0.18微米BDJ APS像素设计

基于0.18微米CMOS工艺的累积模式BDJ APS像素电路设计

摘要

本文提出了一种用于X‐FAB XH018 CMOS工艺中BDJ光电探测器的有源像素传感器(APS)结构。该像素架构将用于设计BDJ有源像素的矩阵阵列,以开发芯片实验室酶联免疫吸附测定(ELISA)。提出了一种解决BDJ结构中电容不平衡问题的方案,可实现对埋入式双PN结光电流的简便且精确的测量。已进行噪声分析,本设计将跟随器噪声降低至60μVrms。所设计的BDJ有源像素在100微米×100微米的有源区下具有61%的填充因子。

关键词

芯片实验室,酶联免疫吸附测定,有源像素传感器,埋层结,光电二极管

I. 引言

随着人口老龄化和冠状病毒(COVID19)等传染病的演变,开发用于即时检测或家庭先进诊断的创新设备以及预防方法[1]变得尤为紧迫。将即时检测测试(POCT)或快速诊断测试(RDT)作为一线紧急诊断工具,可对重症病例实现及时治疗实施,并迅速落实预防措施,以中断和阻止污染及疾病传播。

文献中报道的大部分系统采用光学方法,并依赖比色ELISA格式来检测蛋白质或生物制剂[1],[2]。单克隆抗体(mAb)和新型标记技术的应用,以及传感器和测量系统领域的进展,使得在2毫米光程下可达到约0.5 10^-12 mol/l(0.5pM)的检测限(LOD)[2]。然而,这些系统中大多使用常规光电探测器(光电二极管、光敏电阻、电荷耦合器件),并且需要空白测量进行校准,从而产生不确定性,影响其测量精度。

我们开发了一种测量方法,可提高诊断设备的检测限(LOD)。利用埋入式双PN结(BDJ)作为光电探测器,并结合该测量方法,我们在仅1 mm的光程下实现了100飞摩尔的检测限。该方法无需空白测量即可完成校准。我们研究项目的总体目标是设计一种由BDJ光电探测器矩阵阵列和简单微流控系统组成的芯片实验室传感器,以显著提升诊断系统的性能。该BDJ矩阵阵列需具备足够精度,以实现100飞摩尔的检测限。

积累模式(电荷积分)有源像素传感器(APS)读出架构在灵敏度、填充因子和噪声之间具有良好的折衷。但此类架构在与BDJ结合使用时面临挑战,因为两个光电探测器电容之间的不平衡。这一挑战在亚微米技术中尤为突出。本文重点研究在0.18微米CMOS工艺下设计一种电荷积分APS架构,以解决该问题,并实现对BDJ光电流的高精度读出电路。

II. 像素电路设计

A. 光电探测器描述

BDJ光电探测器结构由两个PN结光电二极管垂直堆叠而成,共用一个阴极。在标准CMOS工艺中,第一个结(浅结D1)形成于P区(例如P+扩散区)与N阱之间;第二个结(深结D2)形成于N阱与P衬底[3],[4],[5]之间。

示意图0

示意图1

在光照下且两个光电二极管处于反向偏置时,D1在阳极1(A1)产生光电流I1,D2在阳极2(A2)产生光电流I2。阴极(C)中的电流是这两个光电流之和(I1+I2)。两个堆叠的光电二极管分别通过施加到D1和D2的电位V1和V2, 进行反向偏置。BDJ器件的工作原理基于硅吸收系数对波长的强烈依赖性。浅结吸收300纳米至550纳米之间的最短波长,而位于较深位置的第二个结吸收500纳米至900纳米之间的波长。光谱响应如图2所示。

在此工作中,我们希望在XH018技术中实现我们的BDJ APS架构。该技术提供了BDJ的参数化结构。根据我们微流控系统的尺寸限制,BDJ的有源区尺寸为100μm×100μm。由于存在阱连接器,该BDJ单独的填充因子并非100%。BDJ的特性如表I所示。

表I BDJ 特性

描述
有源区长度 100μm
有源区宽度 100μm
结电容1 6.91pF
漏电流1 342飞安
结电容2 0.67皮法
漏电流2 153飞安
填充因子 85.71%

B. 像素原理图描述与分析

文献中已报道了多种用于读取CMOS图像传感器中光电二极管产生的光电流的读出架构,包括无源像素传感器(PPS)、有源像素传感器(3T或4T APS)、对数型以及数字像素传感器(DPS)[6],[7]。

很少有架构被提出用于读取埋层结光电探测器的光电流[8],[9]。累积模式下的BDJ APS在每个像素中使用两个3T结构。第一个将光电流积分到D1的电容上,第二个将光电流积分到D2的电容上。主要挑战在于光电二极管共享同一个阴极。

本研究中所采用的像素结构如图3所示。我们使用了两个3T电荷积分APS电路来读取BDJ光电二极管产生的光电流。因此,每个像素需要六个晶体管。在复位阶段,晶体管M0和M3用于将光电二极管D1和D2分别设置为反向偏置(Vdd - Vp)和Vdd。此时,BDJ的两个电容Cj1和Cj2分别充电至(Vdd - Vp)和Vdd。在电荷积分阶段(复位阶段之后),光电流I1将使浅层电容Cj1放电,而I2将使深层结电容Cj2放电。M1和M4是源极跟随器,用于提供高输入阻抗,从而避免BDJ光电二极管与读出电路之间出现电压衰减。源极跟随器是一种简单的NMOS晶体管,采用共漏极连接方式,具有高输入阻抗、极低输出阻抗以及增益接近于1的特点。M2和M5用于行选择。

示意图2

在电荷积分阶段,我们计算浅层结和深层结上的偏置电压V1(t)和V2(t),以及源极跟随器M1输入端的电压V3(t)。V1(t)和V2(t)由公式(1)和(2)给出。V3(t)由公式(3)给出。

$$ V1(t) = Vdd - Vp - \frac{I1}{Cj1} \times t $$ (1)

$$ V2(t) = Vdd - \frac{I2}{Cj2} \times t $$ (2)

$$ V3(t) = V2(t) - V1(t) = Vp - \left(\frac{I2}{Cj2} - \frac{I1}{Cj1}\right) \times t $$ (3)

转换增益定义为元电荷与电容值的比值。浅层光电二极管的转换增益为23 nV/e⁻,而深层光电二极管的转换增益为240 nV/e⁻。这种转换增益上的巨大差异对准确测量浅结中产生的光电流构成了主要障碍。实际上,由I2引起的电压变化在V3中起着控制作用。

假设这些电流的值相近,深层结端子处的电压V2将比浅层结端子处的电压V1下降得更快。实际上,V1(t)的斜率与I1/Cj1成正比,低于与I2/Cj2成正比的V2(t)的斜率。两个跟随器栅极输入端的电压分别为V2和V3。由于V3(t=0)的初始电压等于Vp,在放电阶段该值低于Vdd。对于值相近的电流I1和I2,I1/Cj1比I2/Cj2低十倍。因此,电压V2和V3的斜率非常相似,且与I2/Cj2成正比。测量电流I1存在困难。此外,V3比V2更快归零。

a) 提出的解决方案

我们建议将一个附加电容与深层光电二极管并联连接,以平衡电容。尽管该方案较为基础,但它提供了一种简单的方法,可使两个BDJ二极管具有相同的转换增益,并有助于光电流的测量。然而,其实现需要仔细设计电容器面积,以优化像素填充因子。附加电容C_add如图3所示,其值等于两个电容C_add = 6之间的差值,为24 pF。

结的电容新值将为6.91 皮法,我们将其记为Cj。转换增益也将被均衡。因此,阴极电压和阳极1电压由公式(4)和(5)给出。

$$ V2(t) = Vdd - \frac{I2}{Cj} \times t $$ (4)

$$ V3(t) = Vp - \frac{(I2 - I1)}{Cj} \times t $$ (5)

Vp 的值固定在 Vdd/2。因此,我们可以在晶体管M1的输入端测量两个电流之间的差值。

C. 噪声分析

为了提高信噪比SNR,我们进行了噪声分析。在像素中,存在两种类型的噪声。第一种是时间噪声,由光子散粒噪声、暗电流噪声、复位噪声、热噪声和闪烁噪声组成。由于这些噪声源相互独立,总的时间噪声功率等于各个噪声源的噪声功率之和。第二种是空间噪声,即固定模式噪声(FPN)。图4显示了描述噪声源及其在APS结构中位置的模型。

示意图3

在这项工作中,我们试图通过减小源极跟随器噪声的尺寸来降低热噪声和闪烁噪声,因为该晶体管是噪声较大的一个[10]。

源极跟随器的噪声功率谱密度(PSD)表达式如公式(6)和公式(7)所示。

$$ SV_{FLICKER}(f) = \frac{KF}{COX \times W \times L \times f} \quad [ V²rms/Hz] $$ (6)

其中KF是闪烁噪声系数,COX是氧化层电容,f 是频率。

$$ SV_{THERMAL}(f) = \frac{4 \times k \times T \times \gamma}{GM} \quad [ V²rms/Hz] $$ (7)

其中k是玻尔兹曼常数,γ为长沟道情况下推导出的系数,其值为2/3,T是绝对温度,Gm是晶体管的跨导。

由公式(6)可知,当我们的源极跟随器的W×L较大时,闪烁噪声较低。

由公式(7)可知,跨导随W与L之比的增加而增加,因此热噪声随L与W之比的变化而变化。为了获得最低噪声,应使用最小的L和最大的W,以实现尽可能低的噪声。

因此很明显,为了获得最低的噪声,我们必须使W×L和W/L都非常大。然而,这会降低填充因子。因此,我们在噪声和填充因子之间进行权衡,选择了180纳米的L和10微米的W。偏置电流选择为1μA。

III. 仿真与版图

A. 仿真

第一次仿真是瞬态仿真,旨在突出电容不平衡的问题。BDJ为每个光电二极管产生相同的电流。

示意图4

图5 显示绿色的电压 V3 和红色的电压 V2 具有相同的斜率。因此,在这种情况下很难测量电流 I1。此外,如果电流 I2 高于电流 I1,则测量 I1 将变得过于困难。如果电流 I2 高于电流 I1,情况将更糟。

在下一次仿真中,我们添加了一个附加电容以平衡结电容的值。我们模拟了三种不同的情况:第一种是电流 I2 高于电流 I1;第二种是电流 I1 高于电流 I2;最后一种是两个电流具有相同的值。仿真的结果如图6所示。

示意图5

电压V2和V3分别以红色和绿色表示。对于第一种情况,我们可以注意到V2的斜率比V3的斜率更重要,因此电流I2高于电流I1。对于第二种情况,V3的斜率为正,意味着电流I1大于电流I2,而V2的斜率给出了电流I2的值。对于最后一种情况,V3的斜率为零,意味着两个电流具有相同的值,而斜率V2给出了电流I2的值。因此,我们可以推导出电流I1的值。

B. 噪声优化

通过改变源极跟随器的宽度,我们得到像素输出端不同的噪声功率谱密度。我们计算了噪声数字信号处理曲线下的面积,从而得到噪声功率。噪声功率的平方根如图7所示。

示意图6

我们可以注意到,噪声值趋向于60μVrms,并且该噪声值在40μm和60μm之间保持恒定。因此,我们选择40μm以在噪声和填充因子之间取得最佳折衷。

C. 布局

示意图7

对于布局,我们采用尺寸为100μm×100μm的BDJ,晶体管M0、M2、M3和M5的长度为180nm,宽度为10μm。对于源极跟随器,长度为180nm,宽度为40μm。像素的最终尺寸为128μm×128μm。因此,像素的填充因子为61%。布局如图8所示。

IV. 结论

本文提出了一种用于BDJ光电探测器的电荷积分APS架构,旨在设计用于生物医学诊断的芯片实验室。该BDJ有源像素采用X‐FAB XH018的0.18微米CMOS工艺设计。为了解决BDJ两个光电二极管之间的电容不平衡问题,我们提出了在深层BDJ光电二极管上并联附加电容的方法。通过该方案,我们能够正确且高精度地读取两个光电流I1和I2。我们对BDJ有源像素进行了噪声分析,并将噪声最大的部分——源极跟随器的噪声最小化至60μVrms。我们绘制了BDJ有源像素的布局。在感光面积为100μm×100μm的情况下,BDJ有源像素的面积为128μm×128μm,填充因子为61%。

【轴承故障诊断】加权多尺度字典学习模型(WMSDL)及其在轴承故障诊断上的应用(Matlab代码实现)内容概要:本文介绍了加权多尺度字典学习模型(WMSDL)在轴承故障诊断中的应用,并提供了基于Matlab的代码实现。该模型合多尺度分析与字典学习技术,能够有效提取轴承振动信号中的故障特征,提升故障识别精度。文档重点阐述了WMSDL模型的理论基础、算法流程及其在实际故障诊断中的实施步骤,展示了其相较于传统方法在特征表达能力和诊断准确性方面的优势。同时,文中还提及该资属于一个涵盖多个科研方向的技术合集,包括智能优化算法、机学习、信号处理、电力系统等多个领域的Matlab仿真案例。; 适合人群:具备一定信号处理和机学习基础,从事机械故障诊断、工业自动化、智能制造等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①学习并掌握加权多尺度字典学习模型的基本原理与实现方法;②将其应用于旋转机械的轴承故障特征提取与智能诊断;③合实际工程数据复现算法,提升故障诊断系统的准确性和鲁棒性。; 阅读建议:建议读者合提供的Matlab代码进行实践操作,重点关注字典学习的训练过程与多尺度分解的实现细节,同时可参考文中提到的其他相关技术(如VMD、CNN、BILSTM等)进行对比实验与算法优化。
【硕士论文复现】可再生能发电与电动汽车的协同调度策略研究(Matlab代码实现)内容概要:本文档围绕“可再生能发电与电动汽车的协同调度策略研究”展开,旨在通过Matlab代码复现硕士论文中的核心模型与算法,探讨可再生能(如风电、光伏)与大规模电动汽车接入电网后的协同优化调度方法。研究重点包括考虑需求侧响应的多时间尺度调度、电动汽车集群有序充电优化、荷不确定性建模及鲁棒优化方法的应用。文中提供了完整的Matlab实现代码与仿真模型,涵盖从场景生成、数学建模到求解算法(如NSGA-III、粒子群优化、ADMM等)的全过程,帮助读者深入理解微电网与智能电网中的能量管理机制。; 适合人群:具备一定电力系统基础知识和Matlab编程能力的研究生、科研人员及从事新能、智能电网、电动汽车等领域技术研发的工程人员。; 使用场景及目标:①用于复现和验证硕士论文中的协同调度模型;②支撑科研工作中关于可再生能消纳、电动汽车V2G调度、需求响应机制等课题的算法开发与仿真验证;③作为教学案例辅助讲授能互联网中的优化调度理论与实践。; 阅读建议:建议合文档提供的网盘资下载完整代码,按照目录顺序逐步学习各模块实现,重点关注模型构建逻辑与优化算法的Matlab实现细节,并通过修改参数进行仿真实验以加深理解。
在当代储能装置监控技术领域,精确测定锂离子电池的电荷存量(即荷电状态,SOC)是一项关键任务,它直接关系到电池运行的安全性、耐久性及整体效能。随着电动车辆产业的迅速扩张,业界对锂离子电池SOC测算的精确度与稳定性提出了更为严格的标准。为此,构建一套能够在多样化运行场景及温度条件下实现高精度SOC测算的技术方案具有显著的实际意义。 本文介绍一种合Transformer架构与容积卡尔曼滤波(CKF)的混合式SOC测算系统。Transformer架构最初在语言处理领域获得突破性进展,其特有的注意力机制能够有效捕捉时间序列数据中的长期关联特征。在本应用中,该架构用于分析电池工作过程中采集的电压、电流与温度等时序数据,从而识别电池在不同放电区间的动态行为规律。 容积卡尔曼滤波作为一种适用于非线性系统的状态估计算法,在本系统中负责对Transformer提取的特征数据进行递归融合与实时推算,以持续更新电池的SOC值。该方法增强了系统在测量噪声干扰下的稳定性,确保了测算果在不同环境条件下的可靠性。 本系统在多种标准驾驶循环(如BJDST、DST、FUDS、US06)及不同环境温度(0°C、25°C、45°C)下进行了验证测试,这些条件涵盖了电动车辆在实际使用中可能遇到的主要工况与气候范围。实验表明,该系统在低温、常温及高温环境中,面对差异化的负载变化,均能保持较高的测算准确性。 随附文档中提供了该系统的补充说明、实验数据及技术细节,核心代码与模型文件亦包含于对应目录中,可供进一步研究或工程部署使用。该融合架构不仅在方法层面具有创新性,同时展现了良好的工程适用性与测算精度,对推进电池管理技术的进步具有积意义。 资于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
下载前可以先看下教程 https://pan.quark.cn/s/867997bd7ac1 《CC2530模块电路原理图与PCB设计详解》CC2530是由Texas Instruments(TI)公司研发的一种兼具高效率与低功耗特性的无线微控制,在Zigbee、IEEE 802.15.4以及其他2.4GHz射频通信系统中具有广泛的应用。 该芯片融合了微处理技术与无线射频功能,使其成为物联网(IoT)领域内的一种理想选择。 本材料将围绕"CC2530模块电路原理图和PCB文件"进行探讨,深入阐释其运作机制与设计要点。 一、CC2530模块电路原理图CC2530的电路原理图是理解其内部运作过程的核心。 该图通常涵盖电电路、数字逻辑单元、射频(RF)单元、晶振电路、复位单元以及接口电路等主要组成部分。 以下是对这些关键构成部分的简要概述:1. **电电路**:CC2530能够接受1.8V至3.6V的宽电压输入,电管理单元负责为各部分提供稳定的工作电压。 2. **数字逻辑单元**:包含微控制单元(MCU),用于执行程序指令、处理数据以及控制系统整体。 3. **射频单元**:集成的2.4GHz RF收发,负责无线信号的发送与接收。 4. **晶振电路**:为系统提供精确的时钟信号,保证数据传输的准确性与同步。 5. **复位单元**:用于初始化系统,确保在异常情况下的正常运行。 6. **接口电路**:例如GPIO端口,能够与其他硬件设备进行交互,如传感器、显示屏等。 二、CC2530的PCB设计PCB(Printed Circuit Board)设计是将电路原理图转化为实体电路板的关键步骤,涉及布局规划、布线实施、层叠选择等多个方面。 针对CC2530模块,以下几点是在PCB设计...
【预测转矩控制三相感应电动机】实现三相感应电动机(MIT)预测转矩控制(PTC),描述了用于为变频提供转矩参考值的控制计算方法研究(Matlab代码、Simulink仿真)内容概要:本文围绕三相感应电动机(MIT)的预测转矩控制(PTC)展开研究,重点描述了为变频提供转矩参考值的控制计算方法,并提供了完整的Matlab代码与Simulink仿真模型。该研究通过建立精确的电机数学模型,采用预测控制算法实现对电机转矩的快速响应与高精度控制,有效提升了驱动系统的动态性能和效率。文中详细阐述了PTC的控制构、预测模型构建、代价函数设计及开关矢量选择策略,展示了仿真果以验证所提方法的有效性和鲁棒性。此外,文档还附带多个相关领域的Matlab仿真资链接,涵盖电力系统、优化调度、信号处理等多个方向。; 适合人群:具备一定电机控制理论基础和Matlab/Simulink使用经验的电气工程、自动化及相关专业的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于高校或科研机构开展电机高性能控制算法的教学与实验;②为企业研发部门提供PTC技术的实现参考,加速产品开发进程;③帮助研究人员复现和改进先进控制策略,推动理论向实际应用转化。; 阅读建议:建议读者合提供的Matlab代码与Simulink模型进行实践操作,深入理解PTC算法的每一步实现细节,同时可参考文中提及的其他仿真案例拓展研究思路。
【顶级EI复现】计及连锁故障传播路径的电力系统 N-k 多阶段双层优化及故障场景筛选模型(Matlab代码实现)内容概要:本文提出了一种计及连锁故障传播路径的电力系统N-k多阶段双层优化及故障场景筛选模型,旨在提升电力系统在多重故障下的安全性与可靠性。该模型合了故障传播机理分析与多阶段动态响应特性,构建了上层为故障场景筛选、下层为系统优化运行的双层优化框架,并通过Matlab代码实现了算法仿真,支持对大规模电力系统进行N-k故障情景的高效筛选与评估。文中强调模型具备较强的工程实用性与理论创新性,适用于复杂电网的风险评估与预防控制研究。; 适合人群:具备电力系统分析、优化建模基础,熟悉Matlab编程,从事电力系统安全稳定、风险评估、故障分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于电力系统多重故障(N-k)下的脆弱性分析与关键故障场景识别;②支撑电网预防性控制策略制定与应急响应预案设计;③复现顶级EI论文研究成果,推动学术研究与工程应用合; 阅读建议:建议读者合Matlab代码深入理解双层优化建模思路与求解流程,重点关注故障传播路径建模、多阶段响应机制及场景筛选效率提升方法,宜配合实际电网案例进行仿真验证与参数调试。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值