-
QUERVERWEIS AUF VERWANDTE ANMELDUNGEN
-
Diese Offenbarung beansprucht die Vorteile der U.S. Provisional Application No.
63/189,886 mit dem Titel „BIT ERROR RATIO ESTIMATION USING MACHINE LEARNING“, die am 18. Mai 2021 eingereicht wurde und deren Offenbarung hier durch Bezugnahme in vollem Umfang enthalten ist.
-
TECHNISCHES GEBIET
-
Diese Offenbarung bezieht sich auf Test- und Messsysteme und -verfahren und insbesondere auf die Schätzung der Bitfehlerrate (BER) von Daten, die mit einem Test- und Messinstrument erfasst wurden.
-
STAND DER TECHNIK
-
Die Prüfung der Bitfehlerrate (BER) misst die Signalintegrität in einem Signalkanal anhand der Anzahl oder des Prozentsatzes der übertragenen Bits, die fehlerhaft empfangen werden. Eine höhere Anzahl fehlerhafter Bits weist auf eine schlechte Kanalqualität hin.
-
Für die herkömmliche BER-Prüfung wird normalerweise ein spezielles BER-Prüfgerät verwendet, kein Abtastoszilloskop. Die zu testende Vorrichtung (DUT) sendet ein bekanntes Muster aus und das Gerät prüft auf Fehler, indem es das bekannte Muster mit dem empfangenen Muster vergleicht.
-
Zu den Problemen bei dieser Testmethode gehört, dass eine große Anzahl von Bits übertragen werden muss, um genügend Daten für die Berechnung sehr kleiner BER-Werte zu erhalten. Dies nimmt viel Zeit in Anspruch, was wiederum die Kosten erhöht. Ein Kunde schätzt, dass vier Minuten erforderlich sind, um den Wert für eine Fertigungsstraße zu ermitteln. Die Linie muss Hunderttausende von optischen Transceivern oder andere Arten von DUTs testen. Eine weitere Herausforderung besteht darin, dass der Behavioral Receiver Equalizer in einem speziellen BER-Testsystem schwer oder nur mit hohem Aufwand zu implementieren ist.
-
Figurenliste
-
- 1 zeigt eine Ausführungsform eines Bitfehlerraten-Testsystems mit maschinellem Lerntraining.
- 2 zeigt eine Ausführungsform eines Bitfehlerraten-Testsystems in einer Laufzeitumgebung.
- 3 zeigt eine Ausführungsform einer Test- und Messvorrichtung.
- 4 zeigt ein Beispiel für ein zusammengesetztes Augendiagramm.
-
BESCHREIBUNG
-
Die vorliegenden Ausführungsformen reduzieren den Zeitaufwand für die Berechnung der Bitfehlerrate (BER) für zu testende Vorrichtungen (DUT), einschließlich optischer und elektrischer Transceiver. Die hier vorgestellten Ausführungsformen liefern Vorrichtungen und Verfahren zur Durchführung von Bitfehlerraten-Tests unter Verwendung eines Oszilloskops anstelle von Spezialgeräten, und zwar auf wesentlich schnellere Weise als bei herkömmlichen Tests. Die vorliegenden Ausführungsformen sind auch hardwareunabhängig und nicht auf einen bestimmten Typ von Oszilloskop beschränkt.
-
1 zeigt ein Diagramm eines Test- und Messsystems, das so ausgebildet ist, dass es DUTs prüft und BER-Werte für diese DUTs in einer Trainingsumgebung für maschinelles Lernen erhält. Das System umfasst das kundenseitige Testautomatisierungssystem 10, das in der Fertigungslinie des Kunden verwendet wird, und ein DUT 12, das als bestanden/nicht bestanden getestet werden muss. Komponenten, die bestanden haben, werden letztendlich vom Kunden verkauft. Das DUT kann in einem Ofen oder einer Temperaturkammer 11 geprüft werden. Das Testautomatisierungssystem empfängt die Temperatur aus dem Ofen und die konventionellen oder „langsamen“ BER-Testergebnisse.
-
Eine Test- und Messvorrichtung 14, in der Regel ein Oszilloskop (oder „Scope“), das aber auch andere Test- und Messvorrichtungen umfassen kann, erfasst die Signale des DUTs und erzeugt aus diesen Signalen eine oder mehrere Wellenformen. Die Signale können vom DUT stammen, das mit einem bekannten Gerät 18, in diesem Fall einem optischen Transceiver mit bekannten und stabilen Eigenschaften, Signale sendet und empfängt. Das Oszilloskop 14 erfasst die Wellenformen des DUTs und das Modul 16, das typischerweise Teil des maschinellen Lernsystems ist, wandelt die Wellenform in ein zusammengesetztes Wellenformbild zur Verwendung im maschinellen Lernsystem 20 um. Das Testautomatisierungssystem 10 liefert die Temperatur an das Modul 16 und die konventionellen BER-Testergebnisse an das maschinelle Lernsystem 20 zum Training. In einigen Ausführungsformen kann das Modul 16 Teil des „Scopes“ 14 sein; in anderen Ausführungsformen kann das Modul 16 vom Messgerät und dem maschinellen Lernsystem 20 getrennt sein.
-
Das zusammengesetzte Wellenformbild kann viele Formen annehmen. So kann das Oszilloskop beispielsweise ein PAM4-Signal (pulsamplitudenmoduliertes 4-Pegel-Signal) aufnehmen und aus den erfassten Wellenformen drei Diagramme erstellen, die jeweils eine so genannte „Augenöffnung“ aufweisen. Diese können zu einem einzigen zusammengesetzten Augendiagramm mit einem einzigen zusammengesetzten Schwellenwert überlagert werden. 4 zeigt ein Beispiel für das resultierende zusammengesetzte Augenwellenformbild.
-
Dies ist ein Beispiel für ein zusammengesetztes Wellenformbild, das von Modul 16 erzeugt wird.
U. S. Pat. App. Nr. 17/592,437 , „EYE CLASSES SEPARATOR WITH OVERLAY, AND COMPOSITE, AND DYNAMIC EYE-TRIGGER FOR HUMANS AND MACHINE LEARNING“, eingereicht am 3. Februar 2022, beschreibt Verfahren zur Erzeugung eines zusammengesetzten Augen-Wellenformbildes. Diese Anmeldung ist hier in vollem Umfang enthalten. Dies ist ein Beispiel für eine Art von zusammengesetzten Wellenformbildern. Andere Typen sind Tensorbilder mit kurzen Mustern, zyklische Schleifentensoren und Augendiagramm-Overlays. U.S. Pat. App. Nr.
17/345,283 mit dem Titel „A CYCLIC LOOP IMAGE REPRESENTATION FOR WAVEFORM DATA“, eingereicht am 11. Juni 2021, beschreibt die Erzeugung zyklischer Schleifenbilder. U.S. Prov. Pat. App. Nr.
63/191,908 , eingereicht am 21. Mai 2021, beschreibt die Erzeugung von Kurzmuster-Tensorbildern. Diese Anmeldungen sind hier in vollem Umfang enthalten.
-
Das dem maschinellen Lernsystem bereitgestellte Bild kann Tensorbilder umfassen, die auf die verschiedenen Farbkanäle eines RGB-Bildeingangs gelegt werden. Das System kann ein Tensorbild für die Wellenform von Kanal 1 des Oszilloskops erstellen und dieses Bild auf einem der Farbeingänge, z. B. dem roten Kanal, platzieren. Das System würde auch ein Tensorbild für die Wellenform von Kanal 2 des Oszilloskops erstellen und dieses auf den blauen Kanal legen. Diagramme, die die Temperatur darstellen, können dann z. B. auf dem grünen Kanal bereitgestellt werden.
-
1 zeigt die Trainingsumgebung. Das DUT kann, wie dargestellt, mit dem „bekannt guten“ Transceiver 18 geprüft werden. Alternativ dazu können der Empfänger und der Sender des DUTs in einer Rückschleife („back loop“) miteinander verbunden sein. Bei der BER-Prüfung wird ein bekanntes Muster gesendet, dann das empfangene Muster dekodiert und mit dem bekannten Muster verglichen. Die BER ist das Verhältnis der Bitfehler zur empfangenen Anzahl von Bits im Muster. Die herkömmlichen Tests erfordern Übertragungen mit einer großen Anzahl von Bits, um die relativ kleinen BER-Werte im Bereich von 1e-4, 1e-12 usw. zu berechnen.
-
Das maschinelle Lernsystem benötigt jedoch einen BER-Wert, der mit jedem zusammengesetzten Wellenformbild für das Training verbunden ist. Jedes zusammengesetzte Wellenformbild und sein zugehöriger BER-Wert werden dem maschinellen Lernsystem als Datenprobe für einen Trainingszyklus zur Verfügung gestellt. Dieser Prozess wird für so viele Transceiver wiederholt, wie nötig sind, um das maschinelle Lernsystem so zu trainieren, dass es den gewünschten Genauigkeitsgrad erreicht. Normalerweise werden maschinelle Lernsysteme während des Trainings getestet und validiert, um sicherzustellen, dass die Vorhersagegenauigkeit den erforderlichen Anforderungen entspricht. Eine Möglichkeit, die Genauigkeit zu definieren, besteht darin, die Streudiagramme des tatsächlichen BER-Wertes auf der horizontalen Achse gegen den durch maschinelles Lernen vorhergesagten „Wert" auf der vertikalen Achse aufzutragen. Man könnte dann die Standardabweichung der Differenz zwischen dem vorhergesagten und dem tatsächlichen Wert berechnen und diese als Indikator für die Genauigkeit der Messung verwenden. Diese Messungen können zur Trainingszeit durchgeführt werden, wobei eine große Anzahl von Wellenformen mit den zugehörigen BER-Werten verwendet wird. Die Wellenformen können in die Trainingsnetzwerke eingespeist werden, um die vorhergesagten Werte zu erhalten.
-
Es wird davon ausgegangen, dass der Herstellungsprozess die DUTs so konstruiert, dass sie einen BER-Wert innerhalb eines relativ kleinen Bereichs erreichen. Daher muss das maschinelle Lernsystem ausreichend trainiert werden, um die BER für die Vorrichtungen in dem Bereich zu erkennen, der bei der Herstellung der Vorrichtungen auftritt. Dies erfordert eine ausreichend hohe Auflösung im zusammengesetzten Wellenformbild, die die Beobachtung des kleinen Bereichs ermöglicht.
-
Ein Ansatz, um die kleineren BER-Zählwerte im zusammengesetzten Wellenformbild sichtbar zu machen, beinhaltet eine gewisse Komprimierung des Dynamikbereichs. Durch die Komprimierung des dynamischen Bereichs des Bildes werden die kleineren Zählwerte im Verhältnis zu den größeren Zählwerten besser sichtbar. Die Kompression oder Korrektur des Dynamikbereichs kann in Form einer Gammakorrektur oder einer anderen Log-Funktion erfolgen. Die Gammakorrektur bezieht sich auf einen Prozess, bei dem lineare Verstärkungswerte in Bildern in eine nichtlineare Beziehung umgewandelt werden, was ursprünglich für die Verwendung von Röhrenmonitoren entwickelt wurde. Die Verwendung eines Bildes mit einer Kompression des dynamischen Bereichs verbessert das Training des maschinellen Lernsystems, so dass es kleine Änderungen der BER um den nominalen Herstellungswert herum leichter bestimmen kann.
-
Nach dem Training hat das maschinelle Lernsystem gelernt, bestimmte zusammengesetzte Wellenform-Bilder mit den BER-Werten zu verknüpfen, die für diese Bilder bereitgestellt wurden. Dadurch kann es neue zusammengesetzte Wellenformbilder während der Laufzeit mit hoher Genauigkeit mit BER-Werten verknüpfen. Das Fertigungssystem kann dann die vom maschinellen Lernsystem geschätzte BER als BER-Wert verwenden, um festzustellen, ob das DUT bestanden hat oder durchgefallen ist.
-
2 zeigt die Laufzeitumgebung. In 2 benötigt das System die konventionelle Messung nicht mehr, obwohl man sie regelmäßig als Genauigkeitsprüfung gegenüber der maschinellen Schätzung durchführen könnte. Das DUT 12 sendet und empfängt mit dem bekannten Gerät 18. In einer Ausführungsform ist der Übertragungspfad vom DUT mit einem ersten Kanal des Oszilloskops 14 und der zum DUT führende Empfangspfad mit einem separaten Kanal verbunden.
-
Das Oszilloskop erfasst dann die Wellenform, und das maschinelle Lernsystem empfängt sie und sendet sie an das ML BER-System, das das zusammengesetzte Wellenformbild erzeugt, unabhängig davon, welcher Typ in diesem Fall verwendet wird, wie oben unter 16 beschrieben. Das zusammengesetzte Wellenformbild wird dann zusammen mit der Temperatur vom Testautomatisierungssystem an das maschinelle Lernsystem 20 gesendet. Das maschinelle Lernsystem gibt dann das BER-Ergebnis aus dem maschinellen Lernsystem aus und übermittelt es zusammen mit dem BER-Wert zurück an die Testautomatisierungssoftware. Dies führt dann dazu, dass das Testautomatisierungssystem das DUT als bestanden oder nicht bestanden ei nstuft.
-
Wenn das DUT ausfällt, könnte das Verfahren auch die BER auf herkömmliche Weise berechnen, um die BER-Schätzung des maschinellen Lernsystems zu überprüfen, aber das könnte das Verfahren zu sehr verlangsamen. Alternativ könnte diese Komponente außerhalb des Fertigungssystems konventionellen Tests unterzogen werden, um die BER-Schätzung des maschinellen Lernsystems mit dem konventionellen Ergebnis zu vergleichen. Wenn die Werte durchweg zu weit auseinander liegen, muss das maschinelle Lernsystem möglicherweise einem weiteren Trainingsverfahren unterzogen werden.
-
Die Test- und Messvorrichtung 14, die die Wellenform erfasst, und/oder das Modul 16, das das zusammengesetzte Wellenformbild wiedergibt, können über einen oder mehrere Prozessoren zur Ausführung dieser Aufgaben verfügen. 3 zeigt eine Ausführungsform der Test- und Messvorrichtung. Die Test- und Messvorrichtung 14 kann mehrere Komponenten umfassen, und die hier beschriebenen sind nicht als erschöpfend zu betrachten. Die Test- und Messvorrichtung 14 kann einen oder mehrere Prozessoren 30 enthalten. Der eine oder die mehreren Prozessoren sind so ausgebildet, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, die hier beschriebenen Prozesse durchzuführen. Die verschiedenen Verarbeitungsaufgaben, die innerhalb des Systems durchgeführt werden, können zwischen dem Testautomatisierungssystem, dem einen oder den mehreren Prozessoren im Anwendungsbereich und dem maschinellen Lernsystem verteilt werden. Diese Prozessoren sind alle in dem Test- und Messsystem enthalten, von dem die Test- und Messvorrichtung ein Teil ist.
-
Die Test- und Messvorrichtung 14 kann auch Anschlüsse 32 enthalten, die eine Verbindung zu dem/den DUT(s) herstellen, z. B. Sonden, die an Kanäle in der Vorrichtung angeschlossen werden, wie oben beschrieben. Die Vorrichtung kann einen oder mehrere Analog-Digital-Wandler (ADCs) 34 enthalten, die das eingehende Analogsignal in digitalisierte Samples umwandeln. Die Vorrichtung enthält mindestens einen Speicher, z. B. einen Erfassungsspeicher 36, der die digitalisierten Abtastwerte und die beim Training verwendeten BER-Werte usw. speichert. Speicher 38, der mit dem Speicher 36 kombiniert werden kann und den vom Prozessor auszuführenden Code sowie Benutzereinstellungen usw. speichern kann. Die Benutzereingänge 44 können Knöpfe, Tasten und andere Bedienelemente umfassen. Auf dem Display 42 werden dem Benutzer die Wellenformen und die daraus resultierenden Messungen angezeigt. Wenn es sich bei dem Display 42 um einen Touchscreen handelt, kann das Display optional auch Bedienelemente für den Benutzer enthalten. Die Vorrichtung sendet dann die Informationen vom DUT über den Kommunikationsanschluss 40 an das maschinelle Lernsystem.
-
Auf diese Weise kann ein maschinelles Lernsystem die BER-Schätzwerte für DUTs viel schneller ermitteln als herkömmliche Tests. Eine Schätzung der konventionellen Prüfung dauerte 4 Minuten pro DUT in der Fertigungslinie. Mit maschinellem Lernen dauert die Prüfung derzeit etwa 0,45 Sekunden pro DUT, was etwa 0,2 % der Zeit entspricht, die für die Prüfung mit konventionellen Methoden benötigt wird.
-
Im Allgemeinen kann die Erfassung der Wellenform 2-3 Sekunden dauern. Es besteht jedoch die Möglichkeit, dass die BER-Schätzung durch das maschinelle Lernsystem länger dauern könnte als die Erfassung der Wellenform. In diesem Fall könnte man den Prozess parallelisieren, indem man eine erste Wellenform erfasst und sie an einen ersten Prozessor sendet, um das zusammengesetzte Wellenformbild zu erzeugen und es an das maschinelle Lernsystem zu senden, während man in der Zwischenzeit eine zweite Wellenform erfasst und sie an einen zweiten Prozessor sendet, während man auf die ersten Ergebnisse wartet. Sobald alle Prozessoren ihre Ergebnisse erhalten haben, könnte man die BER-Schätzungen mitteln, um einen endgültigen BER-Wert zu erhalten. Bei den derzeitigen Tests liefert das maschinelle Lernsystem die BER-Werte jedoch viel schneller als die Zeit für die Erfassung der Wellenform.
-
Aspekte der Offenlegung können auf einer speziell entwickelten Hardware, auf Firmware, digitalen Signalprozessoren oder auf einem speziell programmierten Allzweckcomputer mit einem Prozessor, der nach programmierten Anweisungen arbeitet, arbeiten. Die hier verwendeten Begriffe „Controller“ oder „Prozessor“ sollen Mikroprozessoren, Mikrocomputer, anwendungsspezifische integrierte Schaltungen (ASICs) und spezielle Hardware-Controller umfassen. Ein oder mehrere Aspekte der Offenbarung können in computerverwendbaren Daten und computerausführbaren Befehlen verkörpert sein, beispielsweise in einem oder mehreren Programmmodulen, die von einem oder mehreren Computern (einschließlich Überwachungsmodulen) oder anderen Geräten ausgeführt werden. Im Allgemeinen umfassen Programmmodule Routinen, Programme, Objekte, Komponenten, Datenstrukturen usw., die bestimmte Aufgaben ausführen oder bestimmte abstrakte Datentypen implementieren, wenn sie von einem Prozessor in einem Computer oder einem anderen Gerät ausgeführt werden. Die computerausführbaren Anweisungen können auf einem nicht transitorischen, computerlesbaren Medium wie einer Festplatte, einer optischen Platte, einem Wechselspeichermedium, einem Festkörperspeicher, einem Random Access Memory (RAM) usw. gespeichert sein. Wie dem Fachmann klar sein wird, kann die Funktionalität der Programm-Module in verschiedenen Aspekten beliebig kombiniert oder verteilt werden. Darüber hinaus kann die Funktionalität ganz oder teilweise in Firmware oder Hardware-Äquivalenten wie integrierten Schaltungen, FPGA (Field-Programmable Gate Array) und dergleichen verkörpert sein. Bestimmte Datenstrukturen können verwendet werden, um einen oder mehrere Aspekte der Offenlegung effektiver zu implementieren, und solche Datenstrukturen werden im Rahmen der hier beschriebenen computerausführbaren Anweisungen und computerverwendbaren Daten in Betracht gezogen.
-
Die offengelegten Aspekte können in einigen Fällen in Hardware, Firmware, Software oder einer Kombination davon implementiert werden. Die offengelegten Aspekte können auch in Form von Befehlen implementiert werden, die auf einem oder mehreren nichtübertragbaren computerlesbaren Medien gespeichert sind, die von einem oder mehreren Prozessoren gelesen und ausgeführt werden können. Solche Anweisungen können als Computerprogrammprodukt bezeichnet werden. Computerlesbare Medien, wie hier beschrieben, sind alle Medien, auf die ein Computer zugreifen kann. Computerlesbare Medien können zum Beispiel Computerspeichermedien und Kommunikationsmedien umfassen, ohne darauf beschränkt zu sein.
-
Computerspeichermedien sind alle Medien, die zum Speichern von computerlesbaren Informationen verwendet werden können. Zu den Computerspeichermedien gehören beispielsweise RAM, ROM, EEPROM (Electrically Erasable Programmable Read-Only Memory), Flash-Speicher oder andere Speichertechnologien, CD-ROM (Compact Disc Read Only Memory), DVD (Digital Video Disc) oder andere optische Plattenspeicher, Magnetkassetten, Magnetbänder, Magnetplattenspeicher oder andere magnetische Speichervorrichtungen sowie alle anderen flüchtigen oder nicht flüchtigen, entfernbaren oder nicht entfernbaren Medien, die in beliebigen Technologien eingesetzt werden. Computerspeichermedien schließen Signale als solche und vorübergehende Formen der Signalübertragung aus.
-
Kommunikationsmedien sind alle Medien, die für die Übertragung von computerlesbaren Informationen verwendet werden können. Zu den Kommunikationsmedien gehören beispielsweise Koaxialkabel, Glasfaserkabel, Luft oder jedes andere Medium, das für die Übertragung von elektrischen, optischen, Hochfrequenz- (HF), Infrarot-, akustischen oder anderen Signalen geeignet ist.
-
Außerdem wird in dieser schriftlichen Beschreibung auf bestimmte Merkmale verwiesen. Es ist davon auszugehen, dass die Offenbarung in dieser Spezifikation alle möglichen Kombinationen dieser besonderen Merkmale umfasst. Wenn zum Beispiel ein bestimmtes Merkmal im Zusammenhang mit einem bestimmten Aspekt offenbart wird, kann dieses Merkmal, soweit möglich, auch im Zusammenhang mit anderen Aspekten verwendet werden.
-
Wenn in dieser Anmeldung auf ein Verfahren mit zwei oder mehr definierten Schritten oder Vorgängen Bezug genommen wird, können die definierten Schritte oder Vorgänge in beliebiger Reihenfolge oder gleichzeitig ausgeführt werden, es sei denn, der Kontext schließt diese Möglichkeiten aus.
-
BEISPIELE
-
Im Folgenden werden Beispiele für die offengelegten Technologien aufgeführt. Eine Ausführungsform der Technologien kann eines oder mehrere und jede Kombination der unten beschriebenen Beispiele umfassen.
-
Beispiel 1 ist ein Test- und Messsystem, das Folgendes umfasst: ein maschinelles Lernsystem; eine Test- und Messvorrichtung mit einem Anschluss, der so ausgebildet ist, dass er die Test- und Messvorrichtung mit einer zu testenden Vorrichtung (DUT) verbindet; und einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, eine Wellenform von dem DUT zu erfassen; die Wellenform in ein zusammengesetztes Wellenformbild zu transformieren; und das zusammengesetzte Wellenformbild an das maschinelle Lernsystem zu senden, um einen Wert einer Bitfehlerrate (BER) für das DUT zu erhalten.
-
Beispiel 2 ist das Test- und Messsystem aus Beispiel 1, wobei der eine oder die mehreren Prozessoren auf die Test- und Messvorrichtung, ein Testautomatisierungssystem und das maschinelle Lernsystem verteilt sind.
-
Beispiel 3 ist das Test- und Messsystem aus einem der Beispiele 1 und 2, wobei das zusammengesetzte Wellenformbild entweder einen Kurzmustertensor, einen zyklischen Schleifentensor oder eine Augendiagrammüberlagerung umfasst.
-
Beispiel 4 ist das Test- und Messsystem aus einem der Beispiele 1 bis 3, das außerdem eine bekannte Vorrichtung umfasst, die mit dem DUT verbunden ist, wobei die bekannte Vorrichtung ein bekanntes Muster entlang eines Übertragungspfades zum DUT sendet und ein Muster vom DUT entlang eines Empfangspfades empfängt.
-
Beispiel 5 ist das Test- und Messsystem von Beispiel 4, wobei der Anschluss einen ersten Kanaleingang der Test- und Messvorrichtung umfasst, der mit dem Übertragungspfad verbunden ist, und einen zweiten Kanaleingang der Test- und Messvorrichtung, der mit dem Empfangspfad verbunden ist.
-
Beispiel 6 ist das Test- und Messsystem eines der Beispiele 1 bis 5, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, das maschinelle Lernsystem zu trainieren, wobei der Code den einen oder die mehreren Prozessoren veranlasst, eine Trainingswellenform zu erfassen, die mit einem Signal verbunden ist, für das ein BER-Wert gemessen und gespeichert wurde; die Trainingswellenform in ein zusammengesetztes Trainingswellenformbild umzuwandeln; und das zusammengesetzte Trainingswellenformbild und den gespeicherten BER-Wert dem maschinellen Lernsystem als ein Trainingsdaten-Sample bereitzustellen.
-
Beispiel 7 ist das Test- und Messsystem aus Beispiel 6, wobei die Prozessoren ferner so ausgebildet sind, dass sie den Code wiederholen, um den einen oder die mehreren Prozessoren zu veranlassen, das maschinelle Lernsystem zu trainieren, bis eine ausreichende Anzahl von Trainings-Samples erhalten wurde.
-
Beispiel 8 ist das Test- und Messsystem nach einem der Beispiele 1 bis 7, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, eine Dynamikbereichskompression auf Pixel in dem zusammengesetzten Wellenformbild anzuwenden, um zu bewirken, dass kleinere Zählwerte in dem zusammengesetzten Wellenformbild relativ zu den größeren Zählwerten in dem zusammengesetzten Wellenformbild besser sichtbar sind.
-
Beispiel 9 ist das Test- und Messsystem aus Beispiel 8, wobei die Dynamikbereichskompression entweder eine Gammakorrektur oder eine Log-Funktion umfasst.
-
Beispiel 10 ist das Test- und Messsystem aus einem der Beispiele 1 bis 9, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, eine Temperatur zu erhalten, wenn die Wellenform von dem DUT erfasst wird, und die Temperatur mit dem zusammengesetzten Wellenformbild an das maschinelle Lernsystem zu senden.
-
Beispiel 11 ist ein Verfahren zum Bestimmen eine Bitfehlerrate für eine zu testende Vorrichtung (DUT), das Folgendes umfasst: Erfassen einer oder mehrerer Wellenformen von dem DUT; Umwandeln der einen oder mehreren Wellenformen in ein zusammengesetztes Wellenformbild; Senden des zusammengesetzten Wellenformbildes an ein maschinelles Lernsystem, um einen Wert einer Bitfehlerrate (BER) für das DUT zu erhalten.
-
Beispiel 12 ist das Verfahren von Beispiel 11, wobei das Umwandeln der einen oder mehreren Wellenformen in das zusammengesetzte Wellenformbild ein Umwandeln der einen oder mehreren Wellenformen in einen Kurzmustertensor, einen zyklischen Schleifentensor oder ein Augendiagramm-Overlay umfasst.
-
Beispiel 13 ist das Verfahren von Beispiel 11 oder 12, das ferner folgendes umfasst: Verbinden einer bekannten Vorrichtung mit dem DUT; Verwenden der bekannten Vorrichtung, um ein bekanntes Muster entlang eines Übertragungspfades zum DUT zu übertragen; und Empfangen eines Musters vom DUT entlang eines Empfangspfades.
-
Beispiel 14 ist das Verfahren von Beispiel 13, das ferner Folgendes umfasst: Verbinden eines ersten Kanals einer Test- und Messvorrichtung mit dem Übertragungspfad; Verbinden eines zweiten Kanals der Test- und Messvorrichtung mit dem Empfangspfad; und Vergleichen von Wellenformen, die von dem ersten Kanal und dem zweiten Kanal erfasst wurden.
-
Beispiel 15 ist das Verfahren nach einem der Beispiele 11 bis 12, das ferner Folgendes umfasst: Verbinden eines Loop-Back-Pfades zwischen einem Sender und einem Empfänger auf dem DUT; Messen der BER für dieses DUT; Speichern der BER für dieses DUT; Erfassen einer Trainingswellenform von dem DUT; Umwandeln der Trainingswellenform in ein zusammengesetztes Trainingswellenformbild; und Bereitstellen des zusammengesetzten Trainingswellenformbildes und des gespeicherten BER-Wertes für das maschinelle Lernsystem als ein Trainingsdaten-Sample.
-
Beispiel 16 ist das Verfahren aus Beispiel 15, das ferner die Wiederholung des Verfahrens an zusätzlichen DUTs umfasst, bis eine ausreichende Anzahl von Trainingsdaten-Samples erhalten wurde.
-
Beispiel 17 ist das Verfahren nach einem der Beispiele 11 bis 16, das ferner ein Anwenden einer Dynamikbereichskompression auf Pixel in dem zusammengesetzten Wellenformbild umfasst, um zu bewirken, dass kleinere Zählwerte in dem zusammengesetzten Wellenformbild im Vergleich zu größeren Zählwerten besser sichtbar sind.
-
Beispiel 18 ist das Verfahren von Beispiel 17, wobei die Anwendung eines dynamischen Bereichs ferner die Anwendung einer Gammakorrektur oder einer Log-Funktion auf die Werte in dem zusammengesetzten Trainingswellenformbild umfasst.
-
Beispiel 19 ist das Verfahren nach einem der Beispiele 11 bis 18, wobei das Erfassen einer oder mehrerer Wellenformen von dem DUT ferner das Erfassen einer Prüftemperatur umfasst.
-
Beispiel 20 ist das Verfahren aus Beispiel 19, wobei das Umwandeln der einen oder mehreren Wellenformen in das zusammengesetzte Wellenformbild ferner ein Codieren einer grafischen Darstellung der Prüftemperatur in das zusammengesetzte Wellenformbild umfasst.
-
Obwohl bestimmte Aspekte der Offenbarung zum Zwecke der Veranschaulichung dargestellt und beschrieben wurden, können verschiedene Änderungen vorgenommen werden, ohne von Geist und Umfang der Offenbarung abzuweichen. Dementsprechend sollte die Offenbarung nicht eingeschränkt werden, außer durch die beigefügten Ansprüche.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- US 63/189886 [0001]
- US 592437 [0010]
- US 17/345283 [0010]
- US 63/191908 [0010]
