TW202318020A - 具有包括對受測裝置模擬之參數控制之機器學習波形產生的數位分身 - Google Patents

Abstract

一種用於產生波形的裝置包括組態以將作為元資料之波形與敘述該波形產生的條件之參數相關聯的機器學習系統、組態以允許使用者提供一或多個使用者輸入的使用者介面、以及組態以執行碼的一或多個處理器，該碼使該一或多個處理器用以透過包括一或多個參數之該使用者介面接收一或多個輸入，將該機器學習系統應用於該接收的一或多個參數，藉由該機器學習系統基於該一或多個參數產生波形，以及輸出該產生的波形。本發明亦呈現了產生波形的方法。

Description

具有包括對受測裝置模擬之參數控制之機器學習波形產生的數位分身

本揭露係有關於測試和測量儀器，並且更具體地係有關於用於模擬受測裝置與波形產生器的參數交互的系統。 相關申請的交叉引用

本揭露請求於2021年8月20日提交之標題為「DIGITAL TWIN WITH MACHINE LEARNING WAVEFORM GENERATION INCLUDING PARAMETER CONTROL FOR DEVICE UNDER TEST EMULATION」的美國臨時專利申請案第63/235,653號的權益，其揭露內容以引用方式併入本文中。

電及光學組件之製造商在將組件發送給客戶之前測試它們。在生產線上對光學及電組件的測試通常包括為組件設定操作參數、測試組件以收集輸出資料，然後評估輸出資料來判定組件是通過還是未通過測試方案。對於每一組件此測試程序可能會發生數百次。此測試程序增加了每一組件的製造成本，當乘以組件的數量，這對於一些製造商來說，這些成本可能達到數千或數十萬。

此外，測試本身是耗時的，因為被測試裝置的裝置參數應該在所有操作模式下進行測試。運行自動化測試腳本可能會減輕測試裝置的一些負擔，但通常被測試的機器要麼沒有內建的自動化測試模式，要麼在開發早期最需要的時候這些測試模式不可用。許多裝置完全缺乏自動化測試模式，因此這些裝置沒有可用的自動化測試。

根據本揭露的實施例解決本領域中的這些和其它缺陷。

及

設計和構建光學和電收發器既昂貴又耗時。開發之一個耗時態樣是測試裝置的特性，以確保與多個不同接收器的互通性。如果設計未通過測試，則產生並測試後續設計。每一設計疊代都會導致裝置開發的延遲。所揭露技術的實施例包括建立傳輸器裝置的模型作為裝置本身的數位分身。數位分身基於受測裝置(DUT)的參數學習波形特性，並產生與匹配DUT之波形的波形。然後使用數位分身波形產生器，而不是DUT本身來測試DUT與多種現有接收器類型的互通性。數位分身可包括自動化測試腳本，並且在任何情況下，與DUT本身相比，它可能更易於操作以產生所需的波形。使用數位分身的另一個優點是，如下所述，數位分身可以在DUT實體地可用之前開發和操作，而DUT仍在設計中。因此，使用數位分身允許開發人員在DUT本身甚至能夠產生所需輸出之前使用DUT的所需輸出進行測試。

在一些實施例中，DUT可以是光學發射器。然而，其他實施例針對產生電訊號的裝置。數位分身裝置包括在訓練模式或操作(運行)模式下操作的機器學習訓練網路。如下所述，數位分身裝置係使用實際的波形或模擬的波形訓練。在任一情況下，在訓練模式中，波形作為元資料與敘述產生特定波形之條件的參數相關聯。然後，在操作模式下，數位分身使用其訓練的機器學習網路，基於由使用者選擇或提供的參數選擇或產生特定波形。數位分身可控制任意波形產生器(AWG)以實際產生類比波形，使用者可應用這些波形來測試接收器特性。在其他實施例中，數位分身可為AWG本身的一部分。下文詳細敘述這些實施例。

圖1係根據本揭露實施例之包括用於使用模擬的波形之受測裝置(DUT)之機器學習訓練網路之訓練系統50的系統方塊圖。如上所述，設計、構建、及測試光學和電收發器是昂貴的。並且，通常，在收發器完全開發之前，最終將由這種收發器產生之所需波形是可用的。圖1之訓練系統50包括兩個主要組件-DUT模擬器100及數位分身裝置200。例如，數位分身裝置200可以在軟體中實施為在一或多個通用或專用處理器上運行的應用程式。DUT模擬器100儲存最終將由收發器裝置之傳輸器產生之期望的輸出波形的集合。一般而言，收發器的開發者在收發器的開發過程中建立所需波形的模型，並將它們的副本連同用於建立每一波形的參數一起儲存在DUT模擬器100中。這種波形開發可以在構建收發器之前完成。

在DUT模擬器100已獲取並儲存所需的波形之後，模擬器將每一波形及其相關參數傳遞給數位分身裝置200。通常，DUT模擬器100的使用者操作模擬器以單獨地掃描產生特定波形之各種值範圍和參數組合。這些參數組合及其相關波形儲存在DUT模擬器100中。參數可以包括對以一些方式對波形進行分類之有用的任何東西。輸入參數資料可包括許多不同類型的資訊。它可能包括傳輸器調諧參數，其係傳輸器暫存器中用於發送波形的各種參數。可能有幾十個，甚至幾百個參數。參數資料的其它實例包括但不限於：溫度、濕度、對波形進行的任何類型的測量、波形資料之響應的帶寬、對傳輸波形的媒體之轉移函數的估計、FFE均衡抽頭、波形上的雜訊、用於建立或獲取波形之測試和測量裝置的雜訊、平均光功率、抖動等。因此，有數千種可能的參數組合。每一可能的參數組合都與波形相關聯。然後，對於每個組合，參數組合與DUT模擬器100中的波形相關聯並一起儲存。

在各種參數和波形已經相互關聯之後，參數資料和波形資料被發送到數位分身裝置200以用於訓練。在訓練期間，機器學習網路220以訓練模式操作。機器學習網路220係由使用者介面240控制，其可為圖形使用者介面、或程式介面。在訓練模式中，機器學習網路220被提供有產生波形之參數以作為訓練的輸入。由參數產生的波形被提供為元資料，機器學習訓練網路使用它來訓練其網路。具體地，機器學習網路220疊代參數及其波形元資料以將波形與建立它們的參數相關聯。此外，機器學習網路220(作為其訓練的一部分)建立預測模型，其在給定一組輸入參數的情況下準確地預測某些波形。稍後，這些預測將用於數位分身裝置的運行時間模式，如下所述。在一些實施例中，使用者操作使用者介面240以從用於產生特定波形以供機器學系網路220攝取之每一可控參數之從最小值到最大值掃描。這樣，數位分身200透過機器學習網路220教導數位分身將特定波形與特定參數設定相匹配。在一些實施例中，機器學習網路220可使用對影像資料進行操作而進行學習的ResNet或RegNet網路。在這些實施例中，機器學習網路220可使用波形之影像來訓練，而不是波形本身。

DUT模擬器100可以儲存單個裝置的參數和波形元資料，或者DUT模擬器可以儲存多個不同裝置的參數和波形元資料。一般而言，僅來自儲存在DUT模擬器中的單個裝置之參數和波形元資料將隨時用於訓練機器學習網路220。

圖2係包括用於DUT之機器學習訓練網路之訓練系統60的系統方塊圖。不同於圖1的訓練系統50，圖2的訓練系統60使用實際的而非模擬的波形來訓練機器學習網路220。在訓練系統60中，實際的DUT已經存在，所以波形可以由DUT產生而不需要模擬波形，如圖1的系統50。

訓練系統60包括控制DUT 160的測試自動化系統150。DUT 160從測試自動化系統150接收參數並使用那些參數產生連續的波形，該連續的波形被發送到示波器170。示波器從DUT 160接收連續的波形，並產生與來自DUT 160之連續的波形匹配或有關的波形輸出。然後，類似於參照圖1敘述的訓練系統50，測試自動化系統150將參數以及相應的波形作為元資料發送到機器學習網路220以用於訓練。數位分身裝置200中的機器學習網路220以與上述相同的方式操作，攝取參數和波形元資料並產生波形與參數之間相互關聯的預測，以訓練機器學習網路220。

在數位分身裝置200中的機器學習網路220被訓練之後，使用者可使用數位分身裝置200來產生選定的波形以用於互通性測試或其它用途。

圖3係根據本揭露實施例之用於基於使用者輸入產生模擬的波形之在數位分身裝置200中之經訓練的機器學習網路的系統方塊圖。在此操作模式中，數位分身裝置200產生波形、或波形訊號，使任意波形產生器300產生類比電波形。產生的類比電波形可被發送至DUT 400用於測試。DUT 400可以例如為接收器，其被用來測試與儲存在數位分身裝置200中的各種波形的互通性。

使用者介面250包括DUT模型參數面板250，使用者可透過該面板為參數選擇特定值來產生所需的波形。DUT模型參數面板250可為圖形使用者介面，或可為透過編程的命令來控制。DUT模型參數面板250中所示的特定參數與用於訓練上述系統50和60中的機器學習網路220的那些參數匹配。從上面回想一下，機器學習網路220被訓練為將特定波形與特定參數集相關聯。在此運行時間模式中，使用者使用DUT模型參數面板250選擇參數。然後，機器學習網路220基於DUT模型參數面板250中的確切參數設定產生最佳波形或指示波形的訊號，作為其從機器學習網路220的輸出。回想一下，在訓練期間，機器學習網路220將特定波形作為元資料與用於產生波形的參數緊密關聯。現在，在這種運行時間模式中，機器學習網路以相反的方式工作–基於最初用於建立波形的參數產生波形。在操作中，當使用者調整DUT模型參數面板250中的各個參數時，機器學習網路220產生與所選參數最匹配的波形。在其他實施例中，來自機器學習網路220的輸出可以用作先前分類的波形儲存資料庫的索引。在此實施例中，來自機器學習網路220的輸出可用於選擇先前呈現給機器學習網路的波形之一作為與先前掃描的一組參數值之一最相關的波形。

在由機器學習網路220選擇並輸出波形之後，可以可選地應用去嵌入濾波器270以針對波形透過AWG 300中的訊號路徑經歷的特性來補償波形，諸如在AWG 300內的數位至類比轉換器(DAC)。

實施例可進一步包括通用減損參數面板260，其可用於進一步修改由機器學習網路220產生的波形。藉由選擇通用減損參數面板260的元件，使用者能夠修改機器學習網路220產生的波形，以更準確地反映實際裝置出現的波形，而不是如來自機器學習網路220之未修改的輸出。例如，在將波形發送到AWG 300之前，使用者可以在減損參數混合器280中向波形添加諸如雜訊、抖動、符號間干擾(ISI)或其他因素的因素。由通用減損參數面板260產生的濾波對波形產生可控減損以模擬波形將如何透過實體傳輸鏈路修改。在一些實施例中，減損參數混合器280可在去嵌入濾波器270之前。

以上述方式使用數位分身200及AWG 300可為使用者提供參數控制，就像他們在波形產生裝置實際建立和工作後將控制的內容一樣，但數位分身200可能在裝置構建之前很久就可用。這種透過使用數位分身200進行的建模藉由在實體地構建裝置之前測試設計概念以允許較不昂貴的設計循環。

圖4係用於基於使用者輸入產生模擬的波形之在數位分身裝置200中之經訓練的機器學習網路的系統方塊圖。此外，在圖4中，在AWG 300產生電波形之後，它被應用到電至光學介面350，其將AWG 300的電波形輸出轉換為光學波形。然後，可以將光學波形應用到光學接收器400或被建立成接收光學訊號的其他裝置。在數位分身200中，可以針對訓練期間的光學至電變化差異以及運行時間的電至光學變化來優化去嵌入濾波器272。否則，去嵌入濾波器272與上文參考圖3敘述的去嵌入濾波器270相同或相似地操作。

圖5係根據本揭露實施例之包括用於產生電波形之機器學習網路220之任意波形產生器500的系統方塊圖。圖5之任意波形產生器500類似於圖3的數位分身200，除了任意波形產生器500包括本身產生輸出波形的電路，而無需耦接至外部AWG，諸如圖3的AWG 300。具體地，數位至類比轉換器(DAC)510接受由機器學習網路220選擇的數位波形，並且由去嵌入濾波器270和減損參數混合器280修改。然後，DAC 510將數位波形轉換為類比波形訊號。類比波形訊號可由一或多個輸出電路520修改，以調節輸出波形以用於任意波形產生器500的最終輸出。例如，輸出電路520可包括一或多個放大器、緩衝器或其它調節電路。

從任意波形產生器500輸出的最終類比波形可被發送到DUT 400以用於分析，或者如下所述，可以用於其他目的。圖5中所示的系統可用於測試週邊快速週邊組件互連或其它資料傳輸路徑。例如，任意波形產生器500對於想要更好地理解在調整那些參數時裝置之參數之間的相互作用的研發工程師可能是有幫助的。考慮這樣一種情況，其中任意波形產生器500產生相對較短的資料圖案，其在示波器螢幕上實時和交互地更新，諸如圖6的示波器600。藉由調整任意波形產生器500之DUT模型參數250，使用者可實時看到特定參數如何影響輸出波形。修改特定參數可能會對最終波形輸出產生很小的影響。或者，可能是單一參數的小修改可能對機器學習網路220產生的波形以及由波形產生器500輸出的波形產生很大差異的情況。在任一情況下，將任意波形產生器500耦接到示波器600允許使用者實時查看參數調整的效果。此外，使用示波器600來觀察由機器學習網路220產生的波形允許使用者在訓練階段檢查機器學習網路的訓練品質，如上所述。

圖7係根據本揭露實施例之包括用於基於使用者輸入產生光學波形之機器學習網路220之任意波形產生器500的系統方塊圖。圖7的任意波形產生器500類似於圖4的數位分身裝置200，因為它耦接到電至光學介面350，其將從任意波形產生器500輸出的電波形轉換為光學波形。然後，可以將光學波形呈現給光學接收器400或其他DUT以進行測試。如上文詳細敘述，圖7之任意波形產生器500和圖4之數位分身裝置200之間的主要差異在於DAC 510的存在。

本揭露的態樣，包括數位分身裝置200及/或任意波形產生器500可以在特別建立的硬體上、在韌體上、數位訊號處理器上或在包括根據編程指令操作的處理器之特別編程的通用電腦上操作。本文使用的用語控制器或處理器旨在包括微處理器、微電腦、特定應用積體電路(ASIC)、及專用的硬體控制器。本揭露的一或多個態樣可體現在電腦可用資料和電腦可執行指令中，諸如在由一或多個電腦(包括，監視模組)或其它裝置執行的一或多個程式模組中。通常，程式模組包括常式、程式、物件、組件、資料結構等，其在由電腦或其他裝置中的處理器執行時執行特定的任務或實施特定的抽像資料類型。電腦可執行指令可儲存在非暫態電腦可讀取媒體上，諸如硬碟、光碟、可移動儲存媒體、固態記憶體、隨機存取記憶體(RAM)等。如所屬技術領域中具有通常知識者將理解的，程式模組的功能可根據需要在各種態樣中進行組合或分布。此外，功能可以全部或部分地以韌體或硬體均等物來體現，諸如積體電路、FPGA等。可以使用特定的資料結構來更有效地實施本發明的一或多個態樣，並且此種資料結構被設想在這裡描述的電腦可執行指令和電腦可用資料的範圍內。

在一些情況下，所揭露的態樣可在硬體、韌體、軟體或其任何組合中實施。所揭露的態樣亦可實施為由一或多個或非暫態電腦可讀取媒體攜帶或儲存在一或多個非暫態電腦可讀取媒體上的指令，其可以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。如本文所論，電腦可讀取媒體是指可以由計算裝置存取的任何媒體。作為實例而非限制，電腦可讀媒體可包括電腦儲存媒體和通訊媒體。

電腦儲存媒體是指任何可用於儲存電腦可讀取資訊的媒體。作為實例而非限制，電腦儲存媒體可包括RAM、ROM、電可擦除可編程唯讀記憶體(EEPROM)、快閃記憶體或其它記憶體科技、光碟唯讀記憶體(CD-ROM)、數位影音光碟(DVD)或其他光碟儲存、磁卡帶、磁帶、磁碟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、可移除或不可移除的媒體。電腦儲存媒體排除了訊號本身和訊號傳輸的暫時形式。

通訊媒體是指可用於電腦可讀取資訊之通訊的任何媒體。作為實例而非限制，通訊媒體可包括同軸電纜、光纖電纜、空氣、或適合電、光學、射頻(RF)、紅外線、聲學或其他類型訊號通訊的任何其他媒體。

此外，這個書面描述參考了特定的特徵。應理解到，在這說明書中的揭露內容包括那些特定特徵的所有可能的組合。例如，在特定態樣的上下文中揭露了特定特徵的情況下，該特徵在可能的範圍內也可以在其他態樣的情況下使用。

而且，當在本申請中提到具有兩或多個定義的步驟或操作的方法時，所定義的步驟或操作可以以任何順序或同時執行，除非上下文排除這些可能性。

儘管為了說明的目的已經闡明和描述了本發明的具體態樣，但將理解到可以在不脫離本公開的精神和範圍的情況下進行各種修改。因此，除了所附申請專利範圍之外，本發明不應受到限制。

50,60:訓練系統 100:DUT模擬器 150:測試自動化系統 160:DUT 170,600:示波器 200:數位分身裝置 220:機器學習網路 240,250:使用者介面 260:通用減損參數面板 270,272:去嵌入濾波器 280:減損參數混合器 300:AWG 350:電至光學介面 400:光學接收器 500:任意波形產生器 510:數位至類比轉換器(DAC) 520:輸出電路

[圖1]係根據本揭露實施例之包括用於使用模擬的波形之受測裝置(DUT)之機器學習訓練網路的系統方塊圖。

[圖2]係根據本揭露實施例之包括用於使用實際的波形之受測裝置(DUT)之機器學習訓練網路的系統方塊圖。

[圖3]係根據本揭露實施例之用於基於使用者輸入產生模擬的電波形之經訓練的機器學習網路的系統方塊圖。

[圖4]係根據本揭露實施例之用於基於使用者輸入產生模擬的光學波形之經訓練的機器學習網路的系統方塊圖。

[圖5]係根據本揭露實施例之包括用於基於使用者輸入產生模擬的電波形之機器學習網路之任意波形產生器的系統方塊圖。

[圖6]係根據本揭露實施例之包括用於基於使用者輸入產生模擬的電波形之機器學習網路之任意波形產生器的另一系統方塊圖。

[圖7]係根據本揭露實施例之包括用於基於使用者輸入產生模擬的光學波形之機器學習網路之任意波形產生器的系統方塊圖。

220:機器學習網路

240,250:使用者介面

260:通用減損參數面板

270:去嵌入濾波器

280:減損參數混合器

400:光學接收器

500:任意波形產生器

510:數位至類比轉換器(DAC)

520:輸出電路

Claims (19)

1. 一種用於產生波形的裝置，其包含： 機器學習系統，其組態以將作為元資料之波形與敘述該波形產生的條件之參數相關聯； 使用者介面，其組態以允許使用者提供一或多個使用者輸入；以及 一或多個處理器，其組態以執行碼，該碼使該一或多個處理器用以： 透過該使用者介面接收一或多個輸入，該一或多個使用者輸入至少包括一或多個參數， 將該機器學習系統應用於該接收的一或多個參數， 藉由該機器學習系統基於該一或多個參數產生波形；以及 輸出該產生的波形。
2. 如請求項1之用於產生波形的裝置，其進一步包含，在訓練模式下，測試自動化系統將參數組發送至該受測裝置、從該受測裝置獲取結果波形、以及將該等參數組及該等結果波形作為訓練輸入發送至該機器學習系統。
3. 如請求項2之用於產生波形的裝置，其中該測試自動化系統包括參數產生器以及用以從該受測裝置獲取波形的測試和測量儀器。
4. 如請求項3之用於產生波形的裝置，其中該參數產生器係組態以掃描一或多個參數的多個值以產生該等參數組。
5. 如請求項1之用於產生波形的裝置，其中該產生的波形係以數位形式的輸出，該裝置進一步包含數位轉類比轉換器，其用以將該產生的波形之該數位形式轉換為該產生的波形之類比形式。
6. 如請求項5之用於產生波形的裝置，其中該產生的波形之該類比形式係呈現給電至光學介面。
7. 如請求項6之用於產生波形的裝置，其中該裝置進一步包含去嵌入濾波器，其用於在由該數位轉類比轉換器進行轉換之前對該產生的波形應用電至光學補償。
8. 如請求項1之用於產生波形的裝置，其中該裝置進一步包含減損參數混合器，其用於將一或多個減損應用至該產生的波形。
9. 如請求項8之用於產生波形的裝置，其中該使用者介面係構造成接收來自使用者的減損選擇。
10. 如請求項1之用於產生波形的裝置，其中該一或多個處理器係進一步構造成執行碼，該碼藉由在該機器學習系統中建立該等波形與參數之間的關聯使該一或多個處理器訓練該機器學習系統。
11. 一種用於藉由包括機器學習系統之裝置來產生波形的方法，該方法包含： 透過使用者介面接受一或多個參數； 將該機器學習系統應用於該接受的一或多個參數， 藉由該機器學習系統基於該一或多個參數產生波形；以及 輸出該產生的波形。
12. 如請求項11之用於產生波形的方法，其進一步包含用來自波形模擬裝置的輸出來訓練機器學習系統。
13. 如請求項11之用於產生波形的方法，其進一步包含使用來自測試自動化系統的輸出來訓練該機器學習系統，其中該測試自動化系統包括用以將參數組發送至受測裝置的參數產生器以及用以從根據該等參數組操作之該受測裝置獲取波形的測試和測量儀器。
14. 如請求項11之用於產生波形的方法，其中該產生的波形係以數位形式的輸出，該方法進一步包含將該產生的波形轉換為類比形式。
15. 如請求項14之用於產生波形的方法，其進一步包含將該產生的波形之該類比形式呈現給電至光學介面。
16. 如請求項15之用於產生波形的方法，其進一步包含在轉換該產生的波形為該類比形式之前應用電至光學補償至該產生的波形。
17. 如請求項11之用於產生波形的方法，其進一步包含將一或多個減損應用至該產生的波形。
18. 如請求項17之用於產生波形的方法，其進一步包含接收來自使用者的一或多個選擇的減損。
19. 如請求項1之用於產生波形的方法，其進一步包含藉由在該機器學習系統中建立該等接受的波形與相關聯的波形元資料之間的關聯來訓練該機器學習系統。

Images