论文部分内容阅读
随着科技的进步,电子器件的数字化和集成度日益提高,以数字集成电路为核心的电子器件在空间通信与信息系统中发挥着重要的作用。然而,由于空间环境中富含高通量的质子和高能重离子,这些粒子入射硅材料会诱发单粒子效应,从而对电子器件的可靠性造成了极大的影响。随着数字集成电路工艺特征尺寸进入了深亚微米时代,单粒子效应产生的软错误已经成为了影响航空航天设备中数字集成电路可靠性的重要因素。根据单粒子效应发生的位置不同,软错误可以分为发生在时序电路中的单粒子翻转和组合逻辑中的单粒子瞬态两种。在行业中,软错误一般采用翻转截面和软错误率来表征。目前对于软错误的评估通常采用辐射实验的方法,但该方法难以在设计阶段对设计进行单粒子性能评估且实验价格昂贵。因此,国内外研究人员纷纷展开了针对设计阶段的软错误预测研究,以待在集成电路的设计初期提供一套有效的可靠性评估方法,从而避免因设计考虑不足带来的芯片迭代流片和反复进行单粒子实验产生的巨大经济损失。集成电路工艺特征尺寸不断缩小,器件节点关键电荷的减小和电路集成度的日益提高,使得数字集成电路的软错误率不断增大。同时这些随着科技进步而引入的工艺特点给数字集成电路的软错误评估模型带来了新的挑战,其主要表现为:(1)集成电路器件特征尺寸减小造成逻辑门电路的面积减小,从而导致粒子入射覆盖面积与逻辑门电路的面积比增大,也就导致了电荷共享效应的出现。在存储器件中,电荷共享效应的直接现象是单粒子多比特翻转。实验表明:在深亚微米工艺下,器件的翻转截面已大于了器件本身的几何尺寸。这一现象的出现对现有单粒子翻转截面的预测提出了新的挑战。(2)特征尺寸减小和工作电压的降低导致存储器件发生翻转的临界电荷也随之减小,从而导致空间环境中通量很高的质子可以通过直接电离引起单粒子翻转,进而造成单粒子翻转引起的软错误持续增长。现有的质子翻转截面预测模型基本都只关注了质子的二次翻转效应,这一现象的出现对质子引入的翻转截面预测提出了新的要求。(3)工作频率的提高导致组合逻辑电路中单粒子瞬态效应引起的软错误占到了很高的比重,不能再被忽视。本文针对深亚微米工艺下单粒子效应出现的新情况,对翻转截面和软错误率预测进行了深入研究,具体工作如下:(1)深亚微米工艺下,重离子引入的时序电路核心器件的单粒子翻转截面的电路级预测方法研究;(2)深亚微米工艺下,质子引入的翻转截面预测模型研究;(3)深亚微米工艺下,单粒子效应引入的组合逻辑软错误率快速评估方法研究。针对第一个问题,本文主要解决高能重离子引入的翻转截面预测。针对第二个问题,本文主要解决质子直接电离引入的翻转截面预测和二次反应翻转截面预测,从而为目前出现的新现象提供一套预测方法。针对第三个问题,本文提出了一种快速预测单粒子瞬态效应的硬件模拟方法,从而为大规模组合逻辑电路的软错误率提供一种评估方式。本文第三章对于第一个问题展开了研究,提出了一种基于电路级单粒子效应模拟的翻转截面预测方法。根据深亚微米工艺下,单粒子翻转饱和截面受粒子辐射距离影响更大这一研究结果,定义了影响距离这一概念。将粒子入射器件位置到敏感管漏极中心的距离作为重要参量引入电路级单粒子效应建模中,并提出适合深亚微米工艺下的电流注入模型。通过该电流注入模型可以将入射粒子的线性传输能量值转化为影响距离,并结合存储器件的版图信息提出了单粒子翻转截面预测模型。采用该预测方法对三种工艺尺寸的时序器件进行了实例分析,结果显示该方法的翻转截面预测值与单粒子实验数据有较好的吻合度。本文第四章对于第二个问题进行了研究,根据反应机理的不同,质子翻转截面预测可以分为两类进行分析:(1)低能量质子直接电离引入的翻转截面预测,等效为在低LET域的翻转截面预测;(2)高能质子二次反应产生的反冲重离子翻转截面预测。针对低能质子的翻转截面预测,本文根据器件内部的单粒子敏感性不同而定义了敏感因子参数,并在此基础上提出了精细翻转截面预测模型。对于高能质子二次反应产生的翻转截面,本文构建了可变灵敏体,并在此基础上提出了一种改进的两参数核反应模型用于预测质子的二次反应引入的翻转截面。结合所提出的两种预测模型,对90、65nm工艺的静态随机存储器进行了翻转截面预测,结果显示预测的翻转截面与质子实验数据吻合较好。本文第五章提出了一种快速预测组合逻辑软错误率的硬件模拟方法。通过对单粒子瞬态效应的研究,将脉冲传输中产生的电气掩蔽效应和脉冲展宽效应建模为逻辑门物理延迟信息表征的解析表达式,并在此基础上通过量化思想建立了一种适合硬件模拟的单粒子瞬态注入模型。该模型用一个线性加减计数器和比较器实现了真实物理延迟信息的表征,通过设置比较器的阈值和计数器的最大值可以在硬件模拟中表征每个门的传输特性。利用该硬件注入模型可以对全电路的单粒子瞬态效应模拟进行加速。采用本文提出的软错误率计算方法对ISCAS’85部分基准电路进行了评估,实验结果证明在130nm工艺下该方法的预测结果与其他算法预测结果在一个数量级上。