【摘 要】
：
动态随机存储器（Dynamic Random Access Memory,DRAM）是存储器产业的重要组成部分。灵敏放大器（Sense Amplifier,SA）作为DRAM的关键电路,在数据读取时发挥着至关重要的作用。在DRAM中,接入灵敏放大器的位线是成对存在的,灵敏放大器的功能是识别两端位线之间微弱的电压差,并将此电压差放大至外围电路可以识别的电压差。在生产过程中,由于晶体管阈值电压的不同,
论文部分内容阅读
动态随机存储器（Dynamic Random Access Memory,DRAM）是存储器产业的重要组成部分。灵敏放大器（Sense Amplifier,SA）作为DRAM的关键电路,在数据读取时发挥着至关重要的作用。在DRAM中,接入灵敏放大器的位线是成对存在的,灵敏放大器的功能是识别两端位线之间微弱的电压差,并将此电压差放大至外围电路可以识别的电压差。在生产过程中,由于晶体管阈值电压的不同,理论上相同的两个MOSFET可能会适配,这就导致了灵敏放大器在工作过程中产生失调噪声,从而数据可能被错误放大。为了减小其对于SA读取操作中的影响,本文提出了一种具有的低失调的灵敏放大器电路,本文主要内容如下:本文首先介绍了传统灵敏放大器的结构、工作原理以及失调电压产生的原因,并仿真分析了现有DRAM灵敏放大器失调电压解决方案的优缺点,具体包括OCSA、OMCSA及BRV＿SA电路。在上述分析的基础上,本文提出了一种具有低失调的灵敏放大器电路。该电路在补偿阶段通过输入输出短接和电流镜相结合的方式,补偿位线电压差,达到降低失调电压的目的。在65nm CMOS工艺、电源电压为1.2V、TT工艺角、.25℃条件下,对所提出的电路进行仿真,包括在不同位线负载电容下,对电路的失调电压、速度、正确率、功耗的仿真分析。以负载电容100f F为例,仿真结果表明,和OCSA、OMCSA、BRV＿SA几种补偿电路相比较,本文提出的低失调灵敏放大器在失调电压方面分别降低了90%、80%和75%,读取速度方面,分别提高了21.2%、10%和13.1%,功耗方面,分别降低了25.2%、15.1%和8%。
其他文献
在现代计算机体系架构中,I/O设备的性能越来越备受关注,I/O虚拟化技术的产生,使得I/O设备的利用率和性能飞速提升。而基于硬件辅助I/O虚拟化技术的实现,使系统整体性能又向前迈进了一大步。传统I/O虚拟化通过软件干预会使系统多次进行上下文切换,容易形成通信瓶颈,导致CPU和大量的内存资源被浪费,基于硬件辅助I/O虚拟化技术克服了传统I/O虚拟化通过软件干预的缺点,并且是通过专用的硬件模块实现I/
比色传感和光电化学传感的概念自提出以来受到了广泛关注。近年来,通过将先进的纳米技术、界面组装方式和多样的识别反应相结合,比色传感和光电分析方法的灵敏度和选择性得到了极大的提高,应用范围也扩展到了生物识别、重金属离子以及农药分子检测等领域。随着比色传感器和光电化学传感器的发展,研究者们逐渐聚焦于光敏材料的发掘和改性以及构建具有制造成本低、器件小型化和使用便捷等优点的新型传感器。本文基于离子交换策略,
玉米是我国重要的农作物之一,在玉米生长过程中,可以通过无人机拍摄玉米植株图像,利用计算机视觉技术对植株进行计数,以估计玉米总产量,并制定下一年的育种计划。然而,实际拍摄得到的玉米植株图像,会受到光照反射、背景相似等不利因素的影响,降低了植株计数的精度,影响了玉米植株分布情况的正确显示。针对上述问题,本文开展了以下两部分工作。（1）提出了一种基于改进YOLOv3的玉米植株计数算法。首先,对训练集中的
基于深度学习的汽车智能座舱系统旨在使用计算机视觉技术构建更加智能、安全的驾乘体验,其中,人脸活体检测技术和视线估计技术是该系统中的两个重要方向。但是从目前的研究而言,人脸活体检测和驾驶员视线估计在智能座舱中的应用还并不成熟,原因是一方面,普通RGB相机捕捉不到人脸的深度信息以及对单一模态数据的建模很难达到理想的效果,导致现有的活体检测模型在实际环境下鲁棒性普遍偏低,从而给人脸识别带来了安全隐患。另
软件定义网络（Software Defined Network,SDN）是新一代计算机网络架构。凭借数据转发和逻辑控制相分离的优势,软件定义网络相比传统网络能更快速地响应用户请求。同时,网络可编程特性则使其能方便地实现诸如负载均衡等复杂网络功能。然而,因为整个网络的逻辑控制功能都集成在逻辑控制平面,该平面发生故障将影响整个网络的性能,严重时将使整个网络瘫痪。针对控制器的分布式拒绝服务（Distri
人工智能作为一个曾经让人感到很遥远的词,往往只出现在各种影视作品中,然而现如今,这个词已经渐渐的深入到我们的生活中来。商品识别,人脸检测,面容支付,语音控制等等这些基于人工智能的技术极大的方便了我们的生活。而这些技术的发展也离不开优化的算法,诸如卷积神经网络的不断发展以及具有强大算力的硬件设备的支持。随着所需处理的数据量愈发庞大,目前的冯诺依曼结构由于速度的限制可能在不久的将来成为人工智能发展的瓶
科技的飞速发展促进了新兴技术被广泛的应用到人类的日常生活中,然而应用程序需要处理的数据量也随之陡增。由于内存技术的发展趋势不能像计算性能那样迅速扩展,从而导致了所谓的冯·诺依曼内存墙。为了解决“内存墙”及其带来的一系列问题,学者们提出了一种新型计算架构-存内计算架构。本文首先介绍了半导体行业发展的背景和现状,并从SRAM（Static Random Access Memory）存储单元着手,详细介
随着云计算技术的不断成熟,基于服务的系统（Service-Based System,SBS）正在快速增长,SBS根据业务流程的形式组合现有的服务为用户提供服务。但是这种架构也给系统的容错带来了更复杂的问题。在动态的云环境中,SBS的组件服务可能会遇到由于各种运行时异常（例如虚拟机故障、软件异常等）而导致的多维度服务质量（Quality of Service,QoS）下降的情况。及时且经济高效地处理
计算机视觉的处理和研究作为一个有价值和意义的课题受到研究者们的广泛关注。在计算机视觉问题中,图像的语义分割技术在自动驾驶汽车、军事武器、人机交互、智慧工地、虚拟现实、智慧生产等领域有着深远的影响,但是深度卷积神经网络的结构也会使得分割任务面对一些问题。一方面,深度神经网络在深层学习高级语义信息的过程中,部分边界轮廓信息和位置信息会丢失。另一方面,对于图像的语义分割的结果,由于特征包含的空间信息不足
随着数据的海量增长,许多用户选择利用云服务器存储数据,从而降低本地存储数据的负担。但是利用云服务器存储数据会导致数据的控制权和使用权分离。此外,云服务器可能由于软硬件故障等因素损坏用户数据。因此用户需要不定期的对外包数据进行完整性审计。然而随着云计算的发展,不可信的云服务器可能会泄露外包数据中的隐私信息。因此,隐私保护的数据完整性审计逐渐成为研究重点。尤其是在物联网环境下,面对跨域存储的外包数据,