-
VERWANDTE ANMELDUNGEN
-
Diese Offenbarung beansprucht die Vorteile der U.S. Provisional Application No.
63/299,878 mit dem Titel „MACHINE LEARNING MODEL TRAINING USING DE-NOISED DATA AND MODEL PREDICTION WITHOUT NOISE CORRECTION“, die am 14. Januar 2022 eingereicht wurde und deren Offenbarung durch Bezugnahme in vollem Umfang hierin enthalten ist.
-
GEBIET DER TECHNIK
-
Diese Offenbarung bezieht sich auf Test- und Messsysteme, insbesondere auf Techniken zum Trainieren und Verwenden eines maschinellen Lernmodells in einer Test- und Messanwendung.
-
HINTERGRUND
-
In jüngster Zeit wurden Algorithmen oder Modelle des maschinellen Lernens (ML) und in einigen Fällen neuronale Netze, die hier als ML-Algorithmus bezeichnet werden, für den Einsatz in Test- und Messanwendungen entwickelt. Dazu gehört die Messung der Leistung von Komponenten in Hochgeschwindigkeits-Kommunikationsnetzen, z. B. die Durchführung von Transmitter Dispersion Eye Closure Quaternary (TDECQ) Messungen. In einigen Test- und Messsystemen können diese MI,-Algorithmen in einem Test- und Messinstrument wie einem Oszilloskop implementiert werden.
-
Algorithmen des maschinellen Lernens benötigen große Trainingsdatensätze, um ihre Vorhersagen zu entwickeln, die richtig funktionieren. In der Praxis sind die Erzeugung und Auswahl von Trainingsdatensätzen genauso wichtig wie der Algorithmus für maschinelles Lernen selbst.
-
1 zeigt ein aktuelles Beispiel für einen Arbeitsablauf zur Entwicklung eines Algorithmus für maschinelles Lernen (ML) für TDECQ-Messungen. Der Arbeitsablauf verwendet zu testende Vorrichtungen (DUT) oder Laborgeneratoren, um Trainingswellenformen 10 zu erzeugen. Mit einem Oszilloskop wird ein Satz dieser Wellenformen erfasst. Die Wellenformen werden nicht absichtlich verändert und enthalten ihr eigenes Rauschen sowie das Rauschen des Oszilloskops, das zur Erfassung der Wellenformen verwendet wurde. Dieser Satz wird zum Trainieren des ML-Algorithmus, in diesem Fall eines neuronalen Netzes, verwendet. Die erwarteten Antworten (TDECQ-Werte), die zum Trainieren des Netzwerks 12 benötigt werden, werden durch Messung mit einem herkömmlichen Messalgorithmus ermittelt, der mit derselben Wellenform arbeitet.
-
Daraus ergibt sich das Produktionsnetzwerk 12. Im Betrieb werden anstelle der Trainingswellenformen die realen, zu messenden Wellenformen des/r DUT(s) in das Produktionsnetzwerk 12 eingespeist, um eine Vorhersage der TDECQ-Werte bei 14 zu treffen.
-
Diese Methode hat mehrere Nachteile. Erstens ist die Erstellung des Trainingssatzes kostspielig, da ein großer Datensatz von realen, in Betrieb befindlichen DUTs (oder Laborgeneratoren) und von Test- und Messinstrumenten, die zur Messung der DUT-Antworten verwendet werden, erfasst werden muss. Für das ML-Training müssen Tausende von Wellenformen verarbeitet werden, was diesen Prozess schwierig und zeitaufwändig macht.
-
Um umfassend zu sein, muss der Trainingsdatensatz außerdem Wellenformen enthalten, die sich ergeben, wenn andere Parameter, die sich auf die Vorhersagen des ML-Algorithmus auswirken, verändert werden, z. B. das Signal-Rausch-Verhältnis (SNR) des Oszilloskops, das SNR des DUTs und unterschiedliche Ausgangspegel (Amplitude) des DUTs. Dazu können mehrere DUTs gehören, die von mehreren Test- und Messinstrumenten (z. B. mehreren Oszilloskopen) betrieben und gemessen werden, um dem unterschiedlichen Instrumentenrauschen und dem unterschiedlichen DUT-Rauschen Rechnung zu tragen.
-
Diese und andere zusätzliche Sweep-Parameter, die während der Erstellung des Trainingssatzes hinzugefügt werden, erhöhen die Größe der Trainingsdaten erheblich. Wenn beispielsweise ein Parameter, der drei mögliche Werte hat, gesweept wird, erhöht sich die Anzahl der Wellenformen im Trainingssatz um das Dreifache. Dies führt zu einem langsameren Training und einer längeren Entwicklungszeit.
-
Doch selbst wenn ein Trainingsdatensatz Daten von mehreren Instrumenten enthält, um unterschiedliche Geräuschpegel zu berücksichtigen, kann dies zu einer Überanpassung des neuronalen Netzes an die beim Training auftretenden Geräuschpegel führen. Eine Überanpassung tritt auf, wenn der ML-Algorithmus die Trainingsdaten „zu gut“ lernt, so dass er nicht auf andere Daten verallgemeinert werden kann, was zu einer schlechten Generalisierung in der Produktion führt. Da Rauschen eine größere Zufälligkeit und oft eine höhere Frequenz als die wichtigsten Signalmerkmale aufweist, kann die Einbeziehung von Rauschen in die Trainingswellenformen zu einem höheren Risiko führen, dass der ML-Algorithmus die Merkmale des Rauschens aufgreift und eine Überanpassung der Trainingsmenge vornimmt.
-
Ausführungsformen der beschriebenen Geräte und Verfahren beheben Mängel des Standes der Technik.
-
Figurenliste
-
- 1 zeigt ein Beispiel für einen aktuellen Arbeitsablauf zur Entwicklung eines Modells für maschinelles Lernen (ML) für eine TDECQ-Messung und den Betrieb eines solchen trainierten Netzwerks.
- 2 zeigt eine Ausführungsform eines Arbeitsablaufs für das Training neuronaler Netze.
- 3 zeigt eine Ausführungsform eines Test- und Messsystems mit einem ML-System zur Vorhersage von Messwerten.
-
AUSFÜHRLICHE BESCHREIBUNG
-
Diese Ausführungsformen überwinden die oben genannten Probleme, wie z. B. die Notwendigkeit, Wellenformen einzubeziehen, die sich ergeben, wenn andere Parameter, die sich auf die Vorhersagen des Algorithmus für maschinelles Lernen (ML) auswirken würden, geändert werden, wie z. B. die Änderung des Signal-Rausch-Verhältnisses (SNR) des Oszilloskops und die Änderung des Pegels und der SNR-Werte des DUTs. Die Ausführungsformen trennen Rauschkomponenten aus den Trainingswellenformen heraus und trainieren dann den MI,-Algorithmus mit rauschfreien Daten. Die Ausführungsformen kompensieren dann das Rauschen in der operationellen Umgebung. Die Ausführungsformen verallgemeinern besser und vermeiden Probleme mit Überanpassung.
-
2 zeigt einen überarbeiteten Arbeitsablauf für das Training und den Betrieb des ML-Algorithmus. Zunächst wird das Trainingsszenario erörtert. Das Test- und Messinstrument, z. B. ein Oszilloskop, erfasst eine Reihe von ursprünglichen Wellenformen bei 20. Diese können von einem oder mehreren DUTs oder von einem Wellenformsimulator erfasst werden. Das Verfahren entfernt dann das Rauschen aus den erfassten Wellenformen, um einen Satz rauschfreier Trainingswellenformen (22) zu erzeugen.
-
Die Entfernung des Rauschens kann auf viele verschiedene Arten erfolgen. In einer Ausführungsform kann die Anzahl der ursprünglichen Wellenformen die Anzahl der für das Training benötigten Wellenformen übersteigen: Der Prozess kann eine Anzahl von Wellenformen nehmen und sie zu einer Wellenform mitteln, wodurch die Anzahl der Wellenformen auf die Anzahl der ursprünglichen Wellenformen geteilt durch die für die Mittelung verwendete Anzahl reduziert wird. Die Anzahl kann so angepasst werden, dass eine im Wesentlichen rauschfreie Wellenform entsteht. Obwohl die Gesamtzahl der zu verarbeitenden Wellenformen nun größer ist als beim derzeitigen Stand der Technik, ist dies immer noch vorteilhaft, da die Mittelwertbildung ein viel weniger kostspieliger Prozess ist als das Training.
-
Es gibt auch andere Ansätze, wie z. B. den Ansatz der nächsten Nachbarn, bei dem jede Wellenform mit der nächstgelegenen X-fachen Anzahl von Nachbarn vor ihr und der nächstgelegenen X-fachen Anzahl von Nachbarn nach ihr gemittelt wird, was die Anzahl der gesamten Wellenformen nicht verringern würde, da jede Wellenform eine gemittelte Version von sich selbst hätte. Außerdem können Wellenformen in einer Simulation erstellt werden, anstatt sie zu erfassen, was eine einfache Möglichkeit darstellt, rauschfreie Wellenformen zu erstellen.
-
Das Training des ML kann auch einen Schritt beinhalten, bei dem der ML darauf trainiert wird, Rauschen zu ignorieren. Einige oder alle Wellenformen können zweimal verwendet werden, einmal ohne Rauschen und ein zweites Mal absichtlich mit Rauschen oder sogar mit Rauschen unterschiedlicher Amplitude verunreinigt. Der ML wird darauf trainiert, das Rauschen zu ignorieren.
-
Normalerweise sammelt ein Oszilloskop die Wellenformen, während es sie vom DUT erfasst. Ein Echtzeit-Oszilloskop (RT) kann zum Beispiel eine riesige Datenmenge zu geringen Kosten erfassen. Es kann mehrere nebeneinander liegende Wellenformmuster mit hoher Geschwindigkeit erfassen. Das Oszilloskop kann dann aus diesen Wellenformmustern einen Mittelwert bilden, um einen kleineren Satz rauschfreier Trainingswellenformen zu erzeugen. Es würde auch die Rauschverteilung der ursprünglichen Wellenformen messen, um eine Rauschkompensation oder einen Korrekturfaktor im Rauschkompensations-/Darstellungsmodul 26 zu bestimmen, was zu dem Korrekturfaktor 28 führt.
-
Wenn stattdessen ein Abtastoszilloskop verwendet wird, können, da dieses Instrument langsamer arbeitet, Daten nur in Teilen der Wellenform erfasst werden (gezielte Erfassung). So könnte man in einer solchen Ausführungsform 8 verschiedene Stellen, 4 verschiedene Pegel und 4 verschiedene Flanken, auswählen und mehrere Teilwellenformen an diesen Stellen erfassen, um den Satz ursprünglicher Teilwellenformen zu entwickeln, und diese dann wie oben beschrieben mitteln. Ein solches Konzept der gezielten Erfassung wurde bereits früher für die Jitter-Analyse mit Abtastoszilloskopen verwendet.
-
Im unteren Trainingspfad von 2 werden die rauschfreien Wellenformen 22 dann zum Training des neuronalen ML-Netzwerks verwendet. Dieser Prozess umfasst in der Regel das Training des neuronalen Netzes mit den bekannten Daten und den bekannten „Antworten“ und dann die Verwendung eines Teils des Datensatzes, den das Netz noch nicht gesehen hat, um es zu validieren, wie es in der Technik üblich ist. Zu diesem Zeitpunkt ist das neuronale Netz bei 24 trainiert worden und kann nun zur Vorhersage eines TDECQ-Wertes verwendet werden, wenn eine erfasste Wellenform vorliegt.
-
Sobald das trainierte neuronale Netz verfügbar ist, kann der Betriebsmodus aktiviert werden. In einer Ausführungsform würde das Oszilloskop bei 20 eine Wellenform erfassen, diesmal jedoch in einer Laufzeit- oder Produktionsumgebung. Die Wellenform enthält das Rauschen des DUTs und des Oszilloskops. Das neuronale Netz arbeitet mit der erfassten Wellenform bei 24 und erzeugt einen TDECQ-Vorhersagewert bei 30. Da die Vorhersage auf einem rauschfreien Training basiert, berücksichtigt sie die beiden in der Wellenform enthaltenen Geräusche (das Messobjekt und das Oszilloskop) nicht vollständig. Das Rauschdarstellungsmodul 26 berechnet den Korrekturfaktor 28 aus den rauschfreien Trainingswellenformen.
-
MI,-Vorhersagen haben in der Regel ein Genauigkeitsmaß, ähnlich wie ein Vertrauenswert in der Statistik. Der vorhergesagte TDECQ-Wert hätte diesen Wert, der jedoch in der obigen Ausführungsform aufgrund des aus den ursprünglichen Wellenformen entfernten Rauschens etwas vermindert ist, da das Training mit rauschfreien Wellenformen erfolgte und die Wellenformen im Betrieb verrauscht sind. Dies wirkt sich nachteilig auf die Genauigkeit des TDECQ-Wertes aus, der einen Teil des endgültigen TDECQ-Wertes bei 32 ausmacht.
-
In einer anderen Ausführungsform erfasst das Oszilloskop im Betriebsmodus eine Reihe von Wellenformen, die sowohl vom Rauschdarstellungsmodul 26 als auch von der trainierten ML 24 verwendet werden. Die trainierte ML verwendet in dieser Ausführungsform die vom Rauschen befreite(n) Wellenform(en). Der Prozess der Rauschentfernung erfolgt wie oben beim ML-Training, wird aber an den operationellen Wellenformen und nicht an den Trainingswellenformen durchgeführt. Da die MI,-Vorhersage ohne Berücksichtigung des Rauschens erfolgt, wendet der Prozess dann die gesamte Rauschkompensation mit Hilfe des Korrekturfaktors 28 an, der vom Rauschdarstellungsmodul 26 aus den operationellen Wellenformen bestimmt wird. Die Tatsache, dass die Rauschkompensation das einzige Mittel ist, mit dem der durch Rauschen verursachte Nachteil zum endgültigen TDECQ-Ergebnis hinzugefügt wird, ist ein Unterschied zur vorherigen Ausführungsform. Sie ist zwar komplizierter, kann aber zu einer genaueren Ausführungsform dieser beiden Ausführungsformen führen.
-
Mit ML kann man das TDECQ-Ergebnis ohne den Zwischenschritt der Ermittlung von Zwischenwerten, wie z. B. der FFE-Anzapfwerte, finden. Diese Fähigkeit kann einen Nachteil haben, da es in vielen Fällen von Vorteil ist, die FFE-Anzapfwerte oder ähnliche Zwischenwerte zu kennen. Wenn nur die FFE-Anzapfwerte bekannt sind, wird der Prozess nicht beeinträchtigt, da die verbleibende Berechnung eine einfache geschlossene Form ist, die wenig Rechenaufwand erfordert. Daher besteht ein Interesse an einem solchen Verfahren zur Ermittlung der FFE-Anzapfwerte mit ML und ihrer anschließenden Bereitstellung für die Berechnung des TDECQ aus diesen FFE-Anzapfwerten.
-
Ein Ansatz zur Berechnung des TDECQ kann sich darauf konzentrieren, die FFE-Anzapfwerte zu finden, die zu einem korrekten TDECQ-Wert führen, und dann die TDECQ-Werte unter Verwendung der BER-Anpassung (Bitfehlerrate) zu berechnen, wie in einer klassischen (nicht ML) Verarbeitung, die durch den Standard (IEEE 802.bs) vorgegeben ist. Während bei der ersten Ausführungsform das neuronale Netz zur direkten Vorhersage der TDECQ-Werte verwendet wird, gibt es eine weitere Ausführungsform, bei der das neuronale Netz zur Vorhersage der Anzapfwerte eines Feed Forward Equalizers (FFE; Vorwärtsentzerrer) verwendet werden könnte. Die FFE-Werte sollten für verrauschte und rauschfreie Wellenformen gleich sein, so dass ein alternativer Ansatz darin bestünde, das neuronale Netz für die FFE-Anzapfwerte zu trainieren und dann den TDECQ-Wert daraus zu ermitteln. Obwohl dies ein indirekterer Weg ist, wird in dieser Diskussion immer noch von der Vorhersage des TDECQ-Wertes gesprochen, und zwar einer, bei dem neben dem TDECQ auch andere nützliche Zwischenparameter gefunden werden.
-
Eine weitere Variante betrifft die Rauschcharakterisierung, indem die Wellenformen des DUTs sowohl für das Rauschen der Wellenformen im Rauschdarstellungsmodul 26, das den Korrekturfaktor 28 ergibt, als auch für den TDECQ-Vorhersagewert von 30 analysiert werden können. Das System verwendet dann den TDECQ-Wert aus dem trainierten MI,-Netz und den Korrekturfaktor, um das Endergebnis zu erhalten.
-
Der Arbeitsablauf der Ausführungsformen kann in einem Test- und Messinstrument, wie dem/den oben erwähnten Oszilloskop(en), oder in einer Kombination aus dem Instrument und einem separaten Rechengerät, auf dem der ML-Algorithmus läuft, erfolgen. Wie in 3 gezeigt, kann das Instrument 42 über eine Verbindung oder eine Sonde 41 an das/die DUT(s) 40 angeschlossen werden. Der Anschluss 44 enthält die verschiedenen Komponenten, die zur Erfassung und Digitalisierung der Wellenformen benötigt werden. Dazu gehören u. a. Taktrückgewinnung, Analog-Digital-Wandler (ADCs) usw. Der eine oder die mehreren Prozessoren 48 führen die oben beschriebenen Operationen durch, typischerweise durch die Ausführung von Code, um den einen oder die mehreren Prozessoren zu veranlassen, die verschiedenen Operationen durchzuführen.
-
Die erfassten Wellenformen werden im Speicher 46 gespeichert. Dabei kann es sich um einen Speicher an Bord des Instruments, einen Speicher auf einem mit dem Instrument verbundenen Computergerät, einen Cloud-Speicher usw. handeln. In diesem oder einem anderen Speicher kann auch der von den oben genannten Prozessoren auszuführende Code gespeichert werden.
-
Eine Benutzerschnittstelle (U/I) 50 bietet dem Benutzer die Möglichkeit, mit dem Instrument zu interagieren, z. B. durch Starten der Erfassung, Einstellen von Parametern, Anzeigen von Wellenformen und zugehörigen Daten usw. Die Benutzerschnittstelle kann sich auf dem Instrument oder auf einem angeschlossenen Computergerät befinden.
-
Ebenso kann sich der MI,-Algorithmus oder das ML-System 52 auf dem Instrument 42 oder auf einem separaten Computergerät befinden. Auch wenn es hier als separate Vorrichtung dargestellt ist, dient dies lediglich dem besseren Verständnis und soll den Anwendungsbereich der Ausführungsformen in keiner Weise einschränken.
-
Aspekte der Offenlegung können auf speziell entwickelter 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 Anweisungen 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 und dergleichen verkörpert sein. Bestimmte Datenstrukturen können verwendet werden, um einen oder mehrere Aspekte der Offenbarung 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 nicht-übertragbaren 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 zur Speicherung 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: einen oder mehrere Eingänge, die mit einer zu testenden Vorrichtung (DUT) verbunden werden können; und einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie einen Code ausführen, der bewirkt, dass der eine oder die mehreren Prozessoren Folgendes ausführen: Sammeln eines Satzes von Trainingswellenformen durch Erfassen einer oder mehrerer Wellenformen von einem oder mehreren DUTs oder von simulierten Wellenformen; Entfernen von Rauschen aus dem Satz von Trainingswellenformen, um einen Satz von rauschfreien Trainingswellenformen zu erzeugen; und Verwenden des Satzes von rauschfreien Trainingswellenformen als Trainingssatz, um ein neuronales Netzwerk zu trainieren, um einen Messwert für ein DUT vorherzusagen, wobei ein trainiertes neuronales Netzwerk erzeugt wird.
-
Beispiel 2 ist das Test- und Messsystem von Beispiel 1, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, Rauschen aus dem Satz von Trainingswellenformen zu entfernen, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, eine Anzahl von ursprünglichen Wellenformen zu erfassen und die Anzahl von ursprünglichen Wellenformen zu mitteln, um wiederholt eine rauschfreie Wellenform zu erzeugen, bis der Satz von rauschfreien Trainingswellenformen vollständig ist.
-
Beispiel 3 ist das Test- und Messsystem aus einem der Beispiele 1 oder 2, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, um einen Korrekturfaktor aus dem Rauschen zu bestimmen, das aus dem Satz von Wellenformen entfernt wurde.
-
Beispiel 4 ist das Test- und Messsystem aus einem der Beispiele 1 bis 3, wobei der Messwert ein quaternärer Transmitter Dispersion Eye Closure (TDECQ)-Wert ist.
-
Beispiel 5 ist das Test- und Messsystem von Beispiel 4, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, den Satz von rauschfreien Trainingswellenformen zu verwenden, um ein neuronales Netzwerk zu trainieren, um einen TDECQ-Wert vorherzusagen, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, Anzapfungswerte für einen Feed Forward Equalizer (FFE) vorherzusagen und den TDECQ-Wert aus den FFE-Anzapfungswerten zu bestimmen.
-
Beispiel 6 ist das Test- und Messsystem aus einem 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, die Amplituden des Satzes von rauschfreien Wellenformen zu normalisieren.
-
Beispiel 7 ist das Test- und Messsystem aus einem der Beispiele 4 bis 6, 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 oder mehrere Wellenformen von einem DUT in einer Produktionsumgebung zu erfassen; und das trainierte neuronale Netzwerk anzuwenden, um einen vorhergesagten TDECQ-Wert für das DUT auf der Grundlage der einen oder mehreren Wellenformen zu erzeugen.
-
Beispiel 8 ist das Test- und Messsystem von Beispiel 7, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren zu Folgendem veranlasst: einen Korrekturfaktor aus dem Rauschen zu bestimmen, das aus dem Satz von Trainingswellenformen entfernt wurde, und den Korrekturfaktor auf ein Genauigkeitsniveau für den vorhergesagten TDECQ-Wert anzuwenden.
-
Beispiel 9 ist das Test- und Messsystem von Beispiel 7, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren zu Folgendem veranlasst: einen Satz von operationellen Wellenformen zu sammeln, einen Korrekturfaktor aus dem Rauschen zu bestimmen, das aus dem Satz von operationellen Wellenformen entfernt wurde, und den Korrekturfaktor auf eine Genauigkeit für den vorhergesagten TDECQ-Wert anzuwenden.
-
Beispiel 10 ist das Test- und Messsystem von Beispiel 7, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, das trainierte neuronale Netzwerk anzuwenden, den einen oder die mehreren Prozessoren veranlasst, Feed Forward Equalizer (FFE)-Anzapfwerte vorherzusagen und den TDECQ-Wert aus den FFE-Anzapfwerten zu bestimmen.
-
Beispiel 11 ist ein Verfahren zum Trainieren eines neuronalen Netzwerks, das Folgendes umfasst: Empfangen einer oder mehrerer Wellenformen von einem oder mehreren DUTs oder Erzeugen einer oder mehrerer Wellenformen von einem Wellenformsimulator; Entfernen von Rauschen aus einem Satz von Trainingswellenformen, die aus der einen oder den mehreren Wellenformen gesammelt wurden, um einen Satz von rauschfreien Trainingswellenformen zu erzeugen; und Verwenden des Satzes von rauschfreien Trainingswellenformen als Trainingssatz, um ein neuronales Netzwerk zu trainieren, um einen Messwert für ein DUT vorherzusagen, wobei ein trainiertes neuronales Netzwerk erzeugt wird.
-
Beispiel 12 ist das Verfahren von Beispiel 11, wobei das Entfernen von Rauschen das Erfassen einer Anzahl von ursprünglichen Wellenformen und das Mitteln der Anzahl von ursprünglichen Wellenformen umfasst, um eine rauschfreie Wellenform zu erzeugen, und zwar wiederholt, bis der rauschfreie Satz von Wellenformen vollständig ist.
-
Beispiel 13 ist das Verfahren nach einem der Beispiele 11 oder 12, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Korrekturfaktor aus dem Rauschen bestimmen, das aus dem Satz von Wellenformen entfernt wurde.
-
Beispiel 14 ist das Verfahren nach einem der Beispiele 11 bis 13, wobei der Messwert ein quaternärer Transmitter Distortion Eye Closure (TDECQ)-Wert ist.
-
Beispiel 15 ist das Verfahren eines beliebigen Beispiels 14, wobei die Verwendung des Satzes von rauschfreien Wellenformen zum Trainieren eines neuronalen Netzes zur Vorhersage eines TDECQ-Wertes das Vorhersagen von Anzapfwerten für einen Feed Forward Equalizer (FFE) umfasst, aus denen der TDECQ-Wert bestimmt werden kann.
-
Beispiel 16 ist das Verfahren nach einem der Beispiele 14 bis 15, das ferner umfasst: Erfassen einer oder mehrerer Wellenformen von einem DUT in einer Produktionsumgebung; und Anwenden des trainierten neuronalen Netzes, um einen vorhergesagten TDECQ-Wert für das DUT auf der Grundlage der Wellenform zu erzeugen.
-
Beispiel 17 ist das Verfahren von Beispiel 16, das ferner umfasst: Bestimmen eines Korrekturfaktors aus dem Rauschen, das aus dem Satz von Trainingswellenformen entfernt wurde; und Anwenden der Rauschkorrektur auf ein Genauigkeitsniveau für den vorhergesagten TDECQ-Wert, um einen endgültigen TDECQ-Wert zu erzeugen.
-
Beispiel 18 ist das Verfahren von Beispiel 16, das ferner umfasst: Sammeln eines Satzes von operationellen Wellenformen; Bestimmen eines Korrekturfaktors aus dem Rauschen, das aus dem Satz von operationellen Wellenformen entfernt wurde; und Anwenden des Korrekturfaktors auf ein Genauigkeitsniveau für den vorhergesagten TDECQ-Wert, um einen endgültigen TDECQ-Wert zu erzeugen.
-
Beispiel 19 ist das Verfahren nach einem der Beispiele 14 bis 15, wobei die Verwendung des trainierten neuronalen Netzes die Vorhersage von Feed Forward Equalizer (FFE)-Anzapfungswerten und die Bestimmung des TDECQ-Wertes aus den FFE-Anzapfungswerten umfasst.
-
Alle in der Beschreibung, einschließlich der Ansprüche, der Zusammenfassung und der Zeichnungen, offengelegten Merkmale und alle Schritte in jedem offengelegten Verfahren oder Prozess können in jeder Kombination kombiniert werden, mit Ausnahme von Kombinationen, bei denen sich zumindest einige dieser Merkmale und/oder Schritte gegenseitig ausschließen. Jedes in der Beschreibung, einschließlich der Ansprüche, der Zusammenfassung und der Zeichnungen, offenbarte Merkmal kann durch alternative Merkmale ersetzt werden, die dem gleichen, gleichwertigen oder ähnlichen Zweck dienen, sofern nicht ausdrücklich etwas anderes angegeben ist.
-
Obwohl bestimmte Ausführungsformen zum Zwecke der Veranschaulichung dargestellt und beschrieben wurden, können verschiedene Änderungen vorgenommen werden, ohne vom Geist und Umfang der Offenbarung abzuweichen. Dementsprechend sollte die Erfindung nicht eingeschränkt werden, außer wie 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
-
