im[Zopt]=0Ω

  • 添加栅极串联电感Lg
    在这里插入图片描述
  • 添加扫描变量Lg
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • 然后回到仿真设置,把SP扫描变量改为none
    在这里插入图片描述
  • 仿真S11和Gmin,以Append的方式显示图像
    在这里插入图片描述
    在这里插入图片描述
  • 找出靠的最近的S11和Gmin
    在这里插入图片描述
  • 然后确定下了所有参数
    在这里插入图片描述
  • 然后查看S11的情况
    在这里插入图片描述
    在这里插入图片描述
  • 然后看NF和NFmin的曲线
  • 它们在某个频点处非常接近
    在这里插入图片描述
  • 这样我们就把输入匹配给做好了

7. 根据隔离度,噪声和增益需求,考虑添加共源共栅管

  • 如果需要得到更大的增益的话,可以添加一个共源共栅管来增大其增益,并增强其隔离度,
  • 同时还要考虑电源电压,如果电源电压太低了,则共源共栅就不是一个很好的选择。
  • 这里以共源共栅为例做示范,共栅管的尺寸与共源管尺寸相同,其栅极直接连接到电源电压上,
    在这里插入图片描述

8. 选择负载电感Ld,考虑电感并联损耗电阻,即增益的影响

  • 我们需要考虑电感的并联损耗电阻Rp=2pifLdQ,Ld对增益的影响(Gm*Rout),Rout就等于电感的并联损耗电阻。
  • 可以发现前面输入匹配的电感和电容都是理想的电感,实际的这些参数都是有所偏离的,
  • 这里以实际的电感为例,采用工艺库的

在这里插入图片描述

  • 先选取一个5nH的电感
    在这里插入图片描述
  • 用实际电感把理想电感给替换掉
    在这里插入图片描述

9. 设计输出匹配网络,使得输出阻抗为50Ω

  • 扫描SP,不扫描任何一个点,只看2.4G输出阻抗在哪里
    在这里插入图片描述
  • 查看S22
    在这里插入图片描述
  • 输出阻抗的这个点,表示其在感性区,在原理图中,从port往里看,就是电感和共栅管的输出阻抗的并联。
  • 这里我们可以并联一个电容,沿着等电导圆到达50欧姆的等电阻圆,然后再串联一个电容,使其达到smith圆的圆心。
    在这里插入图片描述
  • 首先并联一个电容,将其变量设为C1
    在这里插入图片描述
  • 然后再SP中扫描这个电容
    在这里插入图片描述
  • 我们找到S22与等电阻圆的交点,可得并联电容值为244fF
    在这里插入图片描述
    在这里插入图片描述
  • 然后我们再串联电容,这里不需要额外再添加了,因为这里输出端有一个隔直电容,我们只需要扫描这个隔直电容的值即可。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • 找到圆心点对应的电容容值为347fF
    在这里插入图片描述
    在这里插入图片描述

10. LNA整体性能仿真

  • 主要查看S参数和NF
    在这里插入图片描述
  • S11是输入匹配,S12是反向增益(反向隔离度),S21是正向增益(查看3dB带宽和中心频率),S22是输出匹配
    在这里插入图片描述
  • 噪声系数NF,在全频段内没有超过1dB
    在这里插入图片描述
  • 稳定性kF,我们不能仅仅在工作频段内扫描,我们需要从直流扫描到一个很高的频率,以确保其稳定性都能得到满足,每个频率内都不会发生振荡。
    在这里插入图片描述
  • 稳定性查看kF和B1f
    在这里插入图片描述
  • 在全频段内,我们要保证kF大于1,B1f要大于0
    在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/70895.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【洛谷入门赛】B4042 顺序结构 202410 场

题意 给你一个变量 a a a:小 Y 会让 a a a 先加 5 5 5 再把它们的和乘 3 3 3 最后输出;小 L 会让 a a a 先乘 3 3 3 再加 5 5 5 最后输出。 要求出小 Y 和小 L 分别会输出什么东西。 思路 这道题按照题目意思模拟就可以了,重点是考…

Android13修改多媒体默认音量

干就完了! 设置音量为最大音量,修改如下: /framework/base/media/java/android/media/AudioSystem.java/** hide */public static int[] DEFAULT_STREAM_VOLUME new int[] {4, // STREAM_VOICE_CALL7, // STREAM_SYSTEM5, // STREAM_RING-5, // STREAM_MUSIC15, // STREAM…

【Azure 架构师学习笔记】- Azure Databricks (13) -- 搭建Medallion Architecture part 1

本文属于【Azure 架构师学习笔记】系列。 本文属于【Azure Databricks】系列。 接上文 【Azure 架构师学习笔记】- Azure Databricks (12) – Medallion Architecture简介 前言 上文已经介绍了关于Medallion的知识,本文开始用ADB 来实现, 但是基于内容较…

社交APP如何打造高粘性兴趣社群

想要打造一款成功的社交 APP 兴趣社群,关键在于充分激发用户的主动分享意愿,同时构建起深度互动机制。与其在一开始就将大量资源投入到广告宣传中,倒不如把精力集中在深度挖掘和精心维护首批核心用户上。例如,可以尝试设计在线测试…

【操作系统】同步与互斥

同步与互斥 一、同步与互斥的概念1.1 同步与异步1.2 进程互斥 二、进程互斥的实现2.1 软件实现2.1.1 单标志法2.1.2 双标志先检查法2.1.3 双标志后检查法2.1.4 Peterson法 2.2 硬件实现2.2.1 中断指令2.2.2 TestAndSet指令2.2.3 Swap指令 三、互斥锁四、信号量机制4.1 整型信号…

C++ 正则表达式分组捕获入门指南

在 C 中,正则表达式(regex)是一种用于匹配字符串模式的强大工具。正则表达式不仅能帮助你查找符合特定模式的字符,还能捕获匹配的子字符串(即分组捕获)。这篇文章将介绍 C 正则表达式中的分组捕获机制&…

使用Docker方式一键部署MySQL和Redis数据库详解

一、前言 数据库是现代应用开发中不可或缺的一部分,MySQL和Redis作为两种广泛使用的数据库系统,分别用于关系型数据库和键值存储。本文旨在通过Docker和Docker Compose的方式,提供一个简洁明了的一键部署方案,确保数据库服务的稳…

性能附录:如何计算并发用户数(摘自高楼老师《性能30讲》)

高楼老师《性能30讲》: 性能测试实战30讲-极客时间 感兴趣的同学可以去读一下,个人感觉写的非常好 目录 什么是并发? 在线用户数、并发用户数怎么计算 总结 什么是并发? 我们假设上图中的这些小人是严格按照这个逻辑到达系统的,那显然,…

基于yolov8的糖尿病视网膜病变严重程度检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面

【算法介绍】 基于YOLOv8的糖尿病视网膜病变严重程度检测系统 基于YOLOv8的糖尿病视网膜病变严重程度检测系统是一款利用深度学习技术,专为糖尿病视网膜病变早期诊断设计的智能辅助工具。该系统采用YOLOv8目标检测模型,结合经过标注和处理的医学影像数…

学习路程八 langchin核心组件 Models补充 I/O和 Redis Cache

前序 之前了解了Models,Prompt,但有些资料又把这块与输出合称为模型输入输出(Model I/O)‌:这是与各种大语言模型进行交互的基本组件。它允许开发者管理提示(prompt),通过通用接口调…

DeepSeek 开源狂欢周(五)正式收官|3FS并行文件系统榨干SSD

千呼万唤始出来!在 DeepSeek 开源周 的第五天,今日正式收官!在大模型训练中,每个epoch都在与存储系统进行光速竞赛——数据加载延迟会扭曲计算时空,KVCache访问瓶颈将引发推理坍缩。DeepSeek开源的 3FS文件系统&#x…

特征工程中的三大向量化工具详解

特征工程中的三大向量化工具详解 在文本处理和特征工程中,TfidfVectorizer、CountVectorizer 和 DictVectorizer 是常用的工具,用于将原始数据转换为机器学习模型可用的数值特征。以下是它们的核心区别、用法及示例: 1. CountVectorizer&…

C++ Qt常见面试题(4):Qt事件过滤器

在 Qt 中,事件过滤器(Event Filter)提供了一种机制,可以拦截并处理对象的事件(如鼠标事件、键盘事件等),在事件到达目标对象之前对其进行预处理。事件过滤器通常用于以下场景: 捕获和处理特定的事件(如鼠标点击、按键等);对事件进行筛选或修改;实现全局的事件监听功…

TCP基本入门-简单认识一下什么是TCP

部分内容来源:小林Coding TCP的特点 1.面向连接 一定是“一对一”才能连接,不能像 UDP 协议可以一个主机同时向多个主机发送消息,也就是一对多是无法做到的 2.可靠的 无论的网络链路中出现了怎样的链路变化,TCP 都可以保证一个…

PING命令TTL解析

在 ping 命令中,TTL(Time to Live,生存时间) 是 IP 数据包的核心字段之一,用于控制数据包在网络中的生命周期。以下是针对 TTL 的简明解析: 1. TTL 的核心作用 防循环机制:TTL 是一个计数器&a…

PySide(PyQT)重新定义contextMenuEvent()实现鼠标右键弹出菜单

在 PySide中,contextMenuEvent() 是 QWidget 类(以及继承自它的所有子类)的一个事件处理方法,主要用于处理上下文菜单事件,也就是当用户在控件上右键点击时触发的事件。 • 通过重新定义contextMenuEvent()来实现自定…

GitHub SSH连接问题解决指南

🔍 GitHub SSH连接问题解决指南 问题描述 遇到错误:ssh: connect to host github.com port 22: Connection refused 说明您的网络环境无法访问GitHub的SSH端口22,常见原因: 防火墙/网络运营商限制(国内常见&#xf…

Go红队开发—并发编程

文章目录 并发编程go协程chan通道无缓冲通道有缓冲通道创建⽆缓冲和缓冲通道 等协程sync.WaitGroup同步Runtime包Gosched()Goexit() 区别 同步变量sync.Mutex互斥锁atomic原子变量 SelectTicker定时器控制并发数量核心机制 并发编程阶段练习重要的细节端口扫描股票监控 并发编程…

RabbitMQ 的介绍与使用

一. 简介 1> 什么是MQ 消息队列(Message Queue,简称MQ),从字面意思上看,本质是个队列,FIFO先入先出,只不过队列中存放的内容是message而已。 其主要用途:不同进程Process/线程T…

常用的AI文本大语言模型汇总

AI文本【大语言模型】 1、文心一言https://yiyan.baidu.com/ 2、海螺问问https://hailuoai.com/ 3、通义千问https://tongyi.aliyun.com/qianwen/ 4、KimiChat https://kimi.moonshot.cn/ 5、ChatGPThttps://chatgpt.com/ 6、魔塔GPT https://www.modelscope.cn/studios/iic…