1. ADC 静态指标验证为什么总在仿真和实测之间来回折腾
DNL 和 INL 是 ADC 最基础也最容易被低估的两个静态指标。DNL 描述的是某个码字的实际宽度相对 1LSB 理想宽度的偏差，单位是 LSB；INL 则是整条传输曲线相对理想直线的最大偏离，本质上是 DNL 的累加。对 SAR ADC 来说，DAC 电容阵列的失配是这两个指标变差的主要来源，所以仿真阶段要反复扫失配参数，测试阶段又要用码密度法把实测数据还原成同一条曲线，两边一旦口径不一致，结论就对不上。
真正麻烦的地方在于：仿真通常用斜坡信号，因为斜坡的码字分布均匀，每个 code 的期望命中次数是常数，算 DNL/INL 只需要做减法和累加；而实测反过来，高精度斜坡信号在仪器端很难做纯，非线性本身就会污染结果，所以测试普遍用正弦波，靠正弦的概率密度函数反推每个 code 的理想命中次数。一个用均匀分布，一个用反正弦分布，如果脚本里没有把这两套归一化逻辑分开处理，仿真和实测的 DNL 曲线放在一张图里就会互相打架。
这篇面向混合信号验证工程师，交付三样可以直接落地的东西：一套可复制的斜坡仿真激励配置、一段正弦码密度测试的数据采集与 DNL/INL 计算脚本骨架，以及用 TaoToken 统一 Key 把仿真结果和实测结果串到同一条验证流水线里的动作。目标是一套流程同时跑通仿真侧和测试侧的 DNL/INL 评估，而不是两边各写一套脚本、各存一份中间文件。
2. 用 TaoToken 统一 Key 打通仿真与测试的数据通道
仿真侧和测试侧的数据形态天然不同：仿真输出的是 VerilogA 或 Cadence 里 dump 出来的码字序列，测试侧是示波器或逻辑分析仪抓回来的采样点。过去常见的做法是本地各写一个 Python 脚本，仿真结果存 CSV，测试结果存另一份 CSV，人工对齐。问题在于每次换失配参数、换测试条件，脚本里的归一化系数、去头尾逻辑、LSB 计算都要跟着改，改漏一处结果就偏。
TaoToken 在这里的角色不是替代仿真器或测试仪器，而是把两侧的评估请求收敛到同一个 API 通道上。你可以把 DNL/INL 的计算逻辑封装成一个服务，仿真脚本和测试脚本都通过同一个 Key 调用它，输入是码字直方图加配置参数，输出是 DNL 数组、INL 数组和最大/最小值。这样仿真和测试用的是同一份计算内核，口径天然一致。
接入前先在控制台创建 Key，地址是 https://taotoken.net/api ，Key 管理页面在 https://taotoken.net/api-keys 。如果你只是先验证模型对码密度法的理解是否正确，可以直接在模型对话里贴一段直方图数据让它算一遍，入口是 https://taotoken.net/model-chat 。长期要跑批量失配扫描或者把评估挂到 CI 上，用 Coding Plan 更合适，地址是 https://taotoken.net/coding-plan 。接入文档在 https://taotoken.net/doc ，里面有各语言的最小请求示例。
注意：Key 只放在服务端环境变量里，不要写进仿真脚本或测试脚本的明文配置。仿真机和测试机如果不在同一网络，走 API 通道比共享文件系统更稳。
3. 可复制的斜坡仿真激励与码密度计算配置
仿真侧的核心是让斜坡信号覆盖满量程，并且每个 code 的采样次数足够多。8bit ADC 每个 code 采 10 次，精度大约 0.1LSB；要更高精度就加采样点，代价是仿真时间线性增长。下面是一段 VerilogA 风格的斜坡激励骨架，重点是斜坡的步进要和采样时钟对齐，避免同一个 code 被采到不同次数。
// ramp_stimulus.va `include "constants.vams" `include "disciplines.vams" module ramp_stimulus (out); output out; electrical out; parameter real vref = 1.0; parameter integer nbits = 8; parameter integer samples_per_code = 10; parameter real tstep = 1n; integer code; real vout; analog begin @(initial_step) begin code = 0; end // 每个 code 保持 samples_per_code 个时钟周期 @(timer(0, tstep)) begin if (code < (1 << nbits)) begin vout = code * vref / (1 << nbits); code = code + 1; end end V(out) <+ transition(vout, 0, tstep); end endmodule仿真跑完后，从波形里导出每个采样点的量化码字，统计直方图。去头尾是关键：code0 和 code(2^n - 1) 因为斜坡起始和结束时刻不确定，命中次数不可信，必须剔除。剩下的 code 做归一化，再算 DNL 和 INL。
import numpy as np def dnl_inl_from_ramp(codes, nbits, samples_per_code): n_codes = 1 << nbits hist = np.bincount(codes, minlength=n_codes).astype(float) # 去掉头尾不可信 code hist_valid = hist[1:n_codes-1] # 归一化：每个 code 的期望命中次数 expected = samples_per_code dnl = hist_valid / expected - 1.0 inl = np.cumsum(dnl) return dnl, inl # 示例：8bit，每 code 10 次 codes = np.repeat(np.arange(256), 10) dnl, inl = dnl_inl_from_ramp(codes, 8, 10) print("max DNL:", dnl.max(), "min DNL:", dnl.min()) print("max INL:", inl.max(), "min INL:", inl.min())这段逻辑和 Cadence ahdLib 里 VerilogA 的思路一致：先统计每个 code 的次数，除以总次数，乘以 (2^n - 2)，再减 1 得到 DNL，累加得到 INL。区别只是这里用 numpy 向量化，跑批量失配扫描时更快。
4. 正弦码密度测试的数据采集与验证请求
测试侧用正弦波，因为高精度正弦源比高精度斜坡源容易获得。正弦的码字分布不再是均匀的，而是服从反正弦概率密度。每个 code 的理想命中次数等于总采样数乘以该 code 区间内的概率积分。实际命中次数除以理想次数再减 1，就是 DNL，累加得到 INL。
采集脚本的骨架如下，重点是幅度要略大于 ADC 满量程，否则两端 code 命中数偏小甚至为零，会产生虚假的正 DNL；幅度太大又会把中间 code 的命中数压低，产生负 DNL。
import numpy as np def sine_code_density(samples, nbits, vref): n_codes = 1 << nbits # 量化 codes = np.clip(np.floor(samples / vref * n_codes).astype(int), 0, n_codes - 1) hist = np.bincount(codes, minlength=n_codes).astype(float) # 正弦概率密度积分，得到每个 code 的理想命中次数 edges = np.arange(n_codes + 1) / n_codes * vref # 归一化到 [-1, 1] 的正弦相位 phase_edges = np.arcsin(np.clip(2 * edges / vref - 1, -1, 1)) ideal_prob = np.diff(phase_edges) / np.pi ideal_count = ideal_prob * len(samples) # 去头尾 hist_valid = hist[1:n_codes-1] ideal_valid = ideal_count[1:n_codes-1] dnl = hist_valid / ideal_valid - 1.0 inl = np.cumsum(dnl) return dnl, inl拿到 DNL/INL 数组后，通过 TaoToken 的 API 通道提交验证请求。请求体里带上 nbits、采样总数、直方图数组和信号类型，服务端返回统一的 DNL/INL 结果和越界告警。这样仿真侧和测试侧调用的是同一个计算服务，不会出现一边用均匀分布、一边用正弦分布却直接对比的错位。
curl -X POST https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "claude-sonnet", "messages": [ {"role": "user", "content": "计算以下直方图的DNL和INL，nbits=8，信号类型=sine，直方图=[...]"} ] }'如果你更习惯在编辑器里直接调，Claude Code 的接入方式在 https://taotoken.net/claude-code 有说明，把 API 地址和 Key 配好之后，可以在本地直接对直方图数据发起计算请求，不用切浏览器。
5. 本篇常见错排查
DNL 出现 -1LSB 以下的负值。码密度法里 DNL 的理论下限是 -1LSB，如果算出来比 -1 还小，通常是去头尾没做干净，或者正弦幅度没覆盖满量程导致某个 code 命中数为零。先检查 code0 和 code(2^n - 1) 是否被剔除，再确认正弦幅度是否略大于 Vref。
INL 曲线整体偏移。INL 是 DNL 的累加，如果 DNL 的均值不为零，累加后 INL 会线性漂移。这通常来自增益误差或偏移误差没有在归一化时扣除。仿真侧斜坡信号如果步进不是严格的 Vref/2^n，也会引入系统性偏移。检查斜坡步进和采样时钟的对齐关系。
仿真和实测 DNL 曲线形状对不上。先确认两边用的是同一套归一化逻辑。仿真用均匀分布，测试用正弦分布，如果测试脚本里误用了均匀归一化，中间 code 的 DNL 会整体偏高。用 TaoToken 统一计算服务后，这个问题会自然消失，因为信号类型是请求参数的一部分。
每个 code 采样次数不够导致精度不足。8bit 每 code 采 10 次精度约 0.1LSB，如果发现 DNL 曲线毛刺很大，先加采样点。但要注意仿真时间随采样点线性增长，批量失配扫描时建议先在 MATLAB 模型里做统计评估，只把关键失配组合放到晶体管级仿真里验证。
API 请求返回超时或 401。401 通常是 Key 没放进 Authorization 头，或者环境变量没生效。超时先检查请求体里的直方图数组是不是太大，可以只传去头尾后的有效区间。接入文档 https://taotoken.net/doc 里有各语言的最小示例，对照检查请求格式。
6. 把仿真和测试收敛到同一条验证流水线
DNL 和 INL 的验证难点从来不是公式本身，而是仿真侧和测试侧用了两套口径、两份脚本、两个中间文件，最后对不上还要人工排查。把码密度计算封装成统一服务，仿真脚本和测试脚本都通过同一个 Key 调用，输入直方图和信号类型，输出 DNL/INL 数组，口径就锁死了。
仿真侧继续用斜坡，因为均匀分布算起来直接；测试侧继续用正弦，因为仪器端正弦源更纯。两侧的差异只体现在请求参数里的信号类型字段，计算内核是同一份。批量失配扫描时，把每次仿真的直方图通过 API 提交，结果落库，最后按失配参数画 INL 的统计分布，比在 Cadence 里一次次跑波形再手工导出快得多。
Key 管理在 https://taotoken.net/api-keys ，接入文档在 https://taotoken.net/doc ，模型对话验证在 https://taotoken.net/model-chat ，长期批量评估用 Coding Plan：https://taotoken.net/coding-plan 。先把一个失配组合的仿真直方图和一组实测直方图都跑通同一个计算请求，确认 DNL/INL 曲线在相同坐标系下能对齐，再扩展到批量扫描。
