DE102023116020A1

DE102023116020A1 - Maschinelles lernen für die messung mit linearer antwort aus der wellenform extrahiert

Info

Publication number: DE102023116020A1
Application number: DE102023116020.6A
Authority: DE
Inventors: Kan Tan; John J. Pickerd
Original assignee: Tektronix Inc
Current assignee: Tektronix Inc
Priority date: 2022-06-21
Filing date: 2023-06-20
Publication date: 2023-12-21
Also published as: US20230408558A1; TW202413960A; JP2024001002A

Abstract

Ein Test- und Messinstrument hat einen oder mehrere Anschlüsse, die so ausgebildet sind, dass sie ein Signal von einer oder mehreren zu testenden Vorrichtungen (DUT) empfangen, 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 Signal zu erfassen, eine Musterwellenform von der Wellenform abzuleiten, eine Extraktion der linearen Antwort auf die Musterwellenform durchzuführen, eine oder mehrere Datendarstellungen einschließlich einer Datendarstellung der extrahierten linearen Antwort an ein maschinelles Lernsystem zu übermitteln und eine Vorhersage für eine Messung von dem maschinellen Lernsystem zu empfangen. Ein Verfahren zum Durchführen einer Messung an einer Wellenform umfasst das Erfassen der Wellenform an einer Test- und Messvorrichtung, das Ableiten einer Musterwellenform aus der Wellenform, das Durchführen einer Extraktion der linearen Antwort an der Musterwellenform, das Präsentieren einer oder mehrerer Datendarstellungen einschließlich einer Datendarstellung der extrahierten linearen Antwort an ein maschinelles Lernsystem und das Empfangen einer Vorhersage der Messung von dem maschinellen Lernsystem.

Description

QUERVERWEIS AUF VERWANDTE ANMELDUNGEN
Diese Offenbarung beansprucht die Vorteile der U.S. Provisional Application No. 63/353,960 mit dem Titel „EXTRACTED LINEAR FIT PULSE BASED MACHINE LEARNING FOR MEASUREMENT“, die am 21. Juni 2022 eingereicht wurde und deren Offenbarung hier durch Bezugnahme in vollem Umfang enthalten ist.
GEBIET DER TECHNIK
Diese Offenbarung bezieht sich auf Test- und Messinstrumente und -systeme und insbesondere auf eine maschinelle Lemkomponente eines Test- und Messsystems.
BESCHREIBUNG
Techniken des maschinellen Lernens (ML) können die Geschwindigkeit komplexer Messungen erheblich verbessern. Die Verbesserung der Messgeschwindigkeit schlägt sich in einer Steigerung des Produktionsdurchsatzes nieder. Für den Test von Hochgeschwindigkeitssignalen wurde das Augendiagramm des Signals durch maschinelles Lernen verwendet, um Messergebnisse zu erhalten. Siehe z. B. S. Varughese, A. Melgar, V. A. Thomas, P. Zivny, S. Hazzard und S. E. Ralph, „Accelerating Assessments of Optical Components Using Machine Learning: TDECQ as Demonstrated Example," in Journal of Lightwave Technology, Bd. 39, Nr. 1, S. 64-72, 2021 (im Folgenden „Varughese“). Die vollständigen oder partiellen Musterwellenformen werden auch für maschinelles Lernen zur Messung verwendet. Siehe Varughese. Die Kurzmuster-Wellenform-Datenbank wird ebenfalls für das maschinelle Lernen eingesetzt, wie in U.S. Pat. App. Nr. 17/747,954 mit dem Titel „SHORT PATTERN WAVEFORM DATABASE BASED MACHINE LEARNING FOR MEASUREMENT“, eingereicht am 18. Mai 2022 (nachfolgend „die '954-Anmeldung“), deren Inhalt hiermit durch Bezugnahme aufgenommen wird. Diese Offenbarung beschreibt eine neue Art von Daten, die für maschinelles Lernen für Messungen verwendet werden können: ein extrahierter linearer Anpassungsimpuls.
Wenn die Signalgeschwindigkeit steigt, werden die Entzerrer in Sender und Empfänger häufig verwendet, um die Systemleistung zu verbessern. Der PCIE-Empfänger (Peripheral Component Interconnect Express) der Gen6 verfügt beispielsweise zusätzlich zu einem CTLE-Filter (Continuous Time Linear Equalization) über einen DFE (Decision Feedback Equalizer) mit 16 Abgriffen. Wenn die Empfänger über Entzerrer verfügen, werden einige der Messungen an den entzerrten Signalen durchgeführt. Beispielsweise werden bei PCIE Gen6 die Messungen der Augenhöhe und Augenbreite auf der Grundlage des Augendiagramms der entzerrten Wellenform definiert. Ein weiteres Beispiel: In den IEEE 802.3-Standards für 100G/400G wird die TDECQ-Messung (Transmitter and Dispersion Eye Closure) als entscheidendes Kriterium für das Bestehen/Nichtbestehen der optischen 26-GBaud- und 53-GBaud-PAM4-Signalisierung festgelegt. Die TDECQ-Messung beinhaltet einen 5-Abgriffs-FFE (Feed Forward Equalizer).
Bei komplexen und zeitaufwändigen Messungen können Techniken des maschinellen Lernens die Messgeschwindigkeit erheblich verbessern. Die Informationen, die in den vom maschinellen Lernen verwendeten Daten enthalten sind, beeinflussen die Ergebnisse des maschinellen Lernens. In der Anmeldung '954 werden Daten beschrieben, die kurze Musterwellenformen für maschinelles Lernen enthalten. Der Vorteil ist, dass die Daten Informationen über die Zeitfolge enthalten. Allerdings erscheinen die ausgewählten kurzen Muster nur in einem Teil des gesamten Datenmusters.
KURZE BESCHREIBUNG DER ZEICHNUNGEN

1 zeigt ein Beispiel für eine Puls-Amplituden-Modulation-4-(PAM4) -Wellenform (PAM4 = Pulse Amplitude Modulation-4).
2 zeigt ein Beispiel für ein Augendiagramm, das aus einer PAM4-Wellenform gewonnen wurde.
3 zeigt ein Beispiel für einen linear angepassten Impuls, der aus einer PAM4-Wellenform extrahiert wurde.
4 zeigt ein Beispiel für ein vertikales Histogramm in der Mitte des Augendiagramms.
5 zeigt die Histogrammpositionen in einem Augendiagramm.
6 zeigt eine Ausführungsform eines Bildes, das einen extrahierten Impuls und ein vertikales Histogramm enthält.
7 zeigt Ausführungsbeispiele von Bildern, die einen extrahierten linearen Anpassungsimpuls und ein vertikales Histogramm aus vier Wellenformen enthalten.
8 zeigt eine Ausführungsform eines maschinellen Lernmodells mit linearer Anpassung der Impulse.
9 zeigt eine grafische Darstellung einer Vorhersage durch maschinelles Lernen im Vergleich zu einer Kennzeichnung für einen Testsatz.
10 zeigt ein Test- und Messinstrument in einer Ausführungsform.

AUSFÜHRLICHE BESCHREIBUNG
Wie bereits erwähnt, können Techniken des maschinellen Lernens eine erhebliche Verbesserung der Messgeschwindigkeit bewirken. Die US-Patentanmeldung 17/747,954 (die „954“-Anmeldung) beschreibt Daten, die kurze Musterwellenformen für maschinelles Lernen enthalten. Der Vorteil besteht darin, dass die Daten die Zeitsequenzinformationen enthalten. Allerdings treten die ausgewählten kurzen Muster nur in einem Teil des gesamten Datenmusters auf. Dies kann zu Komplikationen führen.
Unter bestimmten Bedingungen kann eine lange Wellenform erforderlich sein, um die ausgewählten kurzen Muster in ausreichendem Maße darzustellen. In den vorliegenden Ausführungsformen wird ein Ansatz der extrahierten linearen Antwort verwendet. Ein auf der linearen Anpassung von Impulsen basierender Ansatz verwendet alle Abtastwerte in der Wellenform und ist daher effizienter, um die benötigten Daten für maschinelles Lernen zu erhalten, da er nicht durch die Auswahl der kurzen Muster und das Datenmuster der Wellenform eingeschränkt ist.
Für die Messungen, die Entzerrer erfordern, sollten die Eingangsdaten für das neuronale Netzwerk Zeitsequenzinformationen enthalten, um genauere Ergebnisse zu erzielen, da die Entzerrer mit den zeitlich aufeinanderfolgenden Abtastwerten arbeiten. Bei den normalen Augendiagrammdaten ist die Zeitfolgeinformation zwischen den Symbolen verloren gegangen. Die vollständige Musterwellenform könnte sehr groß sein, was das Training des neuronalen Netzes verlangsamt und die Anpassung an das maschinelle Lernmodell erschwert. Der Kurzmuster-Wellenform-Datensatz verwendet nur einen Teil der Wellenform und könnte daher weniger effizient sein.
Die Diskussion hier kann den linearen Anpassungsimpuls als Beispiel für die aus der Wellenform extrahierte lineare Antwort verwenden. Andere lineare Antworten sind u. a. Impulsantwort und Sprungantwort. Die Technik der Extraktion des linearen Anpassungsimpulses wurde für Messungen und Entzerreranpassungen verwendet. Der lineare Anpassungsimpuls enthält die Zeitsequenzinformationen, die für alle Daten gleich sind. Die Zeitsequenzinformation spiegelt die Intersymbol-Interferenz wider. Mit Hilfe der Zeitsequenzinformationen können Entzerrungsparameter wie FFE-Abgriffe, DFE-Abgriffe und CTLE bestimmt werden. 1 zeigt ein Beispiel für eine Wellenform 10, und 2 zeigt das Augendiagramm der Wellenform mit einem Augenzentrum bei 12.
3 zeigt den linear angepassten Impuls 14, der aus der gesamten Wellenform extrahiert wurde.
Je nach den Erfordernissen der Messung können auch andere Daten mit der extrahierten linearen Antwort verwendet werden, die dem maschinellen Lernsystem zur Verfügung gestellt wird. Beispielsweise kann für eine Messung des Signal-Rausch-Verhältnisses (SNR) das vertikale Histogramm in der Augenmitte verwendet werden, wie in 4 dargestellt. In 1-3 zeigt die y-Achse die Amplitude der Wellenform an. In 4 zeigt die x-Achse die Amplitude in der Einheit Volt, die y-Achse zeigt die Anzahl der Treffer. Die drei Stellen auf der x-Achse, die Null-Treffer aufweisen, d. h. mit Amplituden von etwa -0,2 V, 0 V und 0,2 V, entsprechen den Stellen der drei Augenöffnungen, z. B. der Augenöffnung 12, die im Augendiagramm von 2 dargestellt sind.
Für verschiedene maschinelle Lernmethoden können der extrahierte lineare Anpassungsimpuls und das vertikale Histogramm in den entsprechenden Formaten angeordnet werden. Die lineare Antwort und das vertikale Histogramm bestehen beispielsweise aus eindimensionalen Vektoren, die als eindimensionaler Datensatz behandelt und in neuronale Netze eingespeist werden können, die eindimensionale Daten verarbeiten, z. B. ein rekurrentes neuronales Netzwerk (RNN), das Langzeitgedächtnis (LSTM) und das eindimensionale neuronale Faltungsnetz (CNN). Der Datensatz kann auch in Tabellenform organisiert werden.
5 zeigt die Positionen möglicher vertikaler Histogramme bei 16 und 18 auf beiden Seiten der Augenmitte und möglicher horizontaler Histogramme bei 20, 22 und 24, jeweils in einer Augenmitte.
In einer anderen Ausführungsform werden die Daten in ein 2-D-Bild eingefügt und die 2-D-CNN-Modelle verwendet. Ein residuales neuronales Netzwerk (ResNet) ist ein weiteres 2-D neuronales Netz, das verwendet werden könnte. 6 zeigt den extrahierten linearen Anpassungsimpuls, der aus der in 3 gezeigten Wellenform extrahiert wurde, als Datendarstellung, die dem maschinellen Lernsystem zur Verfügung gestellt wird. Die graue Linie 30 am unteren Rand stellt den extrahierten linearen Anpassungsimpuls dar, wobei die dunklere Farbe, z. B. im Bereich 32, eine höhere Amplitude im linearen Anpassungsimpuls bedeutet. Die graue Linie 36 am oberen Rand stellt das vertikale Histogramm in 4 dar, und die dunklere Farbe, die in den Balken erscheint, bedeutet mehr Treffer oder Vorkommen. Die Dunkelheit der Pixel steht für die Amplitude der extrahierten Impulse und die Anzahl der Vorkommen, Treffer, im Histogramm. Im Gegensatz zur Anwendung der '954-Kurzrmuster-Wellenform hat das 2D-Bild nur begrenzten Platz, so dass die Kurzmuster verwendet wurden, um zu passen. Die hier vorgestellten Ausführungsformen können jede der 224 Zeilen in einem 2-D-Bild mit 224 x 224 Pixeln verwenden, um die Amplitude durch die Dunkelheit der Pixel darzustellen. Dadurch kann das Bild lange Impulsantworten und/oder mehrere Histogramme aufnehmen, die entweder aus vertikalen oder horizontalen Schnitten an mehreren verschiedenen Stellen eines Augendiagramms stammen.
Das Test- und Messinstrument, z. B. ein Oszilloskop oder ein anderes Instrument, das Wellenformdaten erfassen und verarbeiten kann, kann diese Datendarstellungen an das maschinelle Lernsystem weitergeben. Das maschinelle Lernsystem kann sich auf dem Test- und Messinstrument befinden oder in einem separaten Computergerät, das mit dem Instrument verbunden ist, untergebracht sein. Die Ausführungsformen können die Form von Code annehmen, der von einem oder mehreren Prozessoren ausgeführt wird, und die Prozessoren können sich auf einer Vorrichtungen oder mehreren Vorrichtungen befinden.
Das Training des CNN erfordert einen großen Trainingsdatensatz. In einer Ausführungsform wird der Datensatz durch eine Simulation erzeugt. Die in 7 gezeigten Bilder stellen vier verschiedene Signale mit unterschiedlichen linearen Anpassungsimpulsen und unterschiedlichen vertikalen Histogrammen als Datendarstellungen 38, 40, 42 und 44 dar.
8 zeigt eine Ausführungsform eines maschinellen Lernsystems, das Darstellungen des extrahierten linearen Anpassungsimpulses und des vertikalen Histogramms als Eingabedaten 50 verwendet, wobei das CNN-Modell eine Eingabeschicht 52 aufweist. Das CNN könnte mehrere versteckte Schichten 54 und eine Ausgabeschicht 56 haben. Viele bestehende CNN-Modelle mit tiefem Lernen können Messungen, Unterstützung bei der Sendeabstimmung und Anpassung von Entzerrern bieten. Das neuronale Netzwerk kann verschiedene Strukturen aufweisen. Wenn ein vortrainiertes Deep-Learning-Netzmodell verwendet wird, könnte das Transfer-Lernen durchgeführt werden. In einer Ausführungsform kann nur die letzte vollständig verbundene Schicht mit dem Datensatz mit dem linearen Anpassungsimpuls trainiert werden. Der eine oder die mehreren Prozessoren normalisieren in dieser Ausführungsform den in das neuronale Netzwerk eingespeisten Datensatz. Die Ergebnisse werden dann de-normalisiert. Zum Beispiel werden die Kennzeichnungswerte für das Training des neuronalen Netzes normalisiert. Nachdem das Training des neuronalen Netzes abgeschlossen ist und das trainierte Netzwerk die Vorhersage durchführt, wird das Vorhersageergebnis entnormiert, was die Umkehrung der Normalisierung ist.
Der Datensatz kann die oben genannten Datendarstellungen und bekannte Messwerte umfassen, die mit der Datendarstellung verbunden sind, um das maschinelle Lernsystem zu trainieren, damit es lernt, eine bestimmte Datendarstellung mit einem Messwert zu verknüpfen. Auf diese Weise kann das maschinelle Lernsystem elektronischen Geräten viel schneller Messwerte zur Verfügung stellen als die Durchführung der eigentlichen Messungen.
Eine Ausführungsform der Verwendung extrahierter linearer Antworten aus Wellenformen zur Durchführung von Messungen in Bezug auf die Vorrichtung, die die Wellenform erzeugt, umfasst mehrere Schritte. Erfassen der Wellenform mit einem Test- und Messinstrument wie einem Echtzeit- oder Äquivalenzzeit-Oszilloskop. Das Instrument führt dann eine Software- oder Hardware-Taktrückgewinnung durch, um die Musterwellenform zu bestimmen.
Das Instrument führt dann lineare Antwortextraktionen durch, wie z. B. die Extraktion von Impulsen mit linearer Anpassung durch die Anpassungsalgorithmen, die in „IEEE 802.3ba 40Gb/s and 100Gb/s Ethernet Standard“, http://www.ieee802.org/3/ 2010, beschrieben sind, dessen Inhalt hiermit durch Bezugnahme in diese Offenlegung aufgenommen wird. Um die Geschwindigkeit zu erhöhen, können die Anpassungsalgorithmen auf einen Teil der Wellenform angewendet werden, z. B. auf einen Teil, der etwa 10.000 Symbole umfasst. Da die Anpassungsalgorithmen jedes Symbol verwenden, liefert die Verwendung von 10.000 Symbolen genügend Daten, um den genauen linearen Anpassungsimpuls oder eine andere lineare Antwort zu erhalten. Außerdem kann der Durchschnitt über mehrere Wiederholungen der Musterwellenform dazu beitragen, das Rauschen zu reduzieren und eine präzisere lineare Antwort zu erhalten.
Das trainierte maschinelle Lernsystem mag zwar nur mit der extrahierten linearen Antwort arbeiten, es können aber auch weitere Datendarstellungen für jede Wellenform bereitgestellt werden. Dazu gehören andere Datentypen, die verwandte Informationen für die Messung liefern. Zum Beispiel wird das vertikale Histogramm in der Mitte der Benutzeroberfläche für die SNR-Messung ausgewählt. Zwei vertikale Histogramme um die Mitte der Benutzeroberfläche werden für die TDECQ-Messung ausgewählt. Für die Jitter-Messung wird das horizontale Histogramm am Rand des/der Übergangspegel(s) ausgewählt. Es können auch mehrere vertikale Histogramme, mehrere horizontale Histogramme und Kombinationen aus vertikalen und horizontalen Histogrammen verwendet werden.
Der Prozess wählt dann die Datendarstellungen aus, die für das neuronale Netzwerk für maschinelles Lernen geeignet sind. Der extrahierte lineare Anpassungsimpuls und das vertikale Histogramm werden beispielsweise in dem in gezeigten 2-D-Bild dargestellt. Der extrahierte lineare Anpassungsimpuls und das 1-D-Histogramm können auch in einem 1-D-Datensatz dargestellt werden. Über eine Benutzerschnittstelle des Test- und Messinstruments kann der Benutzer die Datendarstellungen auswählen. Neben der linear angepassten Impulsantwort können auch andere lineare Antworten wie Impulsantwort oder Sprungantwort verwendet werden. Der linear angepasste Impulsdatensatz kann für das maschinelle Lernen mit ausgewählten Kurzmuster-Wellenform-Datensätzen kombiniert werden.
Die obige Diskussion konzentriert sich auf die Verwendung eines trainierten maschinellen Lernsystems. Ein Teil des Prozesses kann das Training des maschinellen Lernsystems beinhalten, wie oben beschrieben. In einer Ausführungsform kann eine Simulation durchgeführt werden, um Wellenformen und die dazugehörigen Messungen zu sammeln, um den Trainingsdatensatz bereitzustellen.
In einem Beispiel wird gemäß einer Ausführungsform der Offenlegung ein CNN-Modell trainiert, um die SNR-Messung durchzuführen. Die Daten werden durch Simulation erzeugt. Das Transfer-Lernen wird auf der Grundlage eines vortrainierten Resnet34 durchgeführt. Das Problem wird als Regressionsproblem formuliert. Die Pakete Pytorch und FastAI werden zum Trainieren und Testen des Modells verwendet. Das Testergebnis ist in 9 dargestellt, alle Vorhersagen liegen innerhalb eines Bereichs von +/-0,25 dB von den Zielergebnissen, den Labels. Der RMSE für den Testsatz beträgt 0,108 dB. Bei einem Zielergebnisbereich von 34 dB bis 40 dB beträgt der RMSE in Bezug auf diesen Bereich etwa 0,108/6 = 1,8 %. Die durchgezogene Linie 62 steht für eine perfekte Vorhersage und die gestrichelten Linien 58 und 60 stellen die ± 0,25 dB-Grenze dar.
Das maschinelle Lernsystem kann die Form von programmierten Modellen annehmen, die auf einem oder mehreren Prozessoren laufen. Wie oben erwähnt, können die Ausführungsformen einen oder mehrere Prozessoren umfassen, die einen Code ausführen, der die Prozessoren veranlasst, die verschiedenen Aufgaben auszuführen. 10 zeigt eine Ausführungsform eines Testaufbaus im Falle eines optischen Senders 74 als DUT. Der Testaufbau umfasst ein Test- und Messsystem, das ein Test- und Messinstrument wie ein Oszilloskop 70 umfassen kann. Das Test- und Messinstrument 70 empfängt ein Signal vom DUT 74 über eine Instrumentensonde 76. Im Falle eines optischen Senders besteht die Sonde in der Regel aus einer Testfaser, die mit einem optisch-elektrischen Wandler 78 gekoppelt ist, der dem Test- und Messinstrument über einen oder mehrere Anschlüsse 73 ein Signal zuführt. Zwei Anschlüsse können für Differenzsignale verwendet werden, während ein Anschluss für Einkanalsignale verwendet wird. Die Signale werden vom Messinstrument abgetastet und digitalisiert, um Wellenformen zu erzeugen. Eine Taktrückgewinnungseinheit (CRU) 80 kann das Taktsignal aus dem Datensignal zurückgewinnen, wenn das Test- und Messinstrument 70 z. B. ein Abtastoszilloskop umfasst. Bei einem Echtzeit-Oszilloskop kann eine Software-Taktrückgewinnung verwendet werden.
Das Test- und Messinstrument verfügt über einen oder mehrere Prozessoren, die durch den Prozessor 72 dargestellt werden, einen Speicher 82 und eine Benutzeroberfläche (U/I) 86. Der Speicher kann ausführbare Befehle in Form von Code speichern, die, wenn sie vom Prozessor ausgeführt werden, den Prozessor veranlassen, Aufgaben auszuführen. Die Benutzerschnittstelle 86 des Test- und Messinstruments ermöglicht es dem Benutzer, mit dem Instrument 70 zu interagieren, z. B. um Einstellungen einzugeben, Tests zu konfigurieren usw. Das Test- und Messinstrument kann auch einen Referenz-Entzerrer und ein Analysemodul 84 enthalten.
In den vorliegenden Ausführungsformen wird maschinelles Lernen in Form eines maschinellen Lernnetzwerks 90, beispielsweise eines Deep-Learning-Netzwerks, eingesetzt. Das maschinelle Lernnetzwerk kann einen Prozessor umfassen, der mit dem maschinellen Lernnetzwerk entweder als Teil des Test- und Messinstruments programmiert wurde oder auf den das Test- und Messinstrument Zugriff hat. Da sich die Fähigkeiten von Testgeräten und Prozessoren weiterentwickeln, können der eine oder die mehreren Prozessoren, wie z. B. 72, beide enthalten.
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 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 Wechseldatenträger, einem Festkörperspeicher, einem Random Access Memory (RAM) usw. gespeichert werden. Wie dem Fachmann klar sein wird, kann die Funktionalität der ProgrammModule 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.
Auch 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.
Die zuvor beschriebenen Versionen des offengelegten Gegenstands haben viele Vorteile, die entweder beschrieben wurden oder für eine Person mit normalen Kenntnissen offensichtlich sind. Dennoch sind diese Vorteile oder Merkmale nicht in allen Versionen der offengelegten Geräte, Systeme oder Verfahren erforderlich.
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 Messinstrument, das Folgendes umfasst: einen oder mehrere Anschlüsse, die so ausgebildet sind, dass sie ein Signal von einer oder mehreren zu testenden Vorrichtungen (DUT) empfangen; und einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren zu Folgendem veranlasst: eine Wellenform von dem Signal zu erfassen; eine Musterwellenform von der Wellenform abzuleiten; eine Extraktion der linearen Antwort auf die Musterwellenform durchzuführen; eine oder mehrere Datendarstellungen, die eine Datendarstellung der extrahierten linearen Antwort enthalten, einem maschinellen Lernsystem zu präsentieren; und eine Vorhersage für eine Messung von dem maschinellen Lernsystem zu empfangen.
Beispiel 2 ist das Test- und Messinstrument aus Beispiel 1, wobei das maschinelle Lernsystem ein neuronales Netzwerk verwendet, das eindimensionale Daten verarbeitet, und der Code, der den einen oder die mehreren Prozessoren veranlasst, die eine oder die mehreren Datendarstellungen zu präsentieren, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, einen eindimensionalen Datensatz zu präsentieren, der ein vertikales Histogramm in einer Augenmitte einer Augendiagramm-Darstellung der Wellenform umfasst.
Beispiel 3 ist das Test- und Messinstrument aus einem der Beispiele 1 oder 2, wobei das maschinelle Lernsystem ein oder mehrere rekurrente neuronale Netzwerke, ein neuronales Netzwerk mit langem Kurzzeitgedächtnis (LSTM = Long Short Term Memory) und ein eindimensionales neuronales Faltungsnetzwerk verwendet.
Beispiel 4 ist das Test- und Messinstrument aus einem der Beispiele 1 bis 3, wobei das maschinelle Lernsystem ein neuronales Netzwerk verwendet, das zweidimensionale Daten verarbeitet, und der Code, der den einen oder die mehreren Prozessoren veranlasst, die eine oder die mehreren Datendarstellungen zu präsentieren, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, einen zweidimensionalen Datensatz zu präsentieren, der die extrahierte lineare Antwort und mindestens ein Histogramm umfasst.
Beispiel 5 ist das Test- und Messinstrument nach einem der Beispiele 1 bis 4, wobei die zweidimensionalen Daten Pixel mit einer Dunkelheit enthalten, die entweder einer Amplitude der extrahierten linearen Antwort oder einer Anzahl von Treffern in einem Histogramm entspricht.
Beispiel 6 ist das Test- und Messinstrument aus einem der Beispiele 1 bis 5, wobei das maschinelle Lernsystem ein oder mehrere zweidimensionale neuronale Faltungsnetzwerke und ein neuronales Restnetzwerk (ResNet = Residual Neural Network) verwendet.
Beispiel 7 ist das Test- und Messinstrument aus einem der Beispiele 1 bis 6, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, die eine oder die mehreren Datendarstellungen dem maschinellen Lernsystem zu präsentieren, den einen oder die mehreren Prozessoren veranlasst, die eine oder die mehreren Datendarstellungen zu normalisieren, bevor die eine oder die mehreren Datendarstellungen dem maschinellen Lernsystem präsentiert werden, und die Vorhersage der vom maschinellen Lernsystem empfangenen Messung zu de-normalisieren.
Beispiel 8 ist das Test- und Messinstrument aus einem der Beispiele 1 bis 7, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, das maschinelle Lernsystem für eine ausgewählte Messung zu trainieren.
Beispiel 9 ist das Test- und Messinstrument von Beispiel 8, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, das maschinelle Lernsystem zu trainieren, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, dem maschinellen Lernsystem simulierte Trainingsdaten der Datendarstellungen aus simulierten Wellenformen und einen resultierenden Messwert für die ausgewählte Messung zu liefern.
Beispiel 10 ist ein Verfahren zum Durchführen einer Messung an einer Wellenform, das Folgendes umfasst: Erfassen der Wellenform an einer Test- und Messvorrichtung; Ableiten einer Musterwellenform aus der Wellenform; Durchführen einer Extraktion der linearen Antwort an der Musterwellenform; und Präsentieren einer oder mehrerer Datendarstellungen, die eine Datendarstellung der extrahierten linearen Antwort enthalten, an ein maschinelles Lernsystem; und Empfangen einer Vorhersage der Messung von dem maschinellen Lernsystem.
Beispiel 11 ist das Verfahren von Beispiel 10, wobei die Durchführung der Extraktion der linearen Antwort die Durchführung der Extraktion eines linearen Anpassungsimpulses, einer Impulsantwort oder einer Sprungantwort umfasst.
Beispiel 12 ist das Verfahren nach einem der Beispiele 10 oder 11, wobei die eine oder mehrere Datendarstellungen eines oder mehrere von einem vertikalen Histogramm in der Mitte eines Einheitsintervalls (Abk. UI) einer Augendiagramm-Darstellung der Wellenform, zwei vertikale Histogramme um eine Mitte des Einheitsintervalls und ein horizontales Histogramm an einem Rand von sich kreuzenden Pegeln des Augendiagramms umfassen.
Beispiel 13 ist das Verfahren nach einem der Beispiele 10 bis 12, wobei die eine oder mehrere Datendarstellungen Pixel mit einer Dunkelheit enthalten, die entweder einer Amplitude der extrahierten linearen Antwort oder einer Anzahl von Treffern in einem Histogramm entspricht.
Beispiel 14 ist das Verfahren der Beispiele 10 bis 13, wobei ein Präsentieren der einen oder mehreren Datendarstellungen ein Präsentieren eines eindimensionalen Datensatzes umfasst, der aus einem vertikalen Histogramm in einer Augenmitte einer Augendiagramm-Darstellung der Wellenform besteht.
Beispiel 15 ist das Verfahren der Beispiele 10 bis 14, wobei das Präsentieren der einen oder mehreren Datendarstellungen das Präsentieren eines zweidimensionalen Bildes umfasst, und wobei das zweidimensionale Bild die extrahierte lineare Antwort und mindestens ein Histogramm umfasst.
Beispiel 16 ist das Verfahren von Beispiel 15, wobei das mindestens eine Histogramm mindestens eines umfasst, das ausgewählt ist aus einem vertikalen Histogramm in einer Augenmitte einer Augendiagramm-Darstellung der Wellenform, einem Paar von zwei Histogrammen um eine Mitte eines Einheitsintervalls des Augendiagramms und einem horizontalen Histogramm am Rand von sich kreuzenden Pegeln des Augendiagramms.
Beispiel 17 ist das Verfahren aus den Beispielen 10 bis 16, das ferner das Normalisieren der einen oder mehreren Datendarstellungen vor dem Präsentieren der einen oder mehreren Datendarstellungen an das maschinelle Lernsystem und das De-Normalisieren der Messung nach dem Empfang der Vorhersage der Messung von dem maschinellen Lernsystem umfasst.
Beispiel 18 ist das Verfahren aus den Beispielen 10 bis 16, das außerdem das Trainieren des maschinellen Lernsystems für eine ausgewählte Messung umfasst.
Beispiel 19 ist das Verfahren von Beispiel 18, das ferner die Verwendung simulierter Trainingsdaten der einen oder mehreren Datendarstellungen aus simulierten Wellenformen und einem resultierenden Messwert für die ausgewählte Messung umfasst.
Beispiel 20 ist das Verfahren aus den Beispielen 10 bis 19, wobei die Messung eines der folgenden Elemente umfasst: Signal-Rausch-Verhältnis, quaternärer Senderdispersionsaugenschluss (TDECQ = Transmitter Dispersion Eye Closure) und Jitter.
Obwohl spezifische Beispiele der Erfindung zum Zwecke der Veranschaulichung dargestellt und beschrieben wurden, können verschiedene Änderungen vorgenommen werden, ohne vom Geist und Umfang der Erfindung 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

US 63/353960 [0001]
US 17/747954 [0003]
US 17747954 [0006]

Zitierte Nicht-Patentliteratur

S. Varughese, A. Melgar, V. A. Thomas, P. Zivny, S. Hazzard und S. E. Ralph, „Accelerating Assessments of Optical Components Using Machine Learning: TDECQ as Demonstrated Example,“ in Journal of Lightwave Technology, Bd. 39, Nr. 1, S. 64-72, 2021 [0003]

Claims

Ein Test- und Messinstrument, das Folgendes umfasst: einen oder mehrere Anschlüsse, die so ausgebildet sind, dass sie ein Signal von einem oder mehreren zu testenden Vorrichtungen (DUT) empfangen; und einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie Code ausführen, der den einen oder die mehreren Prozessoren zu Folgendem veranlasst: Erfassen einer Wellenform von dem Signals; Ableiten einer Musterwellenform aus der Wellenform; Durchführen einer linearen Antwortextraktion der Antwort auf die Musterwellenform; Präsentieren einer oder mehrerer Datendarstellungen, einschließlich einer Datendarstellung der extrahierten linearen Antwort, gegenüber einem maschinellen Lernsystem; Erhalten einer Vorhersage für eine Messung von dem maschinellen Lernsystem.
Das Test- und Messinstrument nach Anspruch 1, wobei das maschinelle Lernsystem ein neuronales Netzwerk verwendet, das eindimensionale Daten verarbeitet, und der Code, der den einen oder die mehreren Prozessoren veranlasst, die eine oder die mehreren Datendarstellungen zu präsentieren, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, einen eindimensionalen Datensatz zu präsentieren, der ein vertikales Histogramm in einer Augenmitte einer Augendiagramm-Darstellung der Wellenform umfasst.
Das Test- und Messinstrument nach Anspruch 1 oder 2, wobei das maschinelle Lernsystem eines oder mehrere der folgenden neuronalen Netzwerke verwendet: ein rekurrentes neuronales Netzwerk, ein langes neuronales Netzwerk mit Kurzzeitgedächtnis und ein eindimensionales neuronales Faltungsnetzwerk.
Das Test- und Messinstrument nach einem der Ansprüche 1 bis 3, wobei das maschinelle Lernsystem ein neuronales Netzwerk verwendet, das zweidimensionale Daten verarbeitet, und der Code, der den einen oder die mehreren Prozessoren veranlasst, die eine oder die mehreren Datendarstellungen zu präsentieren, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, einen zweidimensionalen Datensatz zu präsentieren, der die extrahierte lineare Antwort und mindestens ein Histogramm umfasst.
Das Test- und Messinstrument nach Anspruch 4, wobei die zweidimensionalen Daten Pixel mit einer Dunkelheit enthalten, die entweder einer Amplitude der extrahierten linearen Antwort oder einer Anzahl von Treffern in einem Histogramm entspricht.
Das Test- und Messinstrument nach einem der Ansprüche 1 bis 5, wobei das maschinelle Lernsystem ein oder mehrere zweidimensionale neuronale Faltungsnetze und ein neuronales Restnetzwerk verwendet.
Das Test- und Messinstrument nach einem der Ansprüche 1 bis 6, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, die eine oder die mehreren Datendarstellungen dem maschinellen Lernsystem zu präsentieren, den einen oder die mehreren Prozessoren veranlasst, die eine oder die mehreren Datendarstellungen zu normalisieren, bevor die eine oder die mehreren Datendarstellungen dem maschinellen Lernsystem präsentiert werden, und die Vorhersage der vom maschinellen Lernsystem empfangenen Messung zu de-normalisieren.
Das Test- und Messinstrument nach einem der Ansprüche 1 bis 7, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, das maschinelle Lernsystem für eine ausgewählte Messung zu trainieren.
Das Test- und Messinstrument nach Anspruch 8, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, das maschinelle Lernsystem zu trainieren, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, dem maschinellen Lernsystem simulierte Trainingsdaten der Datendarstellungen aus simulierten Wellenformen und einen resultierenden Messwert für die ausgewählte Messung zu liefern.
Ein Verfahren zur Durchführung einer Messung an einer Wellenform, das Folgendes umfasst: Erfassen der Wellenform mit einer Test- und Messvorrichtung; Ableiten einer Musterwellenform aus der Wellenform; Durchführen einer linearen Antwortextraktion auf der Musterwellenform; Präsentieren einer oder mehrerer Datendarstellungen, einschließlich einer Datendarstellung der extrahierten linearen Antwort an ein maschinelles Lernsystem; und Empfangen einer Vorhersage der Messung von dem maschinellen Lernsystem.
Das Verfahren nach Anspruch 10, wobei das Durchführen der Extraktion der linearen Antwort ein Durchführen der Extraktion eines linearen Anpassungsimpulses, einer Impulsantwort oder einer Sprungantwort umfasst.
Das Verfahren nach Anspruch 10 oder 11, wobei die eine oder mehrere Datendarstellungen eines oder mehrere von einem vertikalen Histogramm in der Mitte eines Einheitsintervalls einer Augendiagramm-Darstellung der Wellenform, zwei vertikale Histogramme um eine Mitte des Einheitsintervalls und ein horizontales Histogramm an einem Rand von sich kreuzenden Pegel des Augendiagramms umfassen.
Das Verfahren nach einem der Ansprüche 10 bis 12, wobei die eine oder mehrere Datendarstellungen Pixel mit einer Dunkelheit enthalten, die entweder einer Amplitude der extrahierten linearen Antwort oder einer Anzahl von Treffern in einem Histogramm entspricht.
Das Verfahren nach einem der Ansprüche 10 bis 13, wobei die Darstellung der einen oder mehreren Datendarstellungen die Darstellung eines eindimensionalen Datensatzes mit einem vertikalen Histogramm in der Augenmitte einer Augendiagramm-Darstellung der Wellenform umfasst.
Das Verfahren nach einem der Ansprüche 10 bis 14, wobei die Darstellung der einen oder mehreren Datendarstellungen die Darstellung eines zweidimensionalen Bildes umfasst, und wobei das zweidimensionale Bild die extrahierte lineare Antwort und mindestens ein Histogramm umfasst.
Das Verfahren nach Anspruch 15, wobei das mindestens eine Histogramm mindestens eines der folgenden Histogramme umfasst: ein vertikales Histogramm in der Augenmitte einer Augendiagramm-Darstellung der Wellenform, ein Paar von zwei Histogrammen um die Mitte eines Einheitsintervalls des Augendiagramms und ein horizontales Histogramm am Rand der sich kreuzenden Pegel des Augendiagramms.
Das Verfahren nach einem der Ansprüche 10 bis 16, das ferner das Normalisieren der einen oder mehreren Datendarstellungen vor der Übermittlung der einen oder mehreren Datendarstellungen an das maschinelle Lernsystem und das De-Normalisieren der Messung nach dem Empfangen der Vorhersage der Messung von dem maschinellen Lernsystem umfasst.
Das Verfahren nach einem der Ansprüche 10 bis 17, das ferner das Trainieren des maschinellen Lernsystems für eine ausgewählte Messung umfasst.
Das Verfahren nach Anspruch 18, das ferner die Verwendung simulierter Trainingsdaten der einen oder mehreren Datendarstellungen aus simulierten Wellenformen und einem resultierenden Messwert für die ausgewählte Messung umfasst.
Das Verfahren nach einem der Ansprüche 10 bis 19, wobei die Messung eines der folgenden Elemente umfasst: Signal-Rausch-Verhältnis, quaternärer Senderdispersionsaugenschluss (TDECQ) und Jitter.