基于振荡器的耦合网络和数控振荡器技术研究

振荡器是大多电子设备的关键构成单元。随着模拟电路的发展，类脑计算和数字模块化成为模拟电路发展的两大趋势，振荡器也作为其中重要模块受到越来越多的关注：更紧凑的新型忆阻振荡器网络使得大网络的神经形态电路成为可能。而数字控制振荡器（DCO） 也在各种运用（比如全数字锁相环）中起着至关重要作用。

振荡器神经网络（ ONN） 是一种可以实现智能运用。忆阻振荡器因为紧凑和简单的特点，成为振荡器神经网络组成的可选单元模块。并且其对应的行为级模型仿真，相比传统的晶体管级仿真可以节省40倍时间，大大加速了验证。然而在传统的忆阻 ONN 结构中，振荡器网络间由于识别后的频率偏差导致的相位不锁定比较严重。

IMS实验室2020届毕业生许郁冰创新性地提出利用亚谐波注入的原理，提出了一种新型2次谐波注入（SHIL-2） ONN 结构来进行解决。同时引入能量函数来深入理解网络最终达到的平衡状态。

MATLAB 和 Cadence 中的仿真结果都给出了一致的频率，即不变的相位差，都识别到正确图像上。在两张存储，三张存储和阿拉伯数字存储三种仿真情况下，识别图像的误差标准差相比传统结构分别改善了80，36和192倍。

同时该毕业生还研究了数字控制振荡器技术，并设计了一款可应用于全数字锁相环（ADPLL）的带反馈的高线性抗工艺角干扰多相位输出数字控制振荡器。设计了9位频率调谐结构、差分交叉耦合基本延迟单元和电流模负反馈结构。

最后还针对数字电路中常带来的电源端噪声干扰（主要针对参考频率带来的20MHz 低频正弦干扰），提出了电源噪声补偿技术。设计的电源噪声感知模块运用了可调增益恒定输出电平放大器， 在不影响 DCO 振荡频率下可进行电源噪声补偿，仿真结果显示补偿后的抖动降低了214.6ps，接近没有电源噪声时的抖动大小。