首页/文章/ 详情

宣布为新一代 AI、汽车和移动应用推出业界一流的 8533Mbps LPDDR5X IP 解决方案

9小时前浏览2


这款完整的高性能解决方案经过硅验证,现已面向客户开放



中国上海,2022 年 12 月 27日 —— 楷登电子(美国 Cadence 公司,NASDAQ:CDNS)近日宣布推出首个 LPDDR5X 存储器接口 IP 设计,该优化后的设计可达到 8533Mbps 的运行速度,比前一代 LPDDR IP 快 33%。Cadence® LPDDR5X IP 现可供客户使用,它拥有一个新的高性能、可扩展架构,该架构基于 Cadence 成功且完善的 LPDDR5 和 GDDR6 产品系列且适应能力强。Cadence LPDDR5X 存储器 IP 解决方案包括一个经过硅验证的 PHY 和高性能控制器,用于连接遵循 JEDEC JESD209-5B 标准的 LPDDR5X DRAM Device。控制器/PHY 接口基于最新的 DFI 5.1 规范,并支持各种片上总线。


LPDDR5X 存储器超越了传统上使用 LPDDR 存储器的移动市场范畴,另外开辟了各种高带宽应用场景,包括高级驾驶辅助系统(ADAS)、自动驾驶、低端边缘 AI 和网络技术。Cadence LPDDR5X IP 旨在通过灵活的布局设计选项为上述应用以及其他应用实现新一代 SoC 设计,而所采用的新架构可以根据单个应用要求,对功率和性能进行精细优化。


Cadence 设计 IP 支持 JEDEC 标准(JESD209-5B)所定义的最快数据速率。Cadence 的 LPDDR5X 控制器和 PHY 已使用 Cadence 的 LPDDR5X 验证 IP(VIP)进行了验证,能够提供快速的 IP 和 SoC 验证收敛。面向 LPDDR5X 的 Cadence VIP 包括一个完整的解决方案,涵盖了从 IP 到系统级验证在内的全部流程,提供 DFI VIP、LPDDR5X 存储器模型和 System Performance Analyzer 系统性能分析工具。


“LPDDR5X 的峰值速率将提高设备体验和边缘性能的标准,从汽车到消费物联网,再到网络设备。”Micron 嵌入式业务部产品和系统副总裁 Michael Basca 说,“我们与 Cadence 的合作将加速生态系统对 LPDDR5X 的采用,使新一代芯片组能够与这种低功耗、高性能的存储器一起无缝运行。”


“Cadence LPDDR5X IP 在硅片中以 8533Mbps 的速度运行,展示了 Cadence 用于完整存储器系统 IP 解决方案的新一代架构。”Cadence 公司副总裁兼 IP 事业部总经理 Sanjive Agarwala 表示,“此领先的新存储器 IP 解决方案巩固了我们在存储器接口 IP 领域的领导地位,助力未来的 AI、汽车和移动 SoC 设计在今天成为现实。”


LPDDR5X IP 支持 Cadence 的智能系统设计(Intelligent System Design) 战略,旨在以高性能、经过设计优化、同类最佳的技术实现 SoC 卓越设计。


来源:Cadence楷登
System电路航空汽车电子消费电子芯片UMCadence控制
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-10-02
最近编辑:9小时前
Cadence楷登
签名征集中
获赞 0粉丝 86文章 395课程 0
点赞
收藏
作者推荐

还在为覆盖率收敛而挣扎?Xcelium 机器学习 App 为验证插上翅膀

本文翻译转载于 Cadence blog作者:Anika Sunda 功能验证占用了目前 SoC 设计投入劳动的 70% 以上。然而,即使在验证上投入如此之大,流片时出现功能失效的风险却比以往任何时候都要高。其主要原因是,设计团队不知道功能正确性与流片目标的距离。SoC 验证时的覆盖收敛就像是追逐海市蜃楼。 // 实现真正的功能验证收敛从而充满信心地完成流片,看似天方夜谭。做出流片决定只能取决于当时的判断。有经验的工程师会基于验证完整性指标、发现的功能性错误的占比和复杂性等因素,来判断是否达到足够的收敛水平和信心。所有运行了无数夜间回归测试的验证工程师,都希望可以更快地实现覆盖目标,寻找到一种即插即用的解决方案,一种自动化的方法,用最少的资源更快地实现覆盖率收敛。 \ | /★Xcelium 机器学习 App 从以前的回归运行中学习,并引导 Xcelium 随机化内核,帮助缩短回归时间,以显著缩短的仿真周期更快地实现覆盖率收敛,在特定的感兴趣的覆盖点周围捕获更多漏洞。下图是机器学习 App 在某头部半导体公司的成功应用案例。可以看到,机器学习(ML)回归比基准运行快了大约 1.4 倍(机器学习(ML)在 ~62k 次运行时达到 96%,基准运行在约 80k 次运行后才达到相同水平)。 这个数据意味着,过去耗时 2 个月的收敛周期缩短了 2- 3 周左右。很明显,机器学习(ML)让回归运行更加高效,帮助用户更快实现覆盖率收敛的目标。来源:Cadence楷登

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈