An Area-Efficient High-Resolution Segmented ΣΔ-DAC for Built-In Self-Test Applications
Notice bibliographique
Résumé
Sigma–delta ($\Sigma \Delta$) digital-to-analog converters (DACs) are commonly used to realize programmable dc voltage generators in built-in self-test (BIST) schemes, largely on account of their high linearity. Unfortunately, such$\Sigma \Delta $-DACs require large amounts of digital memory and a reconstruction filter with a large silicon area footprint. In this article, a segmented DAC architecture is proposed. The proposed architecture is realized using two sub-DACs, where both are$\Sigma \Delta $-based. This DAC provides two advantages: filter footprint size reduction and memory savings, thereby allowing for a simpler BIST solution. The benefits of using the segmented$\Sigma \Delta $-DAC are shown using two experimental prototypes. The first is an IC prototype design using the TSMC 65-nm CMOS technology. It will be shown that the IC achieves 12 bits of resolution from 1020 memory elements, whereas an unsegmented$\Sigma \Delta $-DAC uses 4095 elements to obtain the same resolution. This is about a 75% savings in memory elements. The segmented prototype occupies 0.5 mm2of silicon area, whereas the unsegmented design occupies 0.77 mm2for the same resolution. A 35% silicon area savings compared with its unsegmented counterpart. A second prototype implements the segmented$\Sigma \Delta $-DAC architecture using discrete components. The discrete prototype achieves 16 bits of resolution from 1020 memory elements, whereas the unsegmented counterpart uses 65 535 bits for the same resolution. This is a 98% saving in memory elements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».