基于神经网络的PCB电源分配网络阻抗预测方法

doi:10.16257/j.cnki.1681-1070.2025.0012

电子与封装 ›› 2025, Vol. 25 ›› Issue (1): 010307 . doi: 10.16257/j.cnki.1681-1070.2025.0012

基于神经网络的PCB电源分配网络阻抗预测方法

段克盼，贾小云，韩东辰，蒋建伟，杨振英，郭宇

陕西科技大学电子信息与人工智能学院，西安

收稿日期:2024-09-18 出版日期:2025-01-22 发布日期:2025-01-22
作者简介:段克盼（1998—），女，硕士研究生，主要研究方向为电源完整性、智能信息处理；

Impedance Prediction Method of PCB Power Distribution Network Based on Neural Network

DUAN Kepan, JIA Xiaoyun, HAN Dongchen, JIANG Jianwei, YANG Zhenying, GUO Yu

Schoolof Electronic Information and Artificial Intelligence, Shaanxi University of Science and Technology, Xi'an 710000, China

Received:2024-09-18 Online:2025-01-22 Published:2025-01-22

摘要/Abstract

摘要： 针对传统电源分配网络（PDN）建模及计算方法存在的局限性和高计算资源消耗问题，提出了一种基于深度学习的PDN阻抗预测方法（URPNet）。该方法在融合PCB不规则形状、多叠层信息及多种电容端口位置信息的基础上，采用U型编解码结构和残差单元来处理特征，通过多层感知机（MLP）及全连接（FC）层对特征进行解码和重构，从而提升网络的特征处理能力。实验结果显示，URPNet模型的决定系数R2达到0.999，均方根误差为0.431，相较于现有深度学习方法，URPNet在通用性较强的同时预测结果更准确。此外其计算速度快，能够在不到1 s的时间内完成预测，可以有效应对PDN设计中的挑战。

关键词: 电源分配网络, 目标阻抗, 电源完整性, 神经网络

Abstract: Aiming at the limitations of modelling and calculation methods and high consumption of computing resources of traditional power distribution network (PDN), a PDN impedance prediction method (URPNet) based on deep learning is proposed. Based on the fusion of PCB irregular shape, multi-layer information and position information of various capacitive ports, U-shaped codec structure and residual units are used to process features, and multi-layer perceptron (MLP) and fully connected (FC) layers are used to decode and reconstruct features, thereby improving the feature processing capability of the network. Experimental results show that the determination coefficient R2 of URPNet model reaches 0.999, and the root mean square error is 0.431. Compared with existing deep learning methods, URPNet has strong universality and more accurate prediction results. In addition, the calculation speed is fast, and the prediction can be completed in less than 1 s, which can effectively meet the challenges in PDN design.

Key words: power distribution network, target impedance, power integrity, neural network

中图分类号:

段克盼，贾小云，韩东辰，蒋建伟，杨振英，郭宇. 基于神经网络的PCB电源分配网络阻抗预测方法[J]. 电子与封装, 2025, 25(1): 010307 .

DUAN Kepan, JIA Xiaoyun, HAN Dongchen, JIANG Jianwei, YANG Zhenying, GUO Yu. Impedance Prediction Method of PCB Power Distribution Network Based on Neural Network[J]. Electronics & Packaging, 2025, 25(1): 010307 .

参考文献

[1] SCHIERHOLZ C M, SCHARFF K, SCHUSTER C. Evaluation of neural networks to predict target impedance violations of power delivery networks[C]//2019 IEEE 28th Conference on Electrical Performance of Electronic Packaging and Systems (EPEPS), Montreal, QC, Canada, 2019: 1-3.
[2] ZHANG L, JUANG J, KIGURADZE Z, et al. Fast impedance prediction for power distribution network using deep learning[J]. International Journal of Numerical Modelling: Electronic Networks, Devices and Fields, 2022, 35(2): e2956.
[3] LU C H, TSENG L Y, CHANG S C, et al. PIPPON: improve impedance prediction of power distribution network using pole proposal network[C]//2023 IEEE Symposium on Electromagnetic Compatibility & Signal/Power Integrity (EMC+SIPI), Grand Rapids, MI, USA, 2023: 705-711.
[4] LAI J P, LIN Y L, LIN H C, et al. Tree-based machine learning models with optuna in predicting impedance values for circuit analysis[J]. Micromachines, 2023, 14(2): 265.
[5] 李原, 李燕君, 刘进超, 等. 基于改进Res-UNet网络的钢铁表面缺陷图像分割研究[J]. 电子与信息学报, 2022, 44(5): 1513-1520.
[6] 殷晓航, 王永才, 李德英. 基于U-Net结构改进的医学影像分割技术综述[J]. 软件学报, 2021, 32(2): 519-550.
[7] RONNEBERGER O, FISCHER P, BROX T. U-Net: convolutional networks for biomedical image segmentation[C]//Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, Munich, Germany, 2015.
[8] 梁栋,李英俊,张少杰.融合改进ResNet-14和RS-Unet模型的混凝土桥梁裂缝识别[J].北京交通大学学报,2023,47(3):10-18.
[8] 梁栋, 李英俊, 张少杰. 融合改进ResNet-14和RS-Unet模型的混凝土桥梁裂缝识别[J]. 北京交通大学学报, 2023, 47(3): 10-18.
[9] 雷禹, 冷祥光, 周晓艳, 等. 基于改进ResNet网络的复数SAR图像舰船目标识别方法[J]. 系统工程与电子技术, 2022, 44(12): 3652-3660.
[10] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016: 770-778.
[11] 侯克鹏, 包广拓, 孙华芬. SSA-MLP模型在岩质边坡稳定性预测中的应用[J]. 安全与环境学报, 2024, 24(5): 1795-1803.
[12] 胡宏宇, 郜天柱, 谷海涛. 基于MLP的海上无人跨域协同效能评估系统的设计与实现[J]. 系统仿真学报, 2024, 36(11): 2542-2551.
[13] EROKHINA O V, BORISENKO B B, MARTISHIN I D, et al. Analysis of the multilayer perceptron parameters impact on the quality of network attacks identification[C]//2021 Systems of Signal Synchronization, Generating and Processing in Telecommunications (SYNCHROINFO, Kaliningrad, Russia, 2021: 1-6.
[14] 肖扬, 周忠元, 王海春, 等. 基于全波仿真和去嵌入测试相结合的ARM芯片PDN阻抗提取方法[J]. 东南大学学报(自然科学版), 2024, 54(5): 1283-1289.
[15] FRIEDRICH M, LEONE M. Boundary-element method for the calculation of port inductances in parallel-plane structures[J]. IEEE Transactions on Electromagnetic Compatibility, 2014, 56(6): 1439-1447.
[16] ZHANG L, JUANG J, KIGURADZE Z, et al. Efficient DC and AC impedance calculation for arbitrary-shape and multilayer PDN using boundary integration[J]. IEEE Transactions on Signal and Power Integrity, 2022, 1: 1-11.
[17] 刘敏毅, 崔博文, 王宇坤, 等. 基于注意力机制的Transformer模型预测PM2.5浓度[J/OL]. 环境科学, 2024, 45(12): 213-222.
[18] 赵陆阳, 刘长良, 刘卫亮, 等. 基于CBAM-DSC-UNet模型的时空风速预测算法[J]. 太阳能学报, 2024, 45(10): 497-505.
[19] 黄泽, 毕贵红, 谢旭, 等. 基于MBI-PBI-ResNet的超短期光伏功率预测[J]. 电力系统保护与控制, 2024, 52(2): 165-176.
[20] 徐小明, 纪萍, 朱国灵, 等. 基于电源分配网络仿真确定封装电容的方法[J]. 电子与封装, 2023, 23(7): 070204.

中国半导体行业协会封装分会会刊

中国电子学会电子制造与封装技术分会会刊

基于神经网络的PCB电源分配网络阻抗预测方法

Impedance Prediction Method of PCB Power Distribution Network Based on Neural Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 14

编辑推荐

Metrics

本文评价

[1]	何慧敏, 廖成意, 刘丰满, 戴风伟, 曹睿. 集成硅基转接板的PDN供电分析[J]. 电子与封装, 2024, 24(6): 60108-.
[2]	黄云龙. 倒装贴片设备的焊接机构温度误差补偿方法[J]. 电子与封装, 2023, 23(8): 80205-.
[3]	徐小明;纪萍;朱国灵;季振凯. 基于电源分配网络仿真确定封装电容的方法[J]. 电子与封装, 2023, 23(7): 70204-.
[4]	刘玉龙;吕权权;吴浩;单建华. 基于深度学习的电子元件焊点缺陷检测方法^*[J]. 电子与封装, 2023, 23(6): 60206-.
[5]	鞠虎;高营;田青;周颖. 基于RISC-V的神经网络加速器硬件实现^*[J]. 电子与封装, 2023, 23(2): 20306-.
[6]	倪晓东;赵家安;肖永平;马世娟. 一种ADC电源方案设计与电源完整性分析[J]. 电子与封装, 2022, 22(2): 20309-.
[7]	王彬;高嘉平;司耸涛. 基于卷积神经网络的图像分类及应用[J]. 电子与封装, 2021, 21(5): 50503-.
[8]	张诚,周倩蓉,曾燕萍,毛臻. 本征模在电源完整性分析中的应用[J]. 电子与封装, 2020, 20(3): 30305-.
[9]	谢达，周道逵，季振凯，戴新宇，武睿. 基于异构多核平台的Caffe框架物体分类算法实现与加速[J]. 电子与封装, 2019, 19(5): 16-21.
[10]	张　浩. 电动汽车电机控制器的电源完整性分析[J]. 电子与封装, 2019, 19(2): 42-44.
[11]	孔锐，王建超，苏洋，李斌. V93K 测试平台UHC4 电源板卡的DUT 板设计[J]. 电子与封装, 2019, 19(12): 12-16.
[12]	顾晓雪，顾定富. 电源完整性分析及应用[J]. 电子与封装, 2017, 17(2): 21-24.
[13]	刘琦，刘卫东，陈兴隆，王昕捷. 基板非圆过孔的信号完整性和电源完整性研究[J]. 电子与封装, 2017, 17(12): 5-8.
[14]	张荣臻，高娜燕，朱　媛，丁荣峥. 基于信号/电源完整性的3D-SiP陶瓷封装设计[J]. 电子与封装, 2017, 17(1): 1-5.