MétaCan
Menu
Retour à la cohorte
Enregistrement W4403277301 · doi:10.1109/access.2024.3477295

High-Performance Time-to-Digital Conversion on a 16-nm Ultrascale+ FPGA

2024· article· en· W4403277301 sur OpenAlexfundno aff
Lorenzo Castelvero, Ignacio López Domínguez, Valerio Pruneri

Notice bibliographique

RevueIEEE Access · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvancements in PLL and VCO Technologies
Établissements canadiensnon disponible
Organismes subventionnairesOntario Ministry of Research, Innovation and ScienceInstitut de Ciències Fotòniques
Mots-clésField-programmable gate arrayComputer scienceEmbedded system

Résumé

récupéré en direct d'OpenAlex

In recent years, field-programmable gate arrays (FPGAs) have emerged as promising platforms for implementing picosecond-resolution time-to-digital converters (TDCs). Tapped delay-lines (TDLs) are simple to implement but require careful design decisions for high precision and linearity. Although various implementation strategies have been explored in TDC literature across different FPGA technology nodes, the 16-nm node has only recently begun to receive attention. The goal of this study is to leverage a 16-nm FPGA for TDL-TDCs with the requirement of maintaining implementation simplicity while ensuring top-tier performance. We investigated, combined, and optimized various state-of-the-art TDL techniques using an AMD-Xilinx Zynq Ultrascale+ RFSoC. The 16-nm node offers logic buffers (CARRY8) with low propagation delay, ideal for the construction of TDLs. We designed multi-channel TDCs utilizing both single and multiple carry chain TDLs. Propagating a single signal edge allows the use of a simple, bubble-free ones-counting encoder. Buffer redundancy subdivides the bins of the code density histogram, whose linearity is further enhanced by bin decimation. The optimal placement of the TDL elements is considered, together with the sampling clock frequency and source. We demonstrate the capabilities of the TDCs in terms of full-scale range (FSR), dead time, nominal resolution (LSB), RMS precision, differential and integral nonlinearity, hardware utilization, and power consumption. This method leads to TDCs that are simple to implement yet excel in performance, linearity, and sampling rate. For example, we propose a 4-chain TDC achieving LSB < 4 ps, single shot precision (SSP) < 3 ps, DNL < 1 LSB and INL < 2 LSB.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,243
Écart entre enseignants0,232 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE AccessMême sujetAdvancements in PLL and VCO TechnologiesTravaux en français237 207