一种0.00039%总谐波失真加噪声的D类放大器，采用神经网络预测重配置技术以实现低功耗运行和轻负载下的高效率

《IEEE Journal of Solid-State Circuits》：A 0.00039% THD+N Class-D Amplifier With Neural Predictive Reconfiguration for Low-Power Operation and Light-Load Efficiency

　　

摘要：

本文提出了一种高线性度、低功耗的D类放大器，适用于电池供电的音频应用。为解决线性度与效率之间的矛盾，该设计采用神经网络预测重构技术来预测即将到来的输入信号强度，并在信号零交叉点时触发模式转换，从而在避免信号路径延迟和转换失真的同时将开关损耗降至最低。该设计通过层复用和时钟控制等技术实现了紧凑型的神经网络预测器，降低了数字开销。动态反馈回路则有助于实现宽范围的开关频率调整，同时保持回路的稳定性。此外，还采用了零交叉点功率级分割技术，进一步减少了模式转换过程中的输出干扰。该放大器采用0.18微米BCD工艺制造，其原型产品的总谐波失真加噪声率为0.00039%（-108.2dB），静态电流为0.64毫安，在10毫瓦输出功率下的效率为66%，峰值效率为93.3%，相应的能量效率比为3747。