TW202314260A - 基於短模式波形資料庫之用於測量的機器學習 - Google Patents

基於短模式波形資料庫之用於測量的機器學習 Download PDF

Info

Publication number
TW202314260A
TW202314260A TW111118857A TW111118857A TW202314260A TW 202314260 A TW202314260 A TW 202314260A TW 111118857 A TW111118857 A TW 111118857A TW 111118857 A TW111118857 A TW 111118857A TW 202314260 A TW202314260 A TW 202314260A
Authority
TW
Taiwan
Prior art keywords
short
waveform
machine learning
pattern
test
Prior art date
Application number
TW111118857A
Other languages
English (en)
Inventor
侃 談
約翰 皮克
Original Assignee
美商泰克特洛尼克斯公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商泰克特洛尼克斯公司 filed Critical 美商泰克特洛尼克斯公司
Publication of TW202314260A publication Critical patent/TW202314260A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/317—Testing of digital circuits
    • G01R31/3181—Functional testing
    • G01R31/3183—Generation of test inputs, e.g. test vectors, patterns or sequences
    • G01R31/318371—Methodologies therefor, e.g. algorithms, procedures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/317—Testing of digital circuits
    • G01R31/3181—Functional testing
    • G01R31/319—Tester hardware, i.e. output processing circuits
    • G01R31/3193—Tester hardware, i.e. output processing circuits with comparison between actual response and known fault free response
    • G01R31/31935—Storing data, e.g. failure memory
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03165—Arrangements for removing intersymbol interference using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R13/00—Arrangements for displaying electric variables or waveforms
    • G01R13/02—Arrangements for displaying electric variables or waveforms for displaying measured electric variables in digital form
    • G01R13/029—Software therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2834—Automated test systems [ATE]; using microprocessors or computers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2839—Fault-finding or characterising using signal generators, power supplies or circuit analysers
    • G01R31/2841—Signal generators
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/317—Testing of digital circuits
    • G01R31/3181—Functional testing
    • G01R31/319—Tester hardware, i.e. output processing circuits
    • G01R31/31917—Stimuli generation or application of test patterns to the device under test [DUT]
    • G01R31/31919—Storing and outputting test patterns
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/317—Testing of digital circuits
    • G01R31/3181—Functional testing
    • G01R31/319—Tester hardware, i.e. output processing circuits
    • G01R31/31917—Stimuli generation or application of test patterns to the device under test [DUT]
    • G01R31/31924—Voltage or current aspects, e.g. driver, receiver
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/317—Testing of digital circuits
    • G01R31/3181—Functional testing
    • G01R31/319—Tester hardware, i.e. output processing circuits
    • G01R31/3193—Tester hardware, i.e. output processing circuits with comparison between actual response and known fault free response
    • G01R31/31932—Comparators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Dc Digital Transmission (AREA)
  • Tests Of Electronic Circuits (AREA)

Abstract

一種測試和測量系統包括被配置為從待測裝置接收信號的測試和測量裝置以及一或多個被配置為執行碼的處理器，該碼使一或多個處理器從該信號產生波形、應用等化器於該波形、接收識別要對該波形進行的一或多個測量的輸入、為已知資料模式選擇單位間隔(UI)的數量、針對長度為UI的該數量的該已知資料模式掃描該波形；將該等已知資料模式識別為短模式波形、應用機器學習系統於該等短模式波形以獲得該一或多個測量的值、以及提供該波形的該一或多個測量的該等值。一種方法包括從待測裝置接收信號、從該信號產生波形、應用等化器於該波形、接收識別要對該波形進行的一或多個測量的輸入、選擇單位間隔(UI)的數量、掃描該波形以識別長度等於UI的該數量的短模式波形、應用機器學習系統於該等短模式波形以獲得該一或多個測量值、以及提供來自該機器學習系統的該波形的該一或多個測量值。

Description

基於短模式波形資料庫之用於測量的機器學習
本發明案主張2021年5月21日提出申請之第63/191,908號，名稱為「SHORT PATTERN WAVEFORM DATABASE BASED MACHINE LEARNING FOR MEASUREMENT」的美國臨時專利申請案的權益，其全部內容於本文透過引用併入本發明。
本發明有關測試和測量系統及方法，並且尤有關將機器學習應用於來自待測裝置的信號的測量。
許多電子裝置和系統採用高速信號用於通信和資料傳輸，特別是根據高速串列資料協定(例如，快捷週邊組件互連介面(Peripheral Component Interconnect Express (PCIE))和以太網路)在發送器和接收器之間發送的信號。傳統上，測試和測量儀器(例如示波器)已被用於獲取這些高速信號並產生用以測量該等信號的特性的眼圖(eye diagram)。
當信號速度增加時，發射器和接收器中的等化器被廣泛用於提高系統性能。例如，PCIE第5代(PCIE Gen5)接收器除了連續時間線性等化器(continuous time linear equalizer (CTLE))外，還具有3抽頭決策回饋等化器(decision feedback equalizer (DFE))。例如參見可在https://pcisig.com/specifications/獲得之2019的PCI-SIG，“PCI Express Base Specification 5.0, Version 10”。IEEE 100G/400G以太網路標準定義使用5抽頭前饋等化器(feed forward equalizer (FFE))的測量。例如參見可在 http://standards.ieee.org/findstds/standard/802.3bs-2017.html獲得之2017的“IEEE P802.3bs-2017”；可在 http://standards.ieee.org/develop/project/802.3cd.html獲得之2018年的“IEEE P802.3cd-2018”。
當接收器具有等化器時，一些測量是對等化信號執行的。例如，在PCIE Gen5中，眼高和眼寬測量是基於等化波形的眼圖所定義。
在某些方法中，機器學習系統可以在等化之前使用眼圖作為輸入。接著機器學習系統可以提供所需的測量。然而，等化之前的眼圖不包含時序資訊，而且等化後的波形可能與等化前的波形有很大的不同，從而導致處理不準確。
及
實施例涉及應用機器學習技術用於對輸入波形執行信號測量的系統和方法。實施例通常採用從波形開發的短模式資料庫。與使用完整或部分模式波形的過程相比，這允許使用機器學習進行更快的分析。相反地，這些實施例使用一種機器學習系統，該系統對儲存在一或多個資料庫中的不同數量的符號的短模式訓練。接著系統可以掃描這些模式並產生與短模式相關的測量結果。與使用眼圖的技術相比，實施例提高了測量的準確性。
此外，如上所述，隨著信號速度的增加，許多系統採用等化器來提高系統性能。如上所述，快捷週邊組件互連介面(PCIE) Gen6除了連續時間線性等化器(CTLE)外，還使用3抽頭決策回饋等化器(DFE)。在另一個示例中，用於100G/400G的電機和電子工程師學會(IEEE)標準802.3將發射器色散眼圖閉合四相(transmitter and dispersion eye closure quaternary (TDECQ))測量指定為26 GBaud和53GBaud PAM4光信號的關鍵通過/失敗標準。這提供一個示例來示範使用沒有時序資訊的波形作為機器學習系統的輸入時的問題。
TDECQ測量涉及5抽頭FFE。如圖1繪示從待測發射器(Tx)或收發器10獲取光信號的測試方塊圖。光信號可以與光學器件12相互作用，例如偏振旋轉器及/或可變反射器。信號通過測試光纖14並到達光電(O/E)轉換器，該轉換器將光信號轉換為電信號。可以包括時脈恢復單元(clock recovery unit (CRU))18的示波器20接著對得到的電信號進行取樣並將信號數位化。數位化樣本保存為波形。
傳統示波器中的參考等化器和分析模組22接著可以執行TDECQ測量和分析。圖2顯示用於執行TDECQ測量的圖的示例。在此示例中，波形產生來自5抽頭前饋等化器(FFE)，其中1個單位間隔(UI)間隔經過最佳化以最小化TDECQ值。「0」和「1」間隔標記了UI間距。
TDECQ值使用以下等式(等式1)計算：
Figure 02_image001
其中，
Figure 02_image003
與光信號的功率有關。
Figure 02_image005
是與符號錯誤率有關的常數值。
Figure 02_image007
是加權高斯雜訊的標準偏差，可以加到圖2所示的眼圖中，仍然可以在兩個垂直截剪器處獲得較大的符號錯誤率，分別為0.45和0.55，0.1 UI相距為4.8e-4。項
Figure 02_image009
表示沒有信號饋入O/E模組時所記錄的示波器雜訊。
使用傳統方法對順從模式SSPRQ(short stress pattern random quaternary短應力模式隨機四相)進行單次TDECQ測量需要數秒才能完成。2020年5月11日提出申請之名稱為「DEVICES, SYSTEMS, AND METHODS FOR PROCESSING OPTICAL COMPONENTS」的國際專利申請案PCT/US2020/059086揭示一種用以減少獲取包括TDECQ在內的光收發器測量值的時間機器學習技術。所揭示的機器學習方法之一將波形的眼圖影像表示作為神經網路的輸入供訓練之用，接著用於測試光收發器。
圖3顯示在對波形應用FFE之前在左邊和之後在右邊的眼圖示例。在應用FFE後，右邊的眼圖具有更大的眼開口。使用FFE之前的眼圖作為用於機器學習的神經網路的輸入，並不能提供FFE之後的眼圖資訊。5個FFE抽頭應用於目前樣本周圍的5個UI(單位間隔)中的樣本。FFE之前的眼圖不包含時序資訊，因為所有樣本都包裝成1或2個UI。圖4顯示在該示例中用於創建圖3右邊的眼圖的FFE抽頭。
對照之下，如圖5所示，在實際的模式波形中，每個樣本都有一個與之相關的時間。時序資訊已準備好供FFE操作使用。使用眼圖的另一種機器學習方法使用等化的實際模式波形作為神經網路的輸入，用於訓練和測試。
然而，模式波形可能有太多的樣本，這使得訓練不切實際。例如，SSPRQ模式有65535個符號。每個UI有多個樣本，這會產生非常大的取樣波形。使用實際取樣波形將需要更多時間來執行機器學習訓練。一種選擇是使用部分模式波形，但這種方法可能會遺漏波形中的基本資訊，從而導致測量誤差增加。
如上所述，這裡的實施例採用具有機器學習模組(例如神經網路)的短模式波形資料庫來執行信號測量。此外，對於需要等化器的測量，為獲得更準確的結果，神經網路的輸入資料應該包含時序資訊，因為等化器對時序樣本進行操作。傳統的眼圖丟失符號之間的時序資訊。這裡的實施例使用包含時序資訊的短模式波形，提供了對波形大小和準確度以及時序問題的解決方案。
該過程基於在波形中發現的短模式構建短模式波形資料庫。這裡使用的術語「短」是指波形的長度等於預定數量的UI的部分。系統掃描過資料模式，識別並提取一個短模式波形，並將提取的短模式波形的波形樣本放入對應的短碼型波形資料庫中。此掃描過程可以重複或平行操作，為每個感興趣的短模式波形建立多個短模式波形資料庫。選擇的資料庫可取決於信令的類型，例如4階脈衝振幅調變(pulse amplitude modulated 4-level (PAM4))信令或不歸零(non-return-to-zero (NRZ))信令以及模式的信號位準。例如，PAM4有4階，分別對應符號0、1、2和3，NRZ有2階，符號1或0。在以下的討論中，變數 S表示來自信令的類型的信號位準的數量。資料模式通常是已知的或可以檢測到的。
一些UI， N，定義短模式的長度。長度的選擇可以考慮前一個符號對目前符號的影響。圖6顯示PAM4信號具有不同數量的先前符號導致目前符號為3的波形資料庫。例如，將1到4個零視為符號3的前一個符號，它表示PAM4信號中的信令位準。考慮到更多符號，目前符號的波形資料庫更清楚，這意旨先前符號的混合影響較小。如這裡所使用的，術語「波形資料庫」意指在給定的短模式長度N上具有相同符號模式的整個模式波形的所有部分的集合。如以下將更詳細討論的，系統可以使用資料庫的子集，其中使用的子集取決於感興趣的模式及/或要對採集的波形進行的測量。
在左上，波形資料庫包含所有顯示的短模式波形，每個跨越2個UI，每個模式的長度為2，短模式為03。右上顯示短模式波形的波形資料庫，其中，3個符號前有二個0符號，短模式為003，跨越3個UI。左下顯示4個符號的波形資料庫，短模式為0003，右下為5個符號，短模式為00003。
接收器等化器的設計補償了通道損失，例如通道損失。通道損耗反映在符號間干擾中。對於需要等化器的測量，可以選擇短模式的長度以匹配等化器的範圍。這提供了有關時序的基本資訊，以便饋入機器學習模組的資料產生準確的模型並提供準確的測量結果。
例如，TDECQ測量需要5個抽頭FFE，因此該過程將短模式長度設定為5。如圖7所示，從SSPRQ資料模式創建的短模式波形資料庫攜帶每個短模式的時序資訊，使機器學習系統能夠擷取資料的基本資訊以獲得準確的測量結果。影像的第一列從左到右顯示了符號序列00030、01030和02030的短模式波形資料庫。中間集從左到右顯示符號序列03030、00300和10300的短模式資料庫。底列顯示符號序列20300和30300。
為了採用這些資料庫，機器學習系統必須首先以允許快速準確的訓練和運行時間的格式接收波形作為輸入。返回圖1，諸如示波器20的測試和測量裝置接收來自收發器的信號，並產生波形。應該注意，雖然本討論中的待測裝置(DUT)包括光收發器，但此處使用的系統和方法適用於任何類型的DUT，無論是光學的還是電氣的。
圖8顯示可與機器學習系統46一起使用以提供對諸如34的DUT的性能測量的測試和測量裝置20的實施例。測試和測量裝置通常透過探針32與DUT 34介接。如關圖1所討論者，輸入路徑可以包括將輸入的光信號轉換為電信號光的電轉換器。裝置20的採集電路36可以包括將輸入信號數位化的類比數位轉換器(ADC)以及提供時序的時脈恢復和觸發硬體。處理器38可以控制採集硬體和將信號渲染成波形。顯示器42為用戶顯示結果波形。可以包括顯示器上的任何觸控螢幕能力的用戶介面裝置44允許用戶與裝置交互以從預設選單中進行選擇。選擇可以包括波形所需的測量類型、短模式波形的長度等。長度可以由系統中的預選或預設變數等產生。
記憶體40可以允許處理器儲存和使用波形資料並且可以儲存可執行碼。包括測試和測量裝置的整個系統將具有一或多個處理器，該處理器被配置為執行將導致一或多個處理器執行此處描述的各種任務的碼。該一或多個處理器可以包括測試和測量裝置上的一或多個處理器以及機器學習系統46中的一或多個處理器。機器學習系統可以包括從測試和測量裝置接收資料的一或多個單獨的電腦裝置。單獨的資料庫結構48可以儲存所有波形資料庫，或者它們可以包括機器學習系統及其計算裝置的一部分。
在接收到來自DUT的信號後，測試和測量儀器將產生信號波形並將一或多個等化器應用於該波形。這意指等化器將作用於構成該波形的樣本。系統中的一或多個處理器可以完成這些任務。系統接收一​​個輸入，該輸入根據UI的數量指定短模式的長度 N。如上所述，用戶可以提供此輸入，或者系統可以根據預定義的參數等來確定它。類似地，將識別一或多個期望的性能測量，例如TDECQ或其他測量。在一些實施例中，可以基於選擇的測量來自動確定短模式長度。例如，如果選擇了TDECQ測量，則系統可以自動確定短模式長度為5個UI，對應於為TDECQ測量指定的5抽頭FFE等化器的範圍。
接著系統掃描該長度的已知模式的波形以產生一組短模式波形。在一個實施例中，系統可以將短模式波形轉換成張量，但是為了這裡討論的目的，這些仍然被認為是短模式波形。一旦識別出短模式，它們就會被提交給機器學習系統。接著機器學習系統返回所需測量的值。與以傳統方式計算測量值相比，該系統運行得更快並且提供速度更快的測量值。
圖9顯示使用短模式波形資料庫的機器學習結構的實施例。短模式波形資料庫可以採用機器學習友好格式的形式，例如張量50，作為神經網路的輸入，用於訓練和測試。輸出是測量結果。測量結果可以是純量值或向量，可以作為機器學習的標籤。在訓練期間，使用短模式波形和測量結果。在測試過程中，僅使用短模式波形來獲得測量結果。
訓練過程涉及選擇短模式長度的過程。它可以從一個小的值，例如3，開始。可能的短符號序列 L的數量由等式(2)中的信號位準 S和短模式長度 N確定。
Figure 02_image011
例如，對於PAM4信令，3符號短模式可能有4 3=64個波形資料庫。對於NRZ信令，3符號短模式可能有2 3=8個波形資料庫。如上所述，這可能導致非常龐大的資料庫，涵蓋特定資料庫中的所有短模式。例如，在PAM4信令中，如果N=5，則有4 5或1024個可能的短模式。訓練機器學習系統會需要1024個可能的短模式中的每一種的許多示例，每個模式與測量相關聯。這會花費太多時間和太多資源來訓練機器學習系統。
在一個實施例中，系統使用來自資料庫的可能短模式的子集和短模式的相關測量值。例如，假設所需結果具有深度學習網路形式的機器學習系統，以預測影響PAM4信號四個位準的調整參數。系統會使用四個具有相同位準的連續UI的短模式。在一個實施例中，所有這四個序列都被放入一張量影像中，該張量影像成為深度學習系統的輸入，用於運行時間和訓練。圖10顯示四個位準的四個序列的張量影像的示例。
例如，系統中的一個調諧參數可以調整信號增益，導致所有四個位準在較低增益設定下變得更靠近，而在高增益設定下更遠。發射器中的偏移控制會導致所有四個符號在影像中垂直移動或向下移動，但它們之間的距離保持不變。第三個發射器參數可能會導致增益和偏移都變化。透過使用此影像(代表包含所有可能的短模式波形的短模式資料庫的子集)，它允許深度學習網路容易地查看所有三個參數的影響並預測它們的值。
在另一個示例中，機器學習系統可以預測FFE抽頭。使用如圖11所示之顯示脈衝的短模式波形，更適合機器學習，因為FFE抽頭以允許深度學習網路將脈衝形狀與一組多個FFE抽頭相關聯的方式影響脈衝形狀。圖11的影像顯示單一張量影像，其包含水平首尾相連的三個短模式。每個序列顯示不同的脈衝高度，從PAM4信號的位準0到第一個脈衝的位準1，第二個脈衝的位準0到位準2，以及第三個脈衝的位準0到位準3。深度學習網路可以查看此影像並預測多個FFE抽頭值是什麼。當然還有其他應用程序，這些只是提供機器學習系統如何使用影像的示例。
如果機器學習訓練沒有從目前的短模式長度設定中產生預期的結果，該過程可能會增加短模式長度，並再次嘗試訓練。該過程還可以選擇不同的短訓練模式子集用於訓練。由於短模式長度會改變所使用的模式，這還包括選擇不同的短訓練模式子集。用於訓練的短模式波形可以稱為短訓練模式波形或短訓練模式。
如上所述，短模式長度基於但不應超過等化器的「太多」範圍。例如，如果等化器是5抽頭FFE，則模式長度不應超過5的UI太多。例如，模式長度可以選擇為5、6或7。如果等化器是3抽頭DFE，則模式長度不應超過4太多，因為DFE只查看前3個符號。「太多」意指什麼的確定可能取決於機器學習系統輸入的性質。例如，在一個實施例中，其中神經網路的輸入是如上所述的影像資料，影像大小限制可以驅動模式的UI的數量或長度。在一個實施例中，影像大小被限制為224 x 224像素，以便採用設計用於接受該大小的輸入影像的機器學習系統。
一旦該過程找到產生所需機器學習結果的適當短模式長度，該過程就可以檢查輸入層52中的權重或係數。這允許識別與它們相關聯之具有低權重的連接，這可能涉及與閾值的比較。系統可以從輸入中移除對應的短模式波形資料庫，以減小輸入資料的大小並看看訓練結果是否仍然滿足要求。一些機器學習工具具有降維功能，可以自動減小輸入資料的大小。可將此過程視為降維。
到目前為止的討論主要集中在PAM-4信令和相關波形資料庫上。當將 N設定為不同的值時，短模式波形資料庫方法還可以涵蓋其他機器學習方法，例如傳統的眼圖方法和全資料模式波形方法。
當 N設定為1時，PAM4信號有4個短模式波形資料庫，如圖12所示，左上角為0，右上角為1，左下角為2，右下角為3。4個波形資料庫的疊加將產生一個傳統的眼圖。可以預期，當長度 N設定為1時，用於機器學習的短模式波形資料庫方法將產生與機器學習使用傳統眼圖時相似的結果。
當 N設定為完整模式波形的長度時，只有一個短模式波形資料庫中有資料。這個短模式波形資料庫與信號的完整模式具有相同的符號序列。短模式波形資料庫方法允許靈活設定 N，這可以使用機器學習在測量的準確度和速度之間進行調整。
這種方法還可以改進需要有限時序資訊的其他測量，例如，符號間干擾抖動測量等。
本發明的態樣可以在特定創建的硬體、韌體、數位信號處理器或包括根據編程指令操作的處理器的特別編程的通用電腦上操作。本文使用的術語控制器或處理器旨在包括微處理器、微電腦、特殊應用積體電路(ASIC)和專用硬體控制器。本發明的一或多個態樣可以體現在電腦可用資料和電腦可執行指令中，例如在一或多個程式模組中，由一台或多台電腦(包括監控模組)或其他裝置執行。通常，程式模組包括在由電腦或其他裝置中的處理器執行時執行特定任務或實施特定抽像資料類型的例程、程式、物件、組件、資料結構等。電腦可執行指令可以儲存在非暫態電腦可讀媒體上，例如硬碟、光碟等、可拆卸儲存媒體、固態記憶體、隨機存取記憶體(RAM)等。如熟於此技藝之人士將理解者，程式模組的功能可以根據需要在各個態樣進行組合或分配。此外，該功能可以全部或部分體現在韌體或硬體等效物中，例如電路、FPGA等。特定的資料結構可用於更有效地實施本發明的一或多個態樣，並且在本文所述的電腦可執行指令和電腦可用資料的範圍內設想此類資料結構。
在一些情況下，可以在硬體、韌體、軟體或其任何組合中實施所揭示的態樣。所揭示的態樣還可以實施為由一或多個或非暫態電腦可讀媒體承載或儲存在其上的指令，其可由一或多個處理器讀取和執行。這樣的指令可以被稱為電腦程式產品。如本文所討論者，電腦可讀媒體是指可以由計算裝置訪問的任何媒體。作為示例而非限制，電腦可讀媒體可以包括電腦儲存媒體和通訊媒體。
電腦儲存媒體是指可用於儲存電腦可讀資訊的任何媒體。作為示例而非限制，電腦儲存媒體可以包括RAM、ROM、電可抹除可編程唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、光碟唯讀記憶體(CD-ROM)、數位視頻光碟(DVD)或其他光碟儲存器、磁卡匣、磁帶、磁盤儲存器或其他磁性儲存裝置，以及以任何技術實施的任何其他揮發性或非揮發性、可拆卸或不可拆卸媒體。電腦儲存媒體不包括信號本身和信號傳輸的暫態形式。
通訊媒體是指可用於電腦可讀資訊通訊的任何媒體。作為示例而非限制，通訊媒體可包括同軸纜線、光纖纜線、空氣或任何其他適合於電、光、射頻(RF)、紅外線、聲學或其他類型的信號的通訊的媒體。
此外，該書面說明書還提及特定特徵。應當理解，本說明書中的揭示內容包括那些特定特徵的所有可能組合。例如，在特定態樣的上下文中揭示特定特徵的情況下，該特徵也可以在可能的範圍內用於其他態樣的上下文中。
此外，當在本發明中提及具有兩個或更多個定義的步驟或操作的方法時，定義的步驟或操作可以以任何順序或同時執行，除非上下文排除那些可能性。 示例
以下提供所揭示技術的說明性示例。技術的實施例可以包括以下描述的示例中的一或多個及其任意組合。
示例1是一種方法，包含：從待測裝置接收信號；從該信號產生波形；應用等化器於該波形；接收識別要對該波形進行的一或多個測量的輸入；選擇單位間隔(UI)的數量；掃描該波形以識別長度等於UI的該數量的短模式波形；應用機器學習系統於該等短模式波形以獲得該一或多個測量值；以及提供來自該機器學習系統的該波形的一或多個測量值。
示例2是示例1的方法，其中，應用該機器學習系統於該等短模式波形包含應用該機器學習系統於作為該等短模式波形的張量。
示例3是示例1或2中任一項的方法，其中，應用該機器學習系統包含使用一或多個短模式資料庫來分析該短模式波形。
示例4是示例3的方法，其中，使用一或多個短模式資料庫包含僅使用該一或多個短模式資料庫的子集。
示例5是示例3的方法，其中，使用該一或多個短模式資料庫還包含從該機器學習系統移除具有低於閾值的係數值的短模式資料庫以減小輸入資料大小。
示例6是示例1至5中任一項的方法，其中，選擇UI的該數量包含基於該等化器的抽頭的數量來選擇UI的該數量。
示例7是示例1至6中任一項的方法，其中，選擇UI的該數量包含基於要對該波形進行的該一或多個測量來選擇UI的該數量。
示例8是示例1至7中任一項的方法，還包含訓練該機器學習系統，該訓練包含：設定要被使用的短模式的長度；從波形和相關測量中選擇一組短訓練模式，用於由該機器學習系統用作為資料集的該組短訓練模式；測試該機器學習系統以確定該機器學習系統產生的結果是否滿足預期結果；以及當結果不符合該預期結果時，選擇不同組的短訓練模式並使用該不同組的短訓練模式重複測試。
示例9是示例8的方法，其中，選擇該不同組的短訓練模式包含選擇不同組的相同長度的短訓練模式，或者選擇不同組的具有更長長度的短訓練模式。
示例10是示例9的方法，其中，該等短模式被儲存在一些短模式資料庫中，其中，根據關係 L= S N ，短模式序列資料庫的數量 L取決於在一類型的信令中使用的信號位準數量 S和模式長度 N。
示例11是測試和測量系統，包含：測試和測量裝置，被配置為從待測裝置接收信號；以及一或多個處理器，被配置為執行碼，該碼使一或多個處理器：從該信號產生波形；應用等化器於該波形；接收識別要對該波形進行的一或多個測量的輸入；為已知資料模式選擇單位間隔(UI)的數量；針對長度為UI的該數量的該已知資料模式掃描該波形；將該等已知資料模式識別為短模式波形；應用該機器學習系統於該等短模式波形以獲得該一或多個測量的值；以及提供該波形的該一或多個測量的該等值。
示例12是示例11的測試和測量系統，其中，該等短模式波形包含張量。
示例13是示例11或12的測試和測量系統，其中，使該一或多個處理器應用該機器學習系統於該等短模式波形的該碼包含碼，其使該一或多個處理器使用一或多個短模式波形資料庫。
示例14是示例13的測試和測量系統，其中，使該一或多個處理器使用該一或多個短模式波形資料庫的該碼還包含碼，其使該一或多個處理器從該機器學習系統移除具有低於閾值的係數值的該等短模式波形資料庫以減小輸入資料大小。
示例15是示例13的測試和測量系統，其中，使該一或多個處理器使用一或多個短模式波形資料庫的該碼還包含碼，其使該一或多個處理器僅使用該一或多個短模式波形資料庫的子集。
示例16是示例11至15中任一項的測試和測量系統，其中，使該一或多個處理器選擇UI的數量的碼包含碼，其基於要被應用於該波形的該等化器的抽頭的數量來選擇UI的數量。
示例17是示例11至16中任一項的測試和測量系統，其中，使該一或多個處理器掃描該波形以將該已知資料模式識別為短模式波形的碼包含用以選擇短模式波形並且包括時序資訊的碼。
示例18是示例11至17中任一項的測試和測量系統，其中，該一或多個處理器還被配置為執行碼以訓練該機器學習系統，包含：設定要被使用的短訓練模式的長度和具有所設定的短模式長度的該等短訓練模式的子集；從波形和相關測量中選擇可用的短訓練模式的子集，用於要提供給機器學習系統作為資料集的該短訓練模式；測試該機器學習系統以確定該機器學習系統產生的結果是否滿足預期結果；以及當結果不符合預期結果時，選擇該短訓練模式的不同子集並重複該測試。
示例19是示例18的測試和測量系統，其中，使該一或多個處理器選擇該短訓練模式的不同子集的該碼包含選擇具有相同長度的該短訓練模式的不同子集以及更長長度的該短訓練模式的不同子集的其中一者。
示例20是示例11至19中任一項的測試和測量系統，其中，該等短模式儲存在一些短模式資料庫中，其中，根據關係 L=S N ，短模式序列資料庫的數量 L取決於在一類型的信令中使用的信號位準 S和模式長度 N。
雖然為了說明的目的已經說明和描述本發明的特定態樣，但是應當理解，可以在不背離本發明的精神和範圍的情況下進行各種修改。因此，本發明不應受所附申請專利範圍的限制。
10:待測發射器(Tx)或收發器/待測裝置 12:光學器件 14:測試光纖 16:光電轉換器 18:時脈恢復單元 20:示波器 22:參考等化器和分析模組 32:探針 34:DUT 36:採集電路 38:處理器 40:記憶體 42:顯示器 44:用戶介面裝置 46:機器學習系統 48:資料庫結構 50:張量 52:輸入層
[圖1]顯示光收發器測試系統的實施例。
[圖2]顯示TDECQ測量的示意圖。
[圖3]顯示應用等化器之前和之後的二個眼圖示例。
[圖4]顯示5抽頭前饋等化器的抽頭的圖形表示。
[圖5]顯示具有時序資訊的圖案波形的部分顯示。
[圖6]顯示具有不同模式長度的波形資料庫的示例。
[圖7]顯示不同符號序列的波形資料庫的示例。
[圖8]顯示測試和測量裝置的實施例。
[圖9]顯示包括短模式波形資料庫的機器學習系統的實施例。
[圖10]顯示短模式波形張量影像的示例。
[圖11]顯示短模式波形張量影像的示例。
[圖12]顯示長度為1個符號的模式的短模式波形資料庫的示例。

Claims (20)

  1. 一種方法，包含： 從待測裝置接收信號； 從該信號產生波形； 應用等化器於該波形； 接收識別要對該波形進行的一或多個測量的輸入； 選擇單位間隔(UI)的數量； 掃描該波形以識別長度等於UI的該數量的短模式波形； 應用機器學習系統於該等短模式波形以獲得該一或多個測量值；以及 提供來自該機器學習系統的該波形的該一或多個測量值。
  2. 如請求項1之方法，其中，應用該機器學習系統於該等短模式波形包含應用該機器學習系統於作為該等短模式波形的張量。
  3. 如請求項1之方法，其中，應用該機器學習系統包含使用一或多個短模式資料庫來分析該短模式波形。
  4. 如請求項3之方法，其中，使用一或多個短模式資料庫包含僅使用該一或多個短模式資料庫的子集。
  5. 如請求項3之方法，其中，使用該一或多個短模式資料庫還包含從該機器學習系統移除具有低於閾值的係數值的短模式資料庫以減小輸入資料大小。
  6. 如請求項1之方法，其中，選擇UI的該數量包含基於該等化器的抽頭的數量來選擇UI的該數量。
  7. 如請求項1之方法，其中，選擇UI的該數量包含基於要對該波形進行的該一或多個測量來選擇UI的該數量。
  8. 如請求項1之方法，還包含訓練該機器學習系統，該訓練包含： 設定要被使用的短模式的長度； 從波形和相關測量中選擇一組短訓練模式，用於由該機器學習系統作為資料集的該組短訓練模式； 測試該機器學習系統以確定該機器學習系統產生的結果是否滿足預期結果；以及 當結果不符合該預期結果時，選擇不同組的該等短訓練模式並使用該不同組的短訓練模式重複測試。
  9. 如請求項8之方法，其中，選擇該不同組的該等短訓練模式包含選擇不同組的相同長度的短訓練模式，或者選擇不同組的具有更長長度的短訓練模式。
  10. 如請求項1之方法，其中，該等短模式被儲存在一些短模式資料庫中，其中，根據關係 L= S N ，短模式序列資料庫的數量 L取決於在一類型的信令中使用的信號位準數量 S和模式長度 N。
  11. 一種測試和測量系統，包含： 測試和測量裝置，被配置為從待測裝置接收信號；以及 一或多個處理器，被配置為執行碼，該碼使一或多個處理器： 從該信號產生波形； 應用等化器於該波形； 接收識別要對該波形進行的一或多個測量的輸入； 為已知資料模式選擇單位間隔(UI)的數量； 針對長度為UI的該數量的該等已知資料模式掃描該波形； 將該等已知資料模式識別為短模式波形； 應用機器學習系統於該等短模式波形以獲得該一或多個測量的值；以及 提供來自該機器學習系統的該波形的該一或多個測量的該等值。
  12. 如請求項11之測試和測量系統，其中，該等短模式波形包含張量。
  13. 如請求項11之測試和測量系統，其中，使該一或多個處理器應用該機器學習系統於該等短模式波形的該碼包含碼，其使該一或多個處理器使用一或多個短模式波形資料庫。
  14. 如請求項13之測試和測量系統，其中，使該一或多個處理器使用該一或多個短模式波形資料庫的該碼包含碼，其使該一或多個處理器從該機器學習系統移除具有低於閾值的係數值的該等短模式波形資料庫以減小輸入資料大小。
  15. 如請求項13之測試與測量系統，其中，使該一或多個處理器使用一或多個短模式波形資料庫的該碼包含碼，其使該一或多個處理器僅使用該一或多個短模式波形資料庫的子集。
  16. 如請求項11之測試與測量系統，其中，使該一或多個處理器選擇UI的數量的碼包含碼，其基於要被應用於該波形的等化器的抽頭的數量來選擇UI的數量。
  17. 如請求項11之測試和測量系統，其中，使該一或多個處理器掃描該波形以將該已知資料模式識別為短模式波形的碼包含用以選擇短模式波形並且包括時序資訊的碼。
  18. 如請求項11之測試和測量系統，其中，該一或多個處理器還被配置為執行碼以訓練該機器學習系統，使該一或多個處理器： 設定要被使用的短訓練模式的長度和具有所設定的短模式長度的該等短訓練模式的子集； 從波形和相關測量中選擇可用的短訓練模式的子集，用於要提供給該機器學習系統作為資料集的該短訓練模式； 測試該機器學習系統以確定該機器學習系統產生的結果是否滿足預期結果；以及 當結果不符合該預期結果時，選擇該短訓練模式的不同子集並重複該測試。
  19. 如請求項18之測試和測量系統，其中，使該一或多個處理器選擇該短訓練模式的不同子集的該碼包含碼，其使該一或多個處理器選擇具有相同長度的該短訓練模式的不同子集，或選擇更長長度的該短訓練模式的不同子集。
  20. 如請求項11之測試和測量系統，其中，該等短模式儲存在一些短模式資料庫中，其中，根據關係 L=S N ，短模式序列資料庫的數量 L取決於在一類型的信令中使用的信號位準 S和模式長度 N。
TW111118857A 2021-05-21 2022-05-20 基於短模式波形資料庫之用於測量的機器學習 TW202314260A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202163191908P 2021-05-21 2021-05-21
US63/191,908 2021-05-21
US17/747,954 2022-05-18
US17/747,954 US20220373598A1 (en) 2021-05-21 2022-05-18 Short pattern waveform database based machine learning for measurement

Publications (1)

Publication Number Publication Date
TW202314260A true TW202314260A (zh) 2023-04-01

Family

ID=83899225

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111118857A TW202314260A (zh) 2021-05-21 2022-05-20 基於短模式波形資料庫之用於測量的機器學習

Country Status (5)

Country Link
US (1) US20220373598A1 (zh)
JP (1) JP2022179459A (zh)
CN (1) CN115378773A (zh)
DE (1) DE102022112643A1 (zh)
TW (1) TW202314260A (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112022000932T5 (de) * 2021-02-03 2023-11-16 Tektronix, Inc. Augen-klassen-separator mit überlapp, zusammgesetzte und dynamisiche augen-trigger für menschen und maschinelles lernen
US11907090B2 (en) * 2021-08-12 2024-02-20 Tektronix, Inc. Machine learning for taps to accelerate TDECQ and other measurements
US11923895B2 (en) 2021-03-24 2024-03-05 Tektronix, Inc. Optical transmitter tuning using machine learning and reference parameters
US11923896B2 (en) 2021-03-24 2024-03-05 Tektronix, Inc. Optical transceiver tuning using machine learning
US11940889B2 (en) * 2021-08-12 2024-03-26 Tektronix, Inc. Combined TDECQ measurement and transmitter tuning using machine learning
US11765002B2 (en) * 2021-05-28 2023-09-19 Tektronix, Inc. Explicit solution for DFE optimization with constraints

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NZ630003A (en) 2012-11-23 2017-03-31 Elevare Energy Ip Pty Ltd Electrical supply system

Also Published As

Publication number Publication date
US20220373598A1 (en) 2022-11-24
CN115378773A (zh) 2022-11-22
DE102022112643A1 (de) 2022-11-24
JP2022179459A (ja) 2022-12-02

Similar Documents

Publication Publication Date Title
TW202314260A (zh) 基於短模式波形資料庫之用於測量的機器學習
US9191245B2 (en) Methods and systems for providing optimum decision feedback equalization of high-speed serial data links
JP7223029B2 (ja) 適合性試験方法及び装置、並びに記憶媒体
US8855186B2 (en) Methods and systems for providing optimum decision feedback equalization of high-speed serial data links
US11907090B2 (en) Machine learning for taps to accelerate TDECQ and other measurements
JP2023529493A (ja) 循環ループ画像を用いた信号の分離及び分類のためのシステム及び方法
US7310392B2 (en) Method and apparatus for determining inter-symbol interference for estimating data dependent jitter
US10209276B2 (en) Jitter and eye contour at BER measurements after DFE
US7339985B2 (en) Zero crossing method of symbol rate and timing estimation
JP7292826B2 (ja) 試験測定システム、波形処理方法及びコンピュータ・プログラム
US10476704B2 (en) Equalizer for limited intersymbol interference
JP2022183142A (ja) 通信リンク等化処理、コンピューティング装置及びイコライザ最適化方法
US20230408558A1 (en) Machine learning for measurement using linear response extracted from waveform
EP2975813A1 (en) Methods and systems for providing optimum decision feedback equalization of high-speed serial data links
US10142066B1 (en) Jitter analysis systems and methods
CN117273164A (zh) 用于使用从波形提取的线性响应进行测量的机器学习
WO2023142939A1 (zh) 一致性测试方法和相关装置
JP2023183409A (ja) 試験測定装置及び被試験デバイスの性能測定方法