DE112021003212T5

DE112021003212T5 - System und Verfahren zur Trennung und Klassifizierung von Signalen mittels zyklischer Schleifenbilder

Info

Publication number: DE112021003212T5
Application number: DE112021003212.7T
Authority: DE
Inventors: John J. Pickerd; Saifee F. Jasdanwala
Original assignee: Tektronix Inc
Current assignee: Tektronix Inc
Priority date: 2020-06-11
Filing date: 2021-06-11
Publication date: 2023-04-27
Also published as: US12092692B2; CN115668149A; CN115667945A; JP2023530110A; DE112021003222T5; US20210389373A1; US20210390456A1; JP2023529493A; US20210389349A1; JP2023531401A; WO2021252869A1; CN115667947A; WO2021252873A1; DE112021003211T5; WO2021252862A1

Abstract

Ein System zur Klassifizierung von Signalen umfasst einen Eingang zum Empfang eingehender Wellenformdaten; einen Speicher; und einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie Code ausführen, um den einen oder die mehreren Prozessoren dazu zu veranlassen: ein Rampenabtastsignal aus den eingehenden Wellenformdaten zu erzeugen, einen Datenburst in den eingehenden Wellenformdaten unter Verwendung eines Burstdetektors zu lokalisieren, ein Signal von dem Burstdetektor zu empfangen, um den Speicher dazu zu veranlassen, zyklische Schleifenbilddaten in Form der eingehenden Wellenformdaten als y-Achsendaten und das Rampenabtastsignal als x-Achsendaten zu speichern, und ein maschinelles Lernsystem einzusetzen, um die zyklischen Schleifenbilddaten zu empfangen und den Datenburst zu klassifizieren. Ein Verfahren zum Klassifizieren von Signalen umfasst das Erzeugen eines Rampenabtastsignals aus eingehenden Wellenformdaten, das Lokalisieren eines Datenbursts in den eingehenden Wellenformdaten, das Speichern von zyklischen Schleifenbilddaten für den Datenburst in der Form der eingehenden Wellenformdaten als Y-Achsen-Daten und des Rampenabtastsignals als X-Achsen-Daten und die Verwendung eines maschinellen Lernsystems, um das zyklische Schleifenbild zu empfangen und den Datenburst zu klassifizieren.

Description

VERWANDTE ANMELDUNGEN
Diese Offenbarung beansprucht die Vorteile der U. S. Provisional Pat. App. Nr. 63/038,040 , mit dem Titel „PAM4 CYCLIC EYE IMAGE REPRESENTATION FOR WAVEFORM DATA“, eingereicht am 11. Juni 2020, U.S. Provisional Pat. App. Nr. 63/039,360 , mit dem Titel „READ/WRITE BURST SEPARATION AND MEASUREMENT USING NOVEL CYCLIC EYE PLOT AND MACHINE LEARNING,“ eingereicht am 15. Juni 2020, U.S. Provisional Pat. App. Nr. 63/041,041 , mit dem Titel „CYCLIC EYE IMAGE REPRESENTATION FOR WAVEFORM DATA“, eingereicht am 18. Juni 2020, und U.S. Provisional Pat. App. Nr. 63/177,930 mit dem Titel „CYCLIC EYE WITH MACHINE LEARNING FOR MEASURING OR TUNING AN OPTICAL TRANSMITTER“, eingereicht am 21. April 2021, die hiermit in ihrer Gesamtheit durch Bezugnahme aufgenommen werden.
Diese Offenbarung steht im Zusammenhang mit den folgenden Patentanmeldungen: U.S. Pat. App. 17/345,342 , eingereicht am 11. Juni 2021, mit dem Titel „SYSTEM AND METHOD FOR SEPARATION AND CLASSIFICATION OF SIGNALS USING CYCLIC LOOP IMAGES,“ (Atty-Dkt 12222-US1), U.S. Pat. App. 17/345,283 , eingereicht am 11. Juni 2021, mit dem Titel „A CYCLIC LOOP IMAGE REPRESENTATION FOR WAVEFORM DATA,“ (Atty-Dkt 12223-US1), und U. S. Pat. App. 17/345,312 , eingereicht am 11. Juni 2021, mit dem Titel „SYSTEM AND METHOD FOR MULTI-LEVEL SIGNAL CYCLIC LOOP IMAGE REPRESENTATIONS FOR MEASUREMENTS AND MACHINE LEARNING,“ (Atty-Dkt No. 12224-US2).
GEBIET DER TECHNIK
Diese Offenbarung bezieht sich auf die Identifizierung von Daten in Zwei-Wege-Bussen, insbesondere auf die Identifizierung und Klassifizierung der Datenrichtung.
HINTERGRUND
In manchen Situationen ist es nützlich, erfasste Datenbursts auf bidirektionalen Bussen zu identifizieren und zu klassifizieren, in welche Richtung sich das Datensignal bewegt. Hätten Test- und Messinstrumente wie Oszilloskope eine unbegrenzte Anzahl von Kanälen, könnten sie die erforderlichen Befehlsbusleitungen erfassen, um Lese- und Schreibbursts auf solchen bidirektionalen Bussen zu trennen. Dies wird jedoch zu einer Herausforderung, wenn nur ein oder zwei Sonden zur Verfügung stehen.
Ein Beispiel für ein solches Signal ist DDR5-Speicher, der Standard für Double-Data-Rate-Memory-Speicher der Version 5. Dies ist die nächste große Veränderung bei Computerspeichern, die die Geschwindigkeit und Dichte erhöht, aber ein ähnlich dimensioniertes DIMM (Dual In-Line Memory Module) beibehält. Die Eigenschaften der Systemkanäle unterscheiden sich erheblich zwischen Lese- und Schreibvorgängen, wie sie am Prüfpunkt zu sehen sind. Die Lesesignale müssen getrennt von den Schreibsignalen verarbeitet und gemessen werden, daher müssen sie getrennt werden.
Benutzer verwenden häufig Augendiagramme, die so genannt werden, weil die Öffnung zwischen zwei Wellenformen wie ein Auge aussieht, um Signale zu analysieren. Die zunehmenden Geschwindigkeiten des Speichers auf demselben Leiterplatten (PCB)-Material führen jedoch dazu, dass Wellenformdiagramme „geschlossene“ Augen für Schreibdatenbursts haben, die im Speicher ankommen. Der DDR5-DRAM unterstützt Datenraten von 3200 MT/s bis 6400 MT/s. Diese Erhöhung der Datenrate wird ohne Änderung des Signalisierungsschemas der Datenpins erreicht, d. h. der DQ-Bus ist nach wie vor unsymmetrisch - genau wie bei DDR3/4. Aufgrund der vielen Impedanzfehlanpassungen im DDR5-Kanal ist jedoch eine Zunahme der Intersymbol-Interferenz (ISI) aufgrund von Reflexionen zu erwarten. Bei Datenübertragungsraten von 4800 MT/s und mehr wird erwartet, dass das Datenauge am DRAM-Prüfpunkt, z. B. einer Lötkugel, geschlossen ist. Ein 4-Tap-DFE ist im DDR5-DRAM-Empfänger implementiert, um die DQ-Signale auszugleichen und dieses Problem zu entschärfen.
Während die DIMM-Platine, auf der der Speicher befestigt ist, und die Größe der Platine gleich geblieben sind, verdoppelt sich die Größe der Speicher. Außerdem verfügen Oszilloskope in der Regel nur über vier Kanäle, was die Anzahl der parallelen Daten-, Takt- und Befehlsadressleitungen, die für Analysen und Tests zur Verfügung stehen, einschränkt.
In der Regel sind das „DQS“-Takt-Strobe-Signal und das „DQ“-Datensignal für die Analyse am interessantesten. Es sind zwei Sonden erforderlich. Vor jedem Datenburst erfolgt eine Präambel auf dem DQS-Signal, die zur Lokalisierung des Beginns von Lese- oder Schreibdatenbursts verwendet werden kann. In der Vergangenheit gab es bei früheren DDR-DRAM-Protokollen wie DDR3/DDR4 eine Phasendifferenz zwischen Lese- und Schreibbursts, d. h. DQS (Bidirectional read/write data strobe = Bidirektionaler Lese/Schreib-Daten-Strobe) und DQ (Bidirectional read/write data = Bidirektionaler Lese/Schreib-Daten) waren bei den Schreibbursts mittig und bei den Lesebursts flankenorientiert. Außerdem verfügte der Befehlsbus über separate WE- (Write Enable), RAS- (Row Access Select) und CAS- (Column Address Select) Signale, die zur Identifizierung von Lese- oder Schreibbursts verwendet wurden. Bei DDR5 werden die WE/CAS/RAS-Signale jedoch durch einen kompakten 14-poligen Befehlsadressen-Bus (CA) ersetzt, und es ist eine Dekodierung erforderlich, um Lese-/Schreibbefehle herauszufinden. Dies bedeutet in der Regel, dass man Zugriff auf alle 14 CA-Pins haben muss, was nicht praktikabel ist. Außerdem gibt es keine ausgeprägte Phasendifferenz mehr zwischen DQS- und DQ-Signalen wie bei DDR4/DDR3. In DDR5 können DQS und DQ auf dem Schreibpfad einen festen Versatz von bis zu 3 UI (Einheitsintervallen) haben, der während des Bootvorgangs programmiert wird.
Daher wird ein Verfahren benötigt, das nur Datenleitungen verwendet, um zu erkennen, ob Burstsignale gelesen oder geschrieben werden. Die hier vorgestellten Geräte und Verfahren beheben die Unzulänglichkeiten des Standes der Technik.
Figurenliste

1 zeigt eine Darstellung eines zyklischen Schleifenbildes.
2 zeigt ein Beispiel für ein DDRS-Speicherdatenburstsignal.
3 zeigt ein Beispiel für ein DDRS-Speicherdatenburstsignal mit Reflexionen durch eine nicht angepasste Last.
4 zeigt ein Beispiel für ein DDRS-Speicherdatenburstsignal mit Reflexionen von einer fehlangepassten Last und mit Spur-ISI-Verlusten (ISI = Intersymbol Interference).
5 zeigt eine Spur (Leiterbahn) zwischen einer Prüfspitze und einer nicht angepassten Last bei einem Schreibvorgang.
6 zeigt eine Spur zwischen einer Prüfspitze und einer nicht angepassten Last bei einem Lesevorgang.
7 zeigt ein Diagramm der durch eine Exponentialgleichung modellierten Spurverluste im Vergleich zu zwei tatsächlich gemessenen Leiterbahnen (Spuren).
8 zeigt eine Ausführungsform eines Systems zur Erstellung und Analyse zyklischer Schleifenbilder.
9 zeigt ein Beispiel eines Oszilloskopbildschirms mit den Wellenformen, die zur Erstellung eines zyklischen Schleifendiagramms verwendet werden.
10 zeigt Beispiele für zyklische Schleifenbilder.
11 zeigt ein Beispiel für ein DQ-Zufallsdatensignal ohne Reflexionen und ohne ISI und das daraus resultierende zyklische Schleifenbild.
12 zeigt ein Beispiel für eine Messung mit einer Standard-YT-Spur-Anzeige.
13 zeigt ein Beispiel für die Messung der Reflexionsverzögerung.
14 zeigt Beispiele für Messkoeffizienten.
15 zeigt ein Beispiel für die Messung von Reflexionskoeffizienten unter Verwendung des zyklischen Schleifendiagramms.

AUSFÜHRLICHE BESCHREIBUNG
Ausführungsformen der Offenlegung befassen sich mit dem Problem der Identifizierung erfasster Datenbursts auf bidirektionalen Bussen und der Klassifizierung, in welche Richtung sich die Daten bewegen. Im Falle von DDR5-Speicher haben Oszilloskope im Allgemeinen keine Kanäle und/oder die zu testende Vorrichtung (DUT) hat nicht genügend Platz, um genügend Sonden anzuschließen, um die erforderlichen Befehlsbusleitungen zu erfassen und zwischen Lese- und Schreibdatenbursts zu unterscheiden. Die Kanaleigenschaften des Systems unterscheiden sich jedoch erheblich zwischen Lese- und Schreibvorgängen, wie sie am Prüfpunkt zu sehen sind. Lesesignale müssen getrennt von Schreibsignalen verarbeitet und gemessen werden. Die vorliegenden Ausführungsformen gehen auf die Notwendigkeit ein, diese Trennung mit nur einer oder zwei Sonden durchzuführen. Ein Aspekt der Ausführungsformen liegt in der Verwendung eines einzigartigen zyklischen Schleifenbildes, das sparsamer ist als ein herkömmliches Augendiagramm. Die zyklischen Schleifenbilder konzentrieren sich mehr auf die Flanken der Signale, die den größten Teil der Informationen enthalten, die die Systemantwort charakterisieren.
Die Ausführungsformen nutzen eine Vorrichtung und ein Verfahren zur Erstellung eines zyklischen Schleifenbildes als XY-Diagramm des eingehenden Signals. Die zyklischen Schleifenbilder der Ausführungsformen erleichtern zahlreiche Messungen und liefern ein vereinfachtes Bild, das sich beispielsweise als Eingabe für vorhandene vortrainierte neuronale Netze oder andere maschinelle Lernsysteme zur Klassifizierung von Lesen und Schreiben in bestimmten Datenbursts eignet. Die Ausführungsformen können auch für andere binär kodierte Signale wie Non-Return-to-Zero (NRZ) oder mehrstufige Signale wie pulsamplitudenmodulierte Signale (z. B. PAM4) verwendet werden. Die Ausführungsformen befassen sich auch mit der Verwendung des zyklischen Schleifenbildes in Verbindung mit maschinellem Lernen, um eine Lese- und Schreibtrennung für Speichersysteme durchzuführen. 1 zeigt ein Beispiel für ein zyklisches Schleifendiagramm 10.
Die Ausführungsformen verwenden einen einfachen, aber robusten Algorithmus zur Erstellung einer XY-Darstellung des Eingangssignals. Die vertikale Y-Achse besteht aus dem Signal selbst. Bei DDRS-Anwendungen ist dieses Signal in der Regel entweder das DQ-Datenburstsignal oder das DQS-Daten-Strobe-Taktsignal. Die horizontale X-Achse besteht aus einem Abtastsignal (Sweep/Wobbel-Signal), das durch die Verarbeitung des DQ- oder des DQS-Signals erzeugt wird. Diese Verarbeitung erzeugt nur bei Flankenübergängen im Datenmuster ein eindeutiges lineares oder einigermaßen lineares Rampenabtastsignal. In Intervallen, in denen sich der Signalpegel nicht ändert, z. B. in langen Intervallen mit hohen oder langen Intervallen mit niedrigen Werten, treten keine Rampen auf. Dies ist ein einzigartiger Ansatz, der sich von einer klassischen Lissajous-Figur unterscheidet. Ausführungsformen positionieren diese Rampen automatisch so, dass der XY-Signalpfad eine geschlossene Schleifenlinie ist, die alle ansteigenden Flanken oberhalb der oberen Seite der Schleife und alle abfallenden Flanken auf der unteren Seite der Schleife enthält.
Da die Flanken im System die meisten Informationen enthalten, die die Systemübertragungsfunktion definieren, führt dieses einfache Bild zu einer zyklischen Anzeige, die alle Zyklen der Wellenform (Wfm) in einem Bild erfasst und dennoch viele der zusätzlichen unnötigen Datenpunkte eliminiert, die ein typisches Augendiagramm enthalten würde. Das resultierende Diagramm kann, je nach den Eigenschaften der Wellenform, Ähnlichkeiten mit magnetischen Hysterese-BH-Diagrammen aufweisen. Es gibt jedoch signifikante Unterschiede in Bezug auf die Erstellung der horizontalen Rampen und die Art und Weise, wie sie erzeugt werden und wie sie auf PRBS-Datenmuster (pseudozufällige binäre Sequenz) angewendet werden.
Ein großer Vorteil liegt in der Einfachheit der Implementierung und ihrer Robustheit. Der Gesamtansatz umfasst mehrere Verfahren zur Erzeugung des rampenartigen Signals der X-Achse. Eine spezielle Ausführungsform, die weiter unten im Zusammenhang mit 8 erörtert wird, entspricht in Bezug auf Komplexität und Verarbeitungsgeschwindigkeit einem einfachen Verfahren. Dieser Ansatz kann zu einer gewissen Verzerrung der Kantenform führen. Für die Zwecke der Erkennung durch ein maschinelles Lernsystem erhöht dieses Verfahren die Rechengeschwindigkeit, während sie es dem maschinellen Lernalgorithmus gleichzeitig ermöglicht, das Signal zu klassifizieren. So kann das maschinelle Lernsystem beispielsweise Lese- und Schreibvorgänge in einem Speichersystem klassifizieren, indem es nur das DQS- oder das DQ-Signal betrachtet.
Es sei darauf hingewiesen, dass die nachstehende Erörterung zwar die Klassifizierung von Speichersignalen betrifft, die Ausführungsformen jedoch nicht auf diese Anwendung beschränkt sind. Daraus sollte keine solche Einschränkung abgeleitet werden. Die Ausführungsformen können auch für andere bidirektionale Systeme verwendet werden, bei denen die Systemeigenschaften je nach der Richtung der Signalausbreitung unterschiedlich sein können. Darüber hinaus können die Signale aus Lese- oder Schreibdatenburstsignalen oder beliebigen binär kodierten Signalen mit zwei Pegeln, wie Non-Return-to-Zero (NRZ)-Signalen, oder pulsamplitudenmodulierten Signalen mit mehr als zwei Pegeln, wie PAM4, bestehen.
Das zyklische Schleifenbild ist ein vereinfachtes Diagramm, das insbesondere Signalattribute wie die Systemantwort, die Nichtlinearität bei steigenden im Vergleich zu fallenden Flanken, SNR, Amplitude, Reflexionsverzögerung, Reflexionskoeffizient usw. zeigt. Das erstellte XY-Bild reduziert die überflüssigen Teile einer Wellenformanzeige und zeigt nur die wichtigen Attribute, die für die Klassifizierung des Unterschieds zwischen der Systemantwort im Schreibbetrieb und der Antwort im Lesebetrieb erforderlich sind. Die reduzierte Bildgröße und der vereinfachte geschlossene Kreislauf, der das System darstellt, dienen als ideale Eingaben für ein bereits vorhandenes, vortrainiertes neuronales Bildverarbeitungsnetz oder ein anderes maschinelles Lernnetzwerk oder -system. Darüber hinaus können mit dem zyklischen Schleifenbild mehrere Messungen wie oben beschrieben durchgeführt werden.
Sobald die DQS- und DQ-Bursts klassifiziert und in separate Wellenformen aufgeteilt wurden, werden diese Wellenformen als Funktion der Zeit amplitudenabhängig dargestellt und können mit Operationen wie der Erstellung von Filtern für virtuelle Prüfpunkte weiterverarbeitet werden, um die Ansicht des tatsächlichen Prüfpunkts zu verschieben. Auf diese Weise werden die Stufen aus Reflexionen von Speicherlasten, die nicht an die Übertragungsleitung angepasst sind, entfernt. Die Reflexion wird nicht wirklich beseitigt, aber die Verzögerung der Reflexionen wird entfernt, was dazu führt, dass es keine Stufen in den steigenden und fallenden Flanken gibt, aber die Amplitude wird normalerweise durch die Reflexion erhöht. Im Falle von DDR5 und anderen möglichen Anwendungen wird ein DFE-Equalizer auf die einzelnen Schreibbursts angewendet. Schließlich können die verarbeiteten Wellenformen von einer DDR-Konformitätsanwendung oder von einer Jitter-Analyse-Anwendungssoftware zur weiteren Analyse verarbeitet werden.
Daher ist ein Verfahren erforderlich, die nur DQS- und/oder DQ-Datenleitungen verwendet, um festzustellen, ob Burst-Signale gelesen oder geschrieben werden. Die Ausführungsformen nutzen auch ein einzigartiges Verfahren zur Erstellung eines zyklischen Schleifenbildes anstelle des traditionellen Augendiagramms, um zahlreiche Messungen zu erleichtern. Die zyklische Schleife liefert ein vereinfachtes Bild, das sich für die Eingabe in bestehende, vorab trainierte neuronale Netze zur Klassifizierung von Lese- und Schreibsignalbursts eignet.
Die zeigen Beispiele für DQS-Burstsignale. 2 zeigt ein Beispiel für ein ideales DQS-Burstsignal 12 in DDRS-Speichersystemen. 3 zeigt ein Beispiel für ein DDRS-Speicher-DQS-Burstsignal 14, das Reflexionen von einer fehlangepassten Last enthält. 4 zeigt ein Beispiel für ein DDRS-DQS-Signal 16 mit Reflexionen von einer fehlangepassten Last und mit ISI-Verlusten (Inter Symbol Interference).
Die Systemübertragungsfunktion ermöglicht die Unterscheidung zwischen Lese- und Schreibdatenbursts, da sie sich in der Regel zwischen beiden unterscheidet. Die Systemhardware hat unterschiedliche Eigenschaften für Lese- und Schreibvorgänge. Die Lasten an den Enden der Übertragungsleitung können unterschiedlich sein. Die Spannungsamplitude am Sender kann sich von der am SOC-Sender (System on a Chip) unterscheiden. Die Verzögerungszeiten der Reflexionen können unterschiedlich sein.
Darüber hinaus ist die Sonde in vielen Fällen physisch mit einer Interposer-Platine verbunden, die sehr nahe am Speicherchip und weit entfernt vom SOC montiert ist. 5 zeigt eine Spur 20 auf einer zu testenden Vorrichtung zwischen der Sonde 22 des Test- und Messinstruments 26 und der nicht angepassten Speicherlast 24. Die Spur 20 ist kurz, und das am Punkt der Sonde 22 beobachtete Signal weist eine starke Reflexion auf. Dies führt zu einem hohen Reflexionskoeffizienten und einer geringen Verzögerung. Dies führt zu einer Impulsamplitude am Prüfpunkt, die größer ist als die einfallende Impulsamplitude vom SOC 28. Die lange Leiterbahn 30 vom SOC zum Punkt der Sonde 22 weist jedoch Verluste auf, die zu einem Verlust der Signalamplitude vom SOC führen. Daher neigt der ISI-Verlust der Leiterbahn dazu, die Impulsamplitude am Prüfpunkt zu verringern, und der Speicherreflexionskoeffizient neigt dazu, die Amplitude an diesem Punkt zu erhöhen. Dies geschieht, weil die Impedanz der Speicherlast größer ist als die Impedanz der Übertragungsleitung. Dies ist die Situation bei einem typischen DDRS-System, das mit einem Interposer 32 für einen Schreibvorgang geprüft wird.
6 zeigt einen Lesevorgang. In diesem Fall ist der Speicher 24 zum Sender geworden. Die Sonde 22, die in der Regel über den Interposer 32 angeschlossen ist, ist vom Speicher 24 nur durch eine kurze, verlustarme Leiterbahn 34 getrennt. Dadurch hat der an der Sonde 22 eintreffende Impuls eine ähnliche Amplitude wie das vom Speicher übertragene Signal. Das Signal wandert dann die lange Spur 36 hinunter zum SOC 28 mit einer großen Impedanzfehlanpassung, die einen Teil des Signals zurück zur Sonde 22 reflektiert. Die lange Spur (Leiterbahn) 36 hat einen hohen Verlust, der die Amplitude des reflektierten Signals verringert. Dieses reflektierte Signal kehrt zur Sonde 22 zurück und erhöht normalerweise die an der Sonde wahrgenommene Amplitude, da die Lastimpedanz des SOC 28 größer ist als die charakteristische Impedanz der Übertragungsleitung. In diesem Fall ist die Verzögerungszeit viel länger und die SOC-Last kann sich von der Speicherlast unterscheiden, wenn sie der Empfänger war.
Die Verzögerungszeit der Reflexion und der Wert des Reflexionskoeffizienten können durch eine Reihe von Cursor-Messungen an der von der Sonde 22 und dem Test- und Messinstrument 26, z. B. einem Oszilloskop, erfassten Wellenform berechnet werden. Wenn die SOC-Last bekannt ist, kann die Leiterbahnimpedanz anhand des Reflexionskoeffizienten und des SOC-Lastwerts berechnet werden. Oder wenn die Leiterbahnimpedanz, d. h. der Wellenwiderstand, bekannt ist, kann die SOC-Impedanz berechnet werden, z. B. unter Verwendung der Standardgleichung der Übertragungsleitungstheorie: $Z = \frac{1 + Γ}{1 - Γ} Z 0$
wobei Z die SOC-Speicherlast und Z0 die Impedanz der langen Spurübertragungsleitung ist. Γ ist der Reflexionskoeffizient.
Für das DDR5-Modellbeispiel sind die primären Systemeigenschaften, die die Impulsform beeinflussen, folgende: 1) der Verlust durch die lange Leiterbahn, der durch einen einzigen Parameter, α, dargestellt werden kann, 2) die Verzögerung der Reflexionen,τ , 3) der Reflexionskoeffizient, Γ , und 4) die Ausgangsspannungsverstärkungskonstante des Senders, K. Basierend auf der Betrachtung mehrerer Beispiele in der Industrie scheint es, dass dieses Modell recht gut funktioniert, um eine Systemgleichung zu definieren, die die Arten von Wellenformen simulieren kann, die in diesen Systemen beobachtet werden. Diese Parameter können in eine Frequenzbereichsgleichung ausgebildet werden, die unten in Gleichung (6) dargestellt ist. Dieses Modell approximiert die Reaktion des in 5 und 6 dargestellten Systems.
Der erste Schritt besteht darin, eine modellierte Übertragungsfunktion, H, zu erstellen, um die lange Leiterbahn zwischen SOC und Prüfpunkt zu modellieren, wie in (2) gezeigt. $H (n) = e^{- α \cdot \frac{n}{N}}$
$n = 0 ... N - 1$
wobei N die Länge des Frequenzbereichsvektors in Abtastwerten von DC bis fs, der Abtastrate, ist. Der Wert von n ist der Index für die verschiedenen Abtastwerte im Frequenzbereich.
Der Wert von α ist eine Konstante, die die Verlustcharakteristik verschiedener Leiterbahnlängen bestimmt. Der Exponentialterm definiert nur den Betragsgang. Um einen geeigneten Phasengang zuzuordnen, kann der minimale Phasengang aus (4) ermittelt werden. $h = r c e p s (i f f t (H))$
wobei reeps eine Matlab-Funktion ist, die die minimale Phasenimpulsantwort von Y liefert. $H = f f t (h)$
wobei H nun der modellierte minimale Phasenfrequenzgang der PCB-Leiterbahn vom SOC zum Prüfpunkt ist. $Y (n) = H (n) \cdot (X (n) + X (n) \cdot Γ \cdot e^{- j \cdot 2 \cdot π \cdot f \cdot s \cdot τ \cdot \frac{n}{N}})$
wobei ƒs die Abtastrate in Hz, n der Frequenzindex und N die Anzahl der Abtastungen von DC bis ƒs ist. Γ ist der Reflexionskoeffizient und τ ist die Reflexionsverzögerung. Der Teil der Gleichung (2) mit dem Exponenten -α n/N erzeugt den Amplitudenabfall, der typischen Leiterbahnen auf Leiterplatten sehr nahe kommt, wie in 7. Daher ist α die Variable, die bestimmt, welche Verlustkurve erstellt wird, wie in den Diagrammen in 7, X(n) stellt das Signal am Eingang des Modells dar.
Die vorangegangene Diskussion hat die Systemmodellierung und die Messprobleme beschrieben, die für die Trennung von Lese- und Schreibvorgängen im DDRS-Speicher erforderlich sind. Dies bildet die Grundlage für das Verständnis, warum Ausführungsformen der Offenlegung erforderlich sind.
Ein erstes Verfahren, das bei der Einrichtung von Anwendungen für maschinelles Lernen häufig angewandt wird, ist die Datenreduzierung. Je mehr Parameter und Daten in den Algorithmus für maschinelles Lernen eingegeben werden, desto schwieriger ist es, eine eindeutige, korrekte Lösung zu finden. Darüber hinaus erfordern mehr Eingabedaten mehr Trainingszeit und mehr Laufzeitverarbeitung. Daher besteht ein erster Schritt darin, alle Eingabeparameter und -daten zu betrachten und festzustellen, welche Parameter und welche Daten nur einen geringen Einfluss auf das Ergebnis haben. Diese Elemente sind als Eingaben für das System zu eliminieren.
In der obigen Diskussion wurde eine Reihe von vier der grundlegendsten Elemente vorgestellt, die zum Verständnis der in DDR-Wellenformen häufig anzutreffenden Form erforderlich sind. Bei diesen vier Parametern handelt es sich um α, , der die ISI der langen Leiterbahn im Modell darstellt, und τ, der die Reflexionsverzögerungszeit darstellt, und Γ, , der den Reflexionskoeffizienten darstellt, sowie K, der eine Amplitudenunterschiedskonstante zwischen der SOC-Übertragung für Schreibvorgänge und der Speicherübertragungsamplitude vom Speicher für einen Lesevorgang darstellt. Diese drei Parameter, mit Ausnahme von K, können die ISI, die Inter-Symbol-Interferenz, beeinflussen. Der Wert von α steht für ISI aufgrund von Leiterbahnverlusten, und der Reflexionskoeffizient und die Verzögerung stehen für ISI aufgrund von Reflexionen, die durch die Impedanzfehlanpassung der Last verursacht werden.
8 zeigt eine Ausführungsform eines Systems zur Klassifizierung von Datenburstsignalen. Die Impulsantwort des Systems kann auf verschiedene Weise betrachtet und abgeleitet werden. Eine Möglichkeit ist zum Beispiel die Darstellung der Amplitude als Funktion der Zeit. Es gibt jedoch Nachteile, wenn man diese Ansicht einem maschinellen Lernsystem im Sinne von unterschiedlichen Bitraten und unterschiedlichen Datenmustern zur Verfügung stellt und wie man sie einbezieht. Ebenso kann das Signal im Frequenzbereich und im Cepstrumbereich betrachtet werden. Wenn man jedoch versucht, diese Ansichten für die Eingabe in ein maschinelles Lernsystem zu verwenden, besteht das Problem, dass das Signalmuster die Sicht auf die Systemantwort beeinträchtigt. Eine Entfaltung ist erforderlich. Es gibt viele Probleme und Details, die die Implementierung dieser Ansichten erschweren und betreffen.
So können zum Beispiel komplexe Taktrückgewinnungstechniken erforderlich sein, und im Rahmen eines Entfaltungsprozesses kann eine komplexe Gate-Steuerung und Interpolation erforderlich sein. Es gibt weitere Probleme, wie die kurze Reflexionsverzögerung des Interposers, die zu Auflösungsproblemen bei Cepstrum- und Spektrumsansichten führt. Eine große ISI erschwert die Extraktion wichtiger Merkmale.
Die vorliegende Ausführungsform löst die Probleme, die mit diesen anderen Verfahren verbunden sind, und erzeugt ein zyklisches Schleifenbild, das alle Flankenübergänge in einer einzigen geschlossenen XY-Darstellung mit Schleife erfasst, die einfach denselben Pfad über die gesamte Länge des Eingangsdatensatzes durchläuft. Bei den Eingangsdaten kann es sich um ein Taktsignal während eines Burst-Intervalls handeln, wie beispielsweise in einem DDRS-Speichersystem. Das Eingangssignal kann ein zufälliges Datenmuster sein, wie z. B. in einem DQ-Burst-Intervall in einem DDRS-Speichersystem. Das Eingangssignal oder die Eingangssignale können interpoliert oder dezimiert werden, um die Anzahl der Abtastwerte für das resultierende Bild zu erhöhen oder zu verringern oder um die Datenmenge zu reduzieren, die im System für künstliche Intelligenz/Maschinenlernen verwendet wird (hier nicht dargestellt). Die Verringerung der Datenmenge, die oft als Dimensionalitätsreduktion bezeichnet wird, ermöglicht es dem maschinellen Lernsystem, effizienter und genauer zu arbeiten. Das System kann auch einen Mittelwert des eingehenden Signals vom eingehenden Signal subtrahieren, um einen Gleichstrom-Offset aus dem eingehenden Signal zu entfernen.
Wie bereits erwähnt, kann das Eingangssignal eine beliebige Wellenform (Wfm) sein, die hohe und niedrige Pegel mit Flankenübergängen aufweist, deren Positionen durch einen Systemtakt bestimmt werden. Das Signal der X-Achse ist ein lineares Abtastrampensignal oder ein rampenähnliches Signal, das vom Eingangssignal abgeleitet ist. Man kann sich dies wie eine horizontale Standard-Oszilloskop-Wobbelrampe vorstellen. Diese Rampe ist direkt mit dem Eingangssignal synchronisiert, da sie sich bei der Erzeugung auf das Eingangssignal stützt.
Die oben erwähnten verwandten Patentanmeldungen beschreiben verschiedene Ansätze zur Erzeugung von zyklischen Schleifenbildern und den dazugehörigen Daten. Als Beispiel für eine bestimmte Ausführungsform der Erzeugung von zyklischen Schleifenbildern werden die horizontalen Sweep-Rampen erzeugt, indem das Eingangssignal zunächst durch eine Schaltung geleitet wird, die eine Rechteckimpulsdarstellung des Eingangssignals erzeugt, die hier als Clipper-Schaltung 42, 43 bezeichnet wird. In einer Ausführungsform multipliziert diese Schaltung das Signal mit einem großen Wert, z. B. 500, und wenn das Signal größer als Null ist, wird es einer idealen Hochwertkonstante zugewiesen, die dem nominalen Hochpegel der Eingangsspannung entspricht. Wenn das Signal kleiner oder gleich Null ist, wird es der Konstante mit niedrigem Pegel zugeordnet. In der Ausführungsform von 8 durchläuft das Eingangssignal DQ eine Begrenzerschaltung 43 und das DQS-Signal eine Begrenzerschaltung 42.
Nach der Begrenzerschaltung durchläuft das Signal einen Kurzzeitintegrator 40 und 45. In dieser Ausführungsform haben die Integratoren die Form von Boxcar-Filtern. Die Breite des Boxcar-Filters entspricht der Breite eines UI des Eingangssignals. Da es eine ganzzahlige Anzahl von Koeffizienten gibt, kann die Anzahl der Koeffizienten bei der gegebenen Abtastrate gleich dem UI-Intervall oder einem Bruchteil eines Abtastintervalls kleiner als die UI-Breite sein. Dies erzeugt ein positives rampenartiges Signal während des Zeitraums positiver Flanken des Eingangssignals und ein negatives rampenartiges Signal für Zeiträume während einer fallenden Flanke des Eingangssignals. Für lange Intervalle von mehreren UI, in denen es keine Flanken gibt, gibt es keine Rampe, ein einzigartiges Merkmal dieses Ansatzes. Dies führt dazu, dass nur positive und negative Flankenpositionen in der geschlossenen Schleife des zyklischen Schleifenbildes erscheinen.
Alle Daten für mehrere UI-Intervalle ohne Kanten (Flanken) sind im Bild enthalten, aber nur an zwei Positionen auf dem Bildschirm, so dass nur die Kanten, die die Merkmale des Systemmodells zeigen, in einem sehr einfachen Schleifenpfad im Bild vollständig sichtbar sind. Wenn die ISI hoch ist, gibt es eine größere Variation von Pfaden, die um die Schleife herum verfolgt werden. Dies führt dazu, dass sich der Mittelpunkt der zyklischen Schleife stärker schließt. Bei einem Taktsignal, das sich für jedes UI (Einheitsintervall) ändert, läuft der gesamte Wellenformdatensatz wiederholt um denselben geschlossenen Schleifenpfad auf der XY-Darstellung der zyklischen Schleife. Dies ist ebenfalls ein neuartiger Aspekt, da alle Kanten entlang des Schleifenpfades verfolgt werden. Dies führt dazu, dass das Bild der zyklischen Schleife nicht viele Überlagerungen von positiven und negativen Flanken aufweist, die einen Großteil der Signaldetails verdecken, wie dies bei herkömmlichen Augendiagrammen der Fall ist.
Der Burstdetektor 44 erkennt Bursts von Lese- und Schreibdaten. Jeder Datenburst muss erkannt werden, damit er verarbeitet und als Lese- oder Schreibvorgang klassifiziert werden kann. Bei DDR5 kann die Burst-Erkennung durch Betrachtung des DQS-Taktsignals erreicht werden. Es bleibt auf Null, bis ein Burst beginnt. Es gibt eine Präambel von mehreren UI-Intervallen, die für mehr als eine UI in Folge einen Low-Wert haben werden. Diese Präambel tritt auf dem DQS-Signal auf. Dies ist die Grundlage für die Erkennung des Beginns eines Bursts. Danach wechselt das DQS-Signal im Burst bei jedem UI zwischen High und Low. Das DQ-Signal enthält in jedem UI-Intervall zufällige Höchst- und Tiefstwerte.
Die Burst-Gates 46 und 48 steuern die Daten, die zur Erzeugung des zyklischen Schleifenbildes auf der Grundlage des Signals des Burstdetektors verwendet werden. In der Ausführungsform von 8 umfassen die Burst-Gates einen Multiplikator zwischen dem Eingangssignal und einer 1 oder 0 vom Burstdetektor. Die Hauptsystemsteuerung 76 steuert das gesamte System so, dass jeweils nur ein Burst verarbeitet und klassifiziert wird.
Das System kann ein oder zwei Diagramme erstellen, z. B. 50 und 52, wobei ein Diagramm 52 das erfasste DQS-Signal auf der vertikalen Achse und die auf das DQS-Signal angewandte Abtastrampe des Clippers und des Boxcar-Filters auf der horizontalen X-Achse zeigt. Das zweite Diagramm 50 würde das DQ-Signal auf der Y-Achse und die vom zyklischen Schleifenalgorithmus erzeugte Wobbelrampe auf dem DQ-Signal zeigen. Diese beiden Diagramme können als zwei relativ niedrig aufgelöste zyklische Schleifenbilder dargestellt werden, die als Eingabe für das neuronale Deep-Learning-Netz verwendet werden können, um die Klassifizierung zu trainieren. Diese beiden Darstellungen können auch auf dem Bildschirm angezeigt werden, damit der Benutzer sie analysieren und zur Messung verschiedener Merkmale der Eingangswellenformen, DQ und DQS verwenden kann. In einigen Ausführungsformen kann das System die zyklischen Schleifenbilddaten in einem Speicher (nicht dargestellt) speichern und die zyklischen Schleifenbilder nicht notwendigerweise auf einem Display darstellen.
Das System kann mit Hilfe der Messeinheit 54 mehrere Messungen vornehmen, wobei die Messungen aus der Beobachtung der zyklischen Schleifenbilder oder der zur Erstellung der zyklischen Schleifenbilder verwendeten Daten stammen. Diese Messungen können optional als Parametereingabe für einen Teil des maschinellen Lernens verwendet werden. Anhand der Werte einiger der Messungen kann festgestellt werden, ob das Systemmodell aus einem Lese- oder einem Schreibvorgang besteht. Die Messeinheit 54 kann eine oder mehrere Hardwareschaltungen, Software-Messroutinen oder eine beliebige Kombination von Hardware- und Softwareimplementierungen umfassen.
Beispiele für Messungen sind Reflexionsverzögerung, Reflexionskoeffizient, ISI, Signal-Rausch-Verhältnis (SNR) und Nichtlinearität. Das System kann den Winkel zwischen zwei radialen Linien von der Mitte der Schleife zu den richtigen Punkten der geschlossenen Schleife für die Reflexionsverzögerung ermitteln. Dieser Winkel wird in die Zeitverzögerung der Reflexion umgerechnet. Da die steigenden und fallenden Flanken in der XY-Anzeige erscheinen, kann das Verhältnis von einfallenden und reflektierten Signalen gemessen und der Reflexionskoeffizient berechnet werden. Dies ist am genauesten und einfachsten, wenn die ISI der Leiterbahn gering ist. Wenn die ISI der Spur hoch ist, wird es schwieriger zu erkennen, von wo aus gemessen werden muss, und die Genauigkeit wird geringer. Einen relativen Wert für ISI erhält man, indem man den Gesamtaußendurchmesser der Schleife und den Innendurchmesser der Schleife betrachtet. Ein Teil dieses Wertes ist auf Rauschen zurückzuführen. Aber in einem rauschfreien System bedeutet kein ISI einen einzigen dünnen Schleifenpfad. Im Gegensatz dazu schließt eine hohe ISI die Schleife und vergrößert die Dicke des Schleifenpfades.
Darüber hinaus kann das System aus diesen anderen Messungen das Signal-Rausch-Verhältnis berechnen. Die Nichtlinearität des Senders hat eine andere Flankenform oder Steigung für fallende Flanken als für steigende Flanken, was sich leicht in der Symmetrie der zyklischen Schleife zeigt. Eine Messung kann diese Linearität als einen einzelnen numerischen Wert darstellen, der als Eingabe für das maschinelle Lernen dienen kann.
Ein weiterer Aspekt der Ausführungsformen umfasst eine Kombination der Messungen zum Anzeigebild. Die verschiedenen oben genannten Messungen können als Eingabeparameter für das maschinelle Lernen dienen. Ein Verfahren, sie in die vorhandenen trainierten neuronalen Netze, die Bilder verarbeiten, einzugeben, besteht darin, sie als Balkendiagramme oder andere Formate digital kodierter Daten in das Bild einzubinden. Auf diese Weise können die extrahierten Parameter zusammen mit dem eigentlichen Wellenformbild zur Unterstützung des Klassifizierungsprozesses verwendet werden.
Das maschinelle Lernsystem 56 erhält als Eingabe die zyklischen Schleifenbilder. Der Hauptzweck des Systems oder Netzwerks 56 besteht darin, die zyklischen Schleifenbilder zusammen mit allen digital kodierten extrahierten Parametern, die in die Bilder eingefügt wurden, zu betrachten und dann die im Bild dargestellte Wellenform entweder als Schreib- oder als Lese-Burst zu klassifizieren. Es kann eine Trainingsphase 57 geben, in der dem Netzwerk mehrere Beispiele von zyklischen Lese- und Schreibschleifenbildern vorgelegt werden, um es für die Klassifizierung zu trainieren. Nach der Trainingsphase werden die Eingangsbilder von dem trainierten Netz analysiert und entweder als Lese- oder Schreibvorgänge klassifiziert.
Das maschinelle Lernsystem 56 kann die folgenden Eingaben haben. Die XY-Diagramme der zyklischen Schleife zeigen den Pfad der geschlossenen Schleife, wobei alle Kanten des Pfades überlagert werden. Die extrahierten Messparameter werden, falls vorhanden, in das Bild der zyklischen Schleife eingefügt, in einer anderen Form eines separaten Bildes oder als Zahlenvektor bereitgestellt, wobei auch andere Formen denkbar sind. Wenn sie in das Bild eingefügt werden, können sie die Form eines einfachen Balkendiagramms, mehrerer Balkendiagramme oder pi-diagrammförmiger Objekte usw. haben. Ein Benutzereingabemenü 72 würde es dem Benutzer ermöglichen, sich die zyklischen Schleifenbilder für die erfassten Bursts anzusehen und der Maschine mitzuteilen, welches Bild gelesen und welches geschrieben wird, z. B. als Teil des Trainingsprozesses 57. Sobald die Maschine weiß, um welche es sich handelt, kann sie sie von diesem Zeitpunkt an in einem Laufzeitprozess 58 klassifizieren.
Dies wäre nützlich für Systeme, bei denen der Unterschied zwischen Lese- und Schreibvorgängen nicht sehr groß ist, oder für die die oben beschriebenen Schlüsselmodellannahmen nicht gleich sind. Beispielsweise mag es keinen Interposer geben, und die Sonde kann näher an der Busmitte positioniert sein, wo die Verzögerung für Lesereflexionen die gleiche ist wie für Schreibreflexionen, usw. Das System verfügt auch über ein Benutzereingabemenü 74, das die Eingabe der verschiedenen Systemparameter wie Speicherbelastung, Leiterbahnimpedanz, Verwendung und Position von Interposern usw. ermöglicht.
Das maschinelle Lernsystem 56 gibt klassifizierte Datenburstsignale aus, die entweder gelesen oder geschrieben werden. Die Blöcke 66 oder 62 erzeugen Multiburst-Wellenformen. In einer Ausführungsform kann dies die Verkettung jedes erkannten Bursts zu einer einzigen Wellenform beinhalten, die nur Lese- oder Schreib-Bursts enthält. Nachdem die Multiburst-Wellenformen erstellt wurden, können die De-Embedding-Filter 64 und 68 für jede Wellenform berechnet werden. Da die Systemübertragungsfunktionen für Lesen und Schreiben unterschiedlich sind, gibt es für jede Wellenform einen anderen Filter. Diese Filter verschieben auch den Prüfpunkt am Interposer zu einem virtuellen Prüfpunkt am Speicher oder SOC. Optimalerweise kann für das DQ-Signal ein DFE-Equalizer 70 angewendet werden. Das maschinelle Lernsystem 56 kann auch Ergebnisse der Messungen 60 liefern.
Die Systemsteuerung 76 kann aus einem Universalprozessor bestehen, der das gesamte System steuert und abwickelt, oder aus einem Prozessor des Test- und Messinstruments oder aus einer Verteilung zwischen beiden. Die Systemsteuerung kann auch über mehrere Prozessoren, Cloud Computing usw. verteilt sein. Die Prozessoren können so ausgebildet werden, dass sie einen Code ausführen, der die Prozessoren veranlasst, alle Verarbeitungsfunktionen für Messungen und das neuronale Netz oder andere Arten des maschinellen Lernens, die eingesetzt werden können, bereitzustellen. Natürlich kann jeder Teil dieses Systems auch auf anderen Prozessortypen wie ASICs, GPUs, FPGAs usw. implementiert werden.
9 zeigt auf einem Oszilloskopbildschirm Beispiele für die Wellenformen, die zur Erstellung des zyklischen Schleifenbildes verwendet werden. In dieser Ansicht ist die etwas sinusförmig aussehende Wellenform ein DQS-Taktsignal 80. Der Ausgang des Clippers ist als Rechteckwelle 82 dargestellt. Das Rampensignal ist das Ausgangssignal des Boxcar-Filters bei 84.
10 zeigt Beispiele für zyklische Schleifenbilder. Links ist ein DQS-Schreibsignal mit hohem ISI-Wert zu sehen. In der Mitte ist ein DQS-Lesesignal zu sehen, bei dem Reflexionen sichtbar sind. Rechts ist eine Überlagerung von DQS-Lese- und Schreibsignalen zu sehen. 11 zeigt ein Beispiel für DQ-Zufallsimpulspegel 90 und das zugehörige Rampenabtastsignal 92 mit Rampen, die nur während der Flankenübergänge des DQ-Signals auftreten, sowie das aus dem DQ-Signal 90 und dem Rampenabtastsignal 92 konstruierte zyklische Schleifenbild 94.
Die Reflexionsverzögerung zwischen der Sonde und der Speicherlast kann anhand einer Standard-YT-Spuranzeige gemessen werden, wie in 2. Die Spurverzögerung wird dann aus (7) wie folgt berechnet: $Verz \ddot{o} gerung = T / 2$
13 zeigt, wie die Leiterbahnverzögerung unter Verwendung des zyklischen Schleifenbildes gemessen werden kann, wobei die Verzögerung alsO in Grad dargestellt wird. In beiden Fällen ist die Wellenform ohne ISI-Verluste dargestellt, um die Ansicht zu vereinfachen und die Punkte zu zeigen, an denen ein Phasenwinkel,θ, gemessen werden muss, um die Reflexionsverzögerungszeit zu berechnen.
Die Verzögerungszeit kann anhand von (8) berechnet werden. Ein voller Weg durch die Schleife beträgt 360 Grad, was einem Zyklus entspricht. Ein Zyklus entspricht zwei UI oder zwei Bits für ein NRZ-Signal. $V e r z \ddot{o} g e r u n g = \frac{θ}{360 \cdot b i t R a t e}$
wobei θ in Grad und die Verzögerung in Sekunden angegeben ist. Die Datenrate des Signals ist die Bitrate für ein NRZ-Signal.
Ein Reflexionskoeffizient für die kurze Leiterbahn zwischen Sonde und Speicher kann auf einem Standard-YT-Wellenform-Display gemessen werden, wie in 4. Der Reflexionskoeffizient wird dann wie folgt berechnet: $Γ= (v 2 - v 1) / v 1$
Sobald der Reflexionskoeffizient bekannt ist, kann die Impedanz der Last, Z, oder die charakteristische Impedanz Z0 berechnet werden, wenn eine von ihnen bekannt ist. $Z = Z_{0} \cdot (1 + Γ) / (1 - Γ)$
Der Reflexionskoeffizient kann mit dem zyklischen Schleifenbild gemessen werden, wie in 15 dargestellt.
Auf diese Weise kann das System neue zyklische Schleifenbilder erstellen und verwenden und optional messcodierte Balkendiagramme in die Bilder einfügen. Diese Bilder werden dann in einer Deep-Learning-Umgebung verwendet, um die Art der Signale zu bestimmen und zu klassifizieren, indem sie für die Analyse und andere Zwecke getrennt und klassifiziert werden.
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 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 nicht-übertragbaren computerlesbaren Medien gespeichert sind, die von einem oder mehreren Prozessoren gelesen und ausgeführt werden können. Solche Befehle können als Computerprogrammprodukt bezeichnet werden. Computerlesbare Medien, wie hier beschrieben, sind alle Medien, auf die ein Computer zugreifen kann. Als Beispiel und ohne Einschränkung können computerlesbare Medien Computerspeichermedien und Kommunikationsmedien umfassen.
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 beispielsweise 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 System zum Klassifizieren von Signalen, das Folgendes umfasst: einen Eingang zum Empfangen eingehender Wellenformdaten; einen Speicher; und einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie Code ausführen, um den einen oder die mehreren Prozessoren zu veranlassen, Folgendes zu tun: Erzeugen eines Rampenabtastsignals aus den eingehenden Wellenformdaten; Lokalisieren eines Datenbursts in den eingehenden Wellenformdaten unter Verwendung eines Burstdetektors; Empfangen eines Signals von dem Burstdetektor, um den Speicher zu veranlassen, zyklische Schleifenbilddaten in der Form der eingehenden Wellenformdaten als y-Achsen-Daten und des Rampenabtastsignals als x-Achsen-Daten zu speichern; und Verwenden eines maschinellen Lernsystems, um die zyklischen Schleifenbilddaten zu empfangen und den Datenburst zu klassifizieren.
Beispiel 2 ist das System aus Beispiel 1, das außerdem ein Test- und Messinstrument zum Erfassen der eingehenden Wellenformdaten von einer zu testenden Vorrichtung umfasst.
Beispiel 3 ist das System von entweder Beispiel 1 oder 2, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, das Rampenabtastsignal aus den eingehenden Wellenformdaten zu erzeugen, ferner einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst: einen Clipper zu verwenden, um ein Rechteckimpulssignal aus den eingehenden Wellenformdaten zu erzeugen; und einen Integrator zu verwenden, um Rampensignale auf der Grundlage des Rechteckimpulssignals zu erzeugen und die Rampensignale an das Burst-Gate zu übertragen.
Beispiel 4 ist das System aus Beispiel 3, wobei der Integrator einen Boxcar-Filter umfasst.
Beispiel 5 ist das System aus einem der Beispiele 1-4, das außerdem eine Messeinheit umfasst, um eine Messung unter Verwendung der zyklischen Schleifenbilddaten durchzuführen.
Beispiel 6 ist das System aus Beispiel 5, wobei die Messung eine oder mehrere der folgenden Größen umfasst: Reflexionsverzögerung, Reflexionskoeffizient, Intersymbolinterferenz, Signal-Rausch-Verhältnis und Nichtlinearität.
Beispiel 7 ist das System aus Beispiel 5, wobei die Messeinheit die Messung an das maschinelle Lernsystem sendet.
Beispiel 8 ist das System aus einem der Beispiele 1-7, das außerdem einen Verkettungsprozessor umfasst, um eine Multiburst-Wellenform aus dem klassifizierten Datenburst des maschinellen Lernsystems zu erzeugen.
Beispiel 9 ist das System von Beispiel 8, das außerdem einen Filter umfasst, der auf die Multiburst-Wellenform anzuwenden ist.
Beispiel 10 ist das System aus einem der Beispiele 1 bis 9, das außerdem eine Systemsteuerung zur Koordinierung des Systembetriebs umfasst.
Beispiel 11 ist ein Verfahren zum Klassifizieren von Signalen, das Folgendes umfasst: Erzeugen eines Rampenabtastsignals aus eingehenden Wellenformdaten; Lokalisieren eines Datenbursts in den eingehenden Wellenformdaten; Speichern von zyklischen Schleifenbilddaten für den Datenburst in Form der eingehenden Wellenformdaten als Y-Achsen-Daten und des Rampenabtastsignals als X-Achsen-Daten; und Verwenden eines maschinellen Lernsystems, um das zyklische Schleifenbild zu empfangen und den Datenburst zu klassifizieren.
Beispiel 12 ist das Verfahren von Beispiel 11, das außerdem den Empfang von Systemparametern von einem Benutzer umfasst.
Beispiel 13 ist das Verfahren nach einem der Beispiele 11 oder 12, wobei das Erzeugen des Rampenabtastsignals Folgendes umfasst: Erzeugen eines Rechteckimpulssignals aus den eingehenden Wellenformdaten; und Integrieren des Rechteckimpulssignals zum Erzeugen des Rampenabtastsignals.
Beispiel 14 ist das Verfahren von Beispiel 13, wobei die Integration des Rechteckimpulssignals durch einen Boxcar-Filter erfolgt.
Beispiel 15 ist das Verfahren nach einem der Beispiele 11 bis 14, das ferner die Durchführung einer Messung unter Verwendung der zyklischen Schleifenbilddaten umfasst.
Beispiel 16 ist das Verfahren von Beispiel 15, wobei die Durchführung der Messung die Messung einer oder mehrerer der folgenden Größen einschließt: Reflexionsverzögerung, Reflexionskoeffizient, Intersymbolinterferenz, Signal-Rausch-Verhältnis und Nichtlinearität.
Beispiel 17 ist das Verfahren aus Beispiel 15, das ferner das Senden der Messung an das maschinelle Lernsystem umfasst, wobei das maschinelle Lernsystem den Datenburst unter Verwendung der zyklischen Schleifenbilddaten und der Messung klassifiziert.
Beispiel 18 ist das Verfahren nach einem der Beispiele 11-17, das ferner ein Erzeugen einer Multiburst-Wellenform aus klassifizierten Datenbursts des maschinellen Lernsystems umfasst.
Beispiel 19 ist das Verfahren eines der Beispiele 11-18, das ferner das Trainieren des maschinellen Lernsystems umfasst, wobei das Training Folgendes umfasst: Bereitstellen eines Satzes von zyklischen Schleifenbildern; Empfangen von Benutzereingaben, die jedes zyklische Schleifenbild klassifizieren; Testen des maschinellen Lernsystems, indem das maschinelle Lernsystem eine Klassifizierung bereitstellt und die Klassifizierung anhand der Benutzereingaben verifiziert; und Wiederholen des Testens, bis das maschinelle Lernsystem die zyklischen Schleifenbilder korrekt klassifiziert.
Beispiel 20 ist ein System zum Klassifizieren von Datensignalen, das Folgendes umfasst: einen Rampengenerator zum Erzeugen eines Rampenabtastsignals aus ankommenden Wellenformdaten; einen Burstdetektor zum Lokalisieren eines Datenbursts in den ankommenden Wellenformdaten; ein Burst-Gate zum Empfangen eines Signals von dem Burstdetektor und zum Veranlassen eines Speichers zum Speichern von zyklischen Schleifenbilddaten in Form der ankommenden Wellenformdaten als y-Achsen-Daten und des Rampenabtastsignals als x-Achsen-Daten; und ein maschinelles Lernsystem zum Empfangen des zyklischen Schleifenbilds und zum Klassifizieren des Datenbursts.
Beispiel 21 ist das System von Beispiel 20, wobei die eingehenden Wellenformdaten von einer zu testenden Speichervorrichtung erfasst werden, und wobei das maschinelle Lernsystem den Datenburst als Ergebnis einer Schreiboperation oder einer Leseoperation für die zu testende Speichervorrichtung klassifiziert.
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

US 63038040 [0001]
US 63/039360 [0001]
US 63/041041 [0001]
US 63/177930 [0001]
US 345342 [0002]
US 345283 [0002]
US 345312 [0002]

Claims

Ein System zur Klassifizierung von Signalen, weist auf: einen Eingang zum Empfang eingehender Wellenformdaten; einen Speicher; und einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie Code ausführen, um den einen oder die mehreren Prozessoren zu Folgendem zu veranlassen: Erzeugen eines Rampenabtastsignals aus den eingehenden Wellenformdaten; Lokalisieren eines Datenbursts in den eingehenden Wellenformdaten mit Hilfe eines Burstdetektors; Empfangen eines Signals vom Burstdetektor, um den Speicher zu veranlassen, zyklische Schleifenbilddaten in Form der eingehenden Wellenformdaten als y-Achsen-Daten und des Rampenabtastsignals als x-Achsen-Daten zu speichern; und Einsetzen eines maschinellen Lernsystems, um die zyklischen Schleifenbilddaten zu empfangen und die Datenbursts zu klassifizieren.
Das System nach Anspruch 1, das ferner ein Test- und Messinstrument zum Erfassen der eingehenden Wellenformdaten von einer zu testenden Vorrichtung umfasst.
Das System nach Anspruch 1, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, das Rampenabtastsignal aus den eingehenden Wellenformdaten zu erzeugen, ferner einen Code umfasst, der den einen oder die mehreren Prozessoren zu Folgendem veranlasst: Verwenden eines Clippers zur Erzeugung eines Rechteckimpulssignals aus den eingehenden Wellenformdaten; und Verwenden eines Integrators zum Erzeugen von Rampensignalen auf der Grundlage des Rechteckimpulssignals und Übertragen der Rampensignale an das Burst-Gate.
Das System nach Anspruch 3, wobei der Integrator einen Boxcar-Filter umfasst.
Das System nach Anspruch 1, das ferner eine Messeinheit zur Durchführung einer Messung unter Verwendung der zyklischen Schleifenbilddaten umfasst.
Das System nach Anspruch 5, wobei die Messung eine oder mehrere der folgenden Größen umfasst: Reflexionsverzögerung, Reflexionskoeffizient, Intersymbolinterferenz, Signal-Rausch-Verhältnis und Nichtlinearität.
Das System nach Anspruch 5, wobei die Messeinheit die Messung an das maschinelle Lernsystem sendet.
Das System nach Anspruch 1, das ferner einen Verkettungsprozessor umfasst, um eine Multiburst-Wellenform aus dem klassifizierten Datenburst des maschinellen Lernsystems zu erzeugen.
Das System nach Anspruch 8 umfasst ferner einen Filter, der auf die Multiburst-Wellenform anzuwenden ist.
das System nach Anspruch 1, das ferner eine Systemsteuerung zur Koordinierung des Systembetriebs umfasst.
Ein Verfahren zur Klassifizierung von Signalen, das Folgendes umfasst: Erzeugen eines Rampenabtastsignals aus eingehenden Wellenformdaten; Lokalisieren eines Datenbursts in den eingehenden Wellenformdaten; Speichern von zyklischen Schleifenbilddaten für den Datenburst in Form der eingehenden Wellenformdaten als Y-Achsen-Daten und des Rampenabtastsignals als X-Achsen-Daten; und Verwenden eines maschinellen Lernsystems zum Empfangen des zyklischen Schleifenbildes und zur Klassifizierung des Datenbursts.
Das Verfahren nach Anspruch 11 umfasst ferner ein Empfangen von Systemparametern von einem Benutzer.
Das Verfahren nach Anspruch 11, wobei das Erzeugen des Rampenabtastsignals umfasst: Erzeugen eines Rechteckimpulssignals aus den eingehenden Wellenformdaten; und Integration des Rechteckimpulssignals zum Erzeugen des Rampenabtastsignals.
Das Verfahren nach Anspruch 13, bei dem das Integrieren des Rechteckimpulssignals durch einen Boxcar-Filter durchgeführt wird.
Das Verfahren nach Anspruch 11, das ferner die Durchführung einer Messung unter Verwendung der zyklischen Schleifenbilddaten umfasst.
Das Verfahren nach Anspruch 15, wobei die Durchführung der Messung die Messung einer oder mehrerer der folgenden Größen umfasst: Reflexionsverzögerung, Reflexionskoeffizient, Intersymbolinterferenz, Signal-Rausch-Verhältnis und Nichtlinearität.
Das Verfahren nach Anspruch 15, das ferner das Senden der Messung an das maschinelle Lernsystem umfasst, wobei das maschinelle Lernsystem den Datenburst unter Verwendung der zyklischen Schleifenbilddaten und der Messung klassifiziert.
Das Verfahren nach Anspruch 11, das ferner die Erzeugung einer Multiburst-Wellenform aus klassifizierten Datenbursts des maschinellen Lernsystems umfasst.
Das Verfahren nach Anspruch 11, das ferner das Trainieren des maschinellen Lernsystems umfasst, wobei das Training Folgendes umfasst: Bereitstellen einer Reihe von zyklischen Schleifenbildern; Empfangen von Benutzereingaben, die jedes zyklische Schleifenbild klassifizieren; Testen des maschinellen Lernsystems, indem das maschinelle Lernsystem eine Klassifizierung liefert und die Klassifizierung anhand der Benutzereingabe verifiziert; und Wiederholen der Tests, bis das maschinelle Lernsystem die zyklischen Schleifenbilder richtig klassifiziert.
Ein System zur Klassifizierung von Datensignalen, bestehend aus: einen Rampengenerator zur Erzeugung eines Rampenabtastsignals aus eingehenden Wellenformdaten; einen Burstdetektor zum Auffinden eines Datenbursts in den eingehenden Wellenformdaten; ein Burst-Gate, um ein Signal vom Burstdetektor zu empfangen und einen Speicher zu veranlassen, zyklische Schleifenbilddaten in Form der eingehenden Wellenformdaten als y-Achsen-Daten und des Rampenabtastsignals als x-Achsen-Daten zu speichern; und ein maschinelles Lernsystem zum Empfangen des zyklischen Schleifenbildes und zur Klassifizierung des Datenbursts.
Das System nach Anspruch 20, wobei die eingehenden Wellenformdaten von einer zu testenden Speichervorrichtung erfasst werden und wobei das maschinelle Lernsystem den Datenburst als Ergebnis einer Schreiboperation oder einer Leseoperation für die zu testende Speichervorrichtung klassifiziert.