TW202336451A - 使用去雜訊資料的機器學習模型訓練及帶有雜訊校正的模型預測 - Google Patents
使用去雜訊資料的機器學習模型訓練及帶有雜訊校正的模型預測 Download PDFInfo
- Publication number
- TW202336451A TW202336451A TW112101362A TW112101362A TW202336451A TW 202336451 A TW202336451 A TW 202336451A TW 112101362 A TW112101362 A TW 112101362A TW 112101362 A TW112101362 A TW 112101362A TW 202336451 A TW202336451 A TW 202336451A
- Authority
- TW
- Taiwan
- Prior art keywords
- waveforms
- noise
- value
- training
- tdecq
- Prior art date
Links
- 238000012549 training Methods 0.000 title claims abstract description 79
- 238000012937 correction Methods 0.000 title claims description 30
- 238000010801 machine learning Methods 0.000 title description 38
- 238000005259 measurement Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000003860 storage Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
- G01R31/2603—Apparatus or methods therefor for curve tracing of semiconductor characteristics, e.g. on oscilloscope
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
一種測試和量測系統，具有可連接到被測裝置(DUT)的一或多個輸入，以及一或多個處理器被配置為執行代碼以使一或多個處理器執行：藉由從一或多個DUT或從模擬波形中獲取一或多個波形來收集一組訓練波形，從該組訓練波形中移除雜訊以產生一組無雜訊訓練波形，以及使用該組無雜訊訓練波形做為訓練組來訓練類神經網路以預測DUT的量測值，產生訓練的類神經網路。一種訓練類神經網路的方法，具有從一或多個DUT接收一或多個波形，或從波形模擬器產生一或多個波形，從該一或多個波形收集的一組訓練波形中移除雜訊以產生一組無雜訊訓練波形，以及使用該組無雜訊訓練波形做為訓練組來訓練類神經網路以預測DUT的量測值，產生訓練的類神經網路。
Description
本揭露涉及測試和量測系統，更具體地涉及用於在測試和量測應用程式中訓練和使用機器學習模型的技術。
[相關申請案]
本揭露主張2022年1月14日申請的名稱為「使用去雜訊資料的機器學習模型訓練及不帶有雜訊校正的模型預測」之美國臨時專利申請案第63/299,878號的優先權，其揭露之內容係藉由引用的方式以其整體被併入此處。
近來，機器學習(ML)演算法或模型，以及在一些情況下，類神經網路(此處稱為ML演算法)已被開發用於測試和量測應用程式。這些包含量測高速通訊網路中組件的性能，舉例而言，進行發射色散眼圖閉合四相(Transmitter Dispersion Eye Closure Quaternary；TDECQ)量測。在一些測試和量測系統中，這些ML演算法可以在測試和量測儀器(例如示波器)中實現。
機器學習演算法需要大量訓練資料組來開發能夠正確運行的預測網路。在實踐時，訓練組的產生和選擇與機器學習(ML)演算法本身一樣重要。
圖1示出為TDECQ量測開發機器學習(ML)演算法的當前工作流程範例。此工作流程使用被測裝置(devices under test；DUT)或實驗室產生器來產生訓練波形10。示波器獲取一組這樣的波形。此波形不是有意改變的，其包含其自身的雜訊以及用於獲取波形的示波器的雜訊。此組用於訓練ML演算法，在本例中為類神經網路。訓練網路12所需的預期回應(TDECQ值)藉由使用在相同波形上運行的常規的量測演算法進行量測來提供。
這導致在12的生產網路。在操作中，代替訓練波形，來自DUT的實際待量測波形被饋送到生產網路12以預測在14的TDECQ值。
這種方法有幾個缺點。首先，產生訓練組的成本很高，因為必須從實際運行的DUT(或實驗室產生器)獲取大量資料組，並藉由用於量測DUT回應的測試和量測儀器獲取。ML訓練需要處理數千個波形，這是一個困難且耗時的程序。
此外，為了全面，訓練資料組可能還需要包含掃描會影響ML演算法預測的其他參數時產生的波形，例如變化的示波器信噪比(SNR)、DUT的SNR以及變化的DUT輸出位準(振幅)。這可能涉及多個DUT操作並由多個測試和量測儀器(例如，多個示波器)進行量測，以解決不同的儀器雜訊和不同的DUT雜訊。
在訓練組產生期間增加的這些和其他附加掃描參數將顯著地增加訓練資料的大小。舉例而言，掃描具有三個可能值的一個參數將使訓練組中的波形數量增加三倍。這導致更慢的訓練和更長的開發時間。
然而，即使訓練資料組有來自多個儀器的資料來解釋不同的雜訊等級，它仍然可能導致類神經網路過度擬合訓練期間暴露的雜訊等級。當ML演算法「太好」地學習訓練資料而無法概括到其他資料時，就會發生過度擬合，從而導致生產中的概括能力較差。由於雜訊比關鍵信號特徵具有更大的隨機性且通常在更高的頻率，因此在訓練波形中包含雜訊可能會導致ML演算法鎖定雜訊特徵和過度擬合訓練組的風險更高。
所揭露的設備和方法的實施例解決了現有技術中的缺點。
在此的實施例克服了上述問題，例如需要包含在掃描會影響機器學習(ML)演算法預測的其他參數時產生的波形，例如變化的示波器信噪比(SNR)和變化的DUT位準和DUT SNR位準。這些實施例從訓練波形中分離出雜訊成分，然後使用無雜訊資料訓練ML演算法。然後實施例補償操作環境中的雜訊。這些實施例將更好地概括並避免過度擬合的問題。
圖2示出ML演算法訓練和操作的修改後的工作流程。首先，討論針對訓練場景。示波器等測試及量測儀器在20處獲取一組原始波形。這些可以從一或多個DUT或從波形模擬器獲取。此程序然後從獲取的波形中移除雜訊以在22處產生一組無雜訊訓練波形。
移除雜訊可以採取許多不同的形式。在一實施例中，原始波形的數量可能超過訓練所需的波形數量：此程序可以採用數個波形並將它們平均為一個波形，從而將波形數量減少到原始波形數量除以用於平均的數量。可以調整數量以提供實質上無雜訊的波形。雖然當前處理的波形總數比現有技術中的多，但這仍然是有利的，因為平均是一個比訓練成本低得多的程序。
還存在其他方法，例如最鄰近類型的方法，其中每個波形與其之前最近的X個鄰居和它之後的最近X個鄰居進行平均，這不會減少整體波形的數量，因為每個波形都會有一個自身的平均版本。此外，可以在模擬中建立波形，而不是獲取波形，這是一種提供無雜訊波形的簡單方法。
ML的訓練還可以包含訓練ML以忽略雜訊的步驟。一些或所有波形可以被使用兩次，一次沒有雜訊，第二次有意地被雜訊污染，甚至被不同振幅的雜訊污染。ML被訓練為忽略雜訊。
典型地，某種類型的示波器會在從DUT獲取波形時收集這些波形。舉例而言，即時(RT)示波器可以以極低的成本收集大量資料。其可以執行高速獲取多個相鄰的波形模式。接著示波器可以對這些波形模式進行平均，以產生一組較小的無雜訊訓練波形。其還將量測原始波形的雜訊分配以確定雜訊補償/表示模組26中的雜訊補償或校正因子，從而產生校正因子28。
如果改為使用取樣示波器，由於此儀器運行速度較慢，因此可能僅在部分波形中收集資料(目標獲取)。因此，在一這樣的實施例中，可以選擇8個不同的位置、4個不同的位準和4個不同的邊緣，並在這些位置獲取多個子波形以開發原始子波形組，然後如上所述對它們進行平均。這種有目標的獲取概念是用於使用取樣示波器進行信號抖動分析的先前技術。
在圖2的下方訓練路徑中，接著使用無雜訊波形22來訓練ML類神經網路。這個程序通常將涉及在已知資料和已知「答案」上訓練類神經網路，然後使用網路尚未看到的部分資料組來驗證它，正如本領域常做的那樣。此時，類神經網路已在24處訓練，現在可用於在提供獲取波形時預測TDECQ值。
一旦經過訓練的類神經網路可用，就可以進入操作模式。在一實施例中，示波器將在20處獲取波形，但這次是在運行時或生產環境中。波形包含DUT和示波器的雜訊。類神經網路在24處對獲取的波形進行操作，並在30處產生TDECQ預測值。由於預測基於無雜訊訓練，因此它不能完美地解釋波形中包含的兩種雜訊(DUT和示波器)。雜訊表示模組26根據無雜訊訓練波形計算校正因子28。
ML預測通常具有一準確度度量，相似於統計中的可信值。預測的TDECQ值將具有此值，但在上述實施例中有所減小，這是基於從原始波形中移除的雜訊，因為訓練是使用無雜訊波形進行的，而在操作中波形是有雜訊的。這對降低TDECQ值的準確度度量不利，在32，TDECQ值包括最終TDECQ值的部分。
在另一實施例中，在操作模式中，示波器獲取數個波形，並且這些波形由雜訊表示模組26和訓練的ML 24兩者使用。在此實施例中，經過訓練的ML使用已移除雜訊的波形。雜訊移除程序與上方的ML訓練相同，但在操作波形上執行，而不是在訓練波形上執行。由於ML預測沒有考慮雜訊，因此此程序接著藉由雜訊表示模組26從操作波形確定的校正因子28應用所有雜訊懲罰補償。雜訊補償是將由於雜訊引起的懲罰添加到最終TDECQ結果的唯一手段，此事實是與先前實施例的區別。其可能更複雜但可能導致這兩個實施例的更準確的實施例。
使用ML，無需尋找中間值(例如FFE分接頭值)的中間步驟即可找到TDECQ結果。此能力可能有一個缺點，因為在許多情況下，瞭解FFE分接頭值或相似的中間值很有價值。如果僅知道FFE分接頭值，則此程序不會受到影響，因為剩餘的計算是直接的封閉形式計算，這是一種低成本的計算工作。因此，存在對使用ML找到FFE分接頭值然後使它們可用於從這些FFE分接頭值計算TDECQ的程序感到興趣。
一種計算TDECQ的方法可能側重於找到導致正確TDECQ值的FFE分接頭值，接著使用標準(IEEE 802.bs)給出的經典(非ML)程序中的BER(位元錯誤率)自適應來計算TDECQ值。雖然第一實施例使用類神經網路直接預測TDECQ值，但存在不同的實施例，其中類神經網路可用於預測前饋等化器(FFE)的分接頭值。對於有雜訊和無雜訊波形，FFE值應該相同，因此另一種方法是針對FFE分接頭值訓練類神經網路，然後從中獲取TDECQ值。雖然這是一種更間接的途徑，但本討論仍將其稱為預測TDECQ值，以及在其中找到除了TDECQ之外的其他有用中間參數的途徑。
另一個變異涉及雜訊特性，因為可以同時分析DUT波形的雜訊表示模組26中的波形的雜訊，從而得到校正因子28，以及來自30的TDECQ預測值。接著，系統使用經過訓練的ML網路的TDECQ值和校正因子以得出最終結果。
實施例的工作流程可以發生在一個測試和量測儀器內，例如上面提到的示波器，或是可以發生在儀器和ML演算法所在的獨立的計算裝置的組合中。如圖3所示，儀器42可以藉由互連或探針41連接到DUT 40。埠44包含獲取和數位化波形所需的各種組件。這些可能包含但不限於時脈再生、類比數位轉換器(ADC)等。一或多個處理器48執行上方討論的操作，通常藉由執行代碼以使一或多個處理器執行各種操作。
獲取的波形將儲存在記憶體46中。這可能包括儀器上的記憶體、連接到儀器的計算裝置上的記憶體、雲端記憶體等。此記憶體或另一個記憶體也可以儲存要由上述處理器執行的代碼。
使用者介面(U/I)50為使用者提供與儀器互動的能力，例如藉由開始獲取、設置參數、查看顯示的波形和相關資料等。U/I可能位於儀器或連接的計算裝置上。
相似地，ML演算法或系統52可以駐留在儀器42上，或是可以存在於獨立的計算裝置上。雖然此處所示為獨立的裝置，但這僅是為了幫助理解並且不意圖限制實施例的範圍。
本揭露的態樣可以在特別建立的硬體、韌體、數位信號處理器或包含根據程式指令運行的處理器的特別程式化的通用電腦上運行。本文使用的用詞控制器或處理器旨在包含微處理器、微電腦、特殊應用積體電路(ASIC)和專用硬體控制器。本揭露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，例如體現在由一或多台電腦(包含監控模組)或其他裝置執行的一或多個程式模組中。通常，程式模組包含當由電腦或其他裝置中的處理器執行時執行特定任務或實現特定抽像資料類型的常式、程序、物件、組件、資料結構等。電腦可執行指令可以儲存在例如硬碟、光碟、可移除儲存媒體、固態記憶體、隨機存取記憶體(RAM)等非暫時性電腦可讀媒體上。如本領域具有通常知識者將理解的，程式模組的功能可以根據各個態樣的需求進行組合或分配。此外，該功能可以全部或部分體現在韌體或硬體等效物中，例如積體電路、FPGA等。特定資料結構可用於更有效地實施本揭露的一或多個態樣，並且此類資料結構被設想在本文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，本揭露的態樣可以以硬體、韌體、軟體或其任意組合來實現。本揭露的態樣還可以被實現為由一或多個或非暫時性電腦可讀媒體攜帶或儲存在一或多個或非暫時性電腦可讀媒體上的指令，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。如本文所討論的，電腦可讀媒體是指可以由計算裝置存取的任何媒體。作為範例而非限制，電腦可讀媒體可以包括電腦儲存媒體和通訊媒體。
電腦儲存媒體是指任何可用於儲存電腦可讀資訊的媒體。作為範例而非限制，電腦儲存媒體可以包含RAM、ROM、電可抹除可程式唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、光碟唯讀記憶體(CD-ROM)、數位視訊光碟(DVD)，或其他光碟儲存器、磁性卡匣、磁帶、磁碟儲存器或其他磁性儲存裝置，以及以任何技術實現的任何其他揮發性或非揮發性、可移動或不可移動媒體。電腦儲存媒體不包括信號本身和信號傳輸的暫時形式。
通訊媒體是指可用於電腦可讀資訊通訊的任何媒體。作為範例而非限制，通訊媒體可以包含同軸電纜、光纖電纜、空氣或適合電、光、射頻(RF)、紅外線、聲響或其他類型信號通訊的任何其他媒體。
此外，此書面描述參考了特定特徵。應當理解，本說明書中的揭露內容包含那些特定特徵的所有可能組合。舉例而言，在特定態樣的上下文中揭露特定特徵的情況下，也可以在可能的範圍內在其他態樣的上下文中使用該特徵。
此外，當在本申請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進行，除非上下文排除了那些可能性。
[範例]
以下提供所揭露技術的說明範例。這些技術的一實施例可以包含以下描述的範例的一或多個，以及任意組合。
範例1是一種測試和量測系統，包括：可連接到被測裝置(DUT)的一或多個輸入；以及一或多個處理器被配置為執行代碼以使一或多個處理器執行：藉由從一或多個DUT或從模擬波形中獲取一或多個波形來收集一組訓練波形；從一組訓練波形中移除雜訊以產生一組無雜訊訓練波形；以及使用該組無雜訊訓練波形做為訓練組來訓練類神經網路以預測DUT的量測值，產生訓練的類神經網路。
範例2是範例1的測試和量測系統，其中，使該一或多個處理器從該組訓練波形中移除雜訊的該代碼包括使該一或多個處理器捕獲數個原始波形並平均該數個原始波形以重複產生無雜訊波形直到完成該組無雜訊訓練波形。
範例3是範例1或2的測試和量測系統，其中，該一或多個處理器還被配置為執行代碼以確定從該組波形中移除的該雜訊中的校正因子。
範例4是範例1至3中任一者的測試和量測系統，其中，該量測值是發射色散眼圖閉合四相(TDECQ)值。
範例5是範例4的測試和量測系統，其中，使該一或多個處理器使用該組無雜訊訓練波形來訓練類神經網路以預測TDECQ值的該代碼包括使該一或多個處理器預測前饋等化器(FFE)的分接頭值的代碼，並且從該FFE分接頭值確定該TDECQ值。
範例6是範例1至5中任一者的測試和量測系統，其中，該一或多個處理器還被配置為執行代碼以使該一或多個處理器正規化該組無雜訊波形的振幅。
範例7是範例4至6中任一者的測試和量測系統，其中，該一或多個處理器還被配置為執行代碼以使該一或多個處理器執行在生產環境中從DUT獲取一或多個波形；以及基於該一或多個波形，應用該訓練的類神經網路為DUT產生預測的TDECQ值。
範例8是範例7的測試和量測系統，其中，該一或多個處理器還被配置為執行代碼以使該一或多個處理器執行：根據從該組訓練波形中移除的該雜訊確定校正因子；以及將該校正因子應用於該預測的TDECQ值的準確度等級。
範例9是範例7的測試和量測系統，其中，該一或多個處理器還被配置為執行代碼以使該一或多個處理器執行：收集一組操作波形；根據從該組操作波形中移除的雜訊確定校正因子；以及將該校正因子應用於該預測的TDECQ值的準確度。
範例10是範例7的測試和量測系統，其中，使該一或多個處理器應用該訓練的類神經網路的該代碼使該一或多個處理器預測前饋等化器(FFE)分接頭值並根據該FFE分接頭值確定TDECQ值。
範例11是一種訓練類神經網路的方法，包括：從一或多個DUT接收一或多個波形，或從波形模擬器產生一或多個波形；從該一或多個波形收集的一組訓練波形中移除雜訊以產生一組無雜訊訓練波形；以及使用該組無雜訊訓練波形做為訓練組來訓練類神經網路以預測DUT的量測值，產生訓練的類神經網路。
範例12是範例11的方法，其中，移除雜訊包括捕獲數個原始波形並平均該複數個原始波形以重覆產生無雜訊波形直到完成該組無雜訊波形。
範例13是範例11或12的方法，其中，該一或多個處理器還被配置為確定從該組波形中移除的該雜訊中的校正因子。
範例14是範例11至13中任一者的方法，其中，該量測值是發射色散眼圖閉合四相(TDECQ)值。
範例15是範例14的任一者的方法，其中，使用該組無雜訊波形來訓練類神經網路以預測TDECQ值包括預測前饋等化器(FFE)的分接頭值，從中可以確定該TDECQ值。
範例16是範例14至15中任一者的方法，更包括：在生產環境中從DUT獲取一或多個波形；以及基於該波形，應用該訓練的類神經網路為該DUT產生預測的TDECQ值。
範例17是範例16的方法，進一步包括：根據從該組訓練波形中移除的該雜訊確定校正因子；以及將雜訊校正應用於該預測的TDECQ值的準確度等級以產生最終的TDECQ值。
範例18是範例16的方法，進一步包括：收集一組操作波形；根據從該組操作波形中移除的該雜訊確定校正因子；以及將該校正因子應用於該預測的TDECQ值的準確度等級以產生最終的TDECQ值。
範例19是範例14至15中任一者的方法，其中，使用該訓練的類神經網路包括預測前饋等化器(FFE)分接頭值和從該FFE分接頭值確定該TDECQ值。
本說明書中揭露的所有特徵，包含請求項、摘要及圖式，以及揭露的任何方法或程序中的所有步驟，可以以任何組合方式組合，除非至少一些這樣的特徵及/或步驟相互排斥的組合。除非另有明確說明，否則本說明書中揭露的每個特徵，包含請求項、摘要和圖式，都可以由服務於相同、等同或相似目的的替代特徵替代。
儘管為了說明的目的已經說明和描述了具體實施例，但是應當理解，在不脫離本揭露的精神和範圍的情況下可以進行各種修改。因此，除了所附的請求項之外，本發明不應受到限制。
10:訓練波形
12:網路
14:TDECQ
20:獲取波形
22:無雜訊波形
24:網路
26:模組
28:校正因子
30:TDECQ
32:TDECQ
40:DUT
41:探針
42:儀器
44:埠
46:記憶體
48:處理器
50:使用者介面
52:系統
[圖1]示出用於開發用於TDECQ量測的機器學習(ML)模型的當前工作流程的範例，以及此類經過訓練的網路的操作。
[圖2]示出用於類神經網路訓練的工作流程的實施例。
[圖3]示出包含用於預測量測值的ML系統的測試和量測系統的實施例。
20:獲取波形
22:無雜訊訓練波形
24:無雜訊預測網路
26:雜訊表示模組
28:校正因子
30:TDECQ或其無噪聲波形的代理
32:最終TDECQ
Claims (19)
- 一種測試和量測系統，包括： 可連接到被測裝置(DUT)的一或多個輸入；以及 一或多個處理器被配置為執行代碼以使該一或多個處理器執行： 藉由從一或多個DUT或從模擬波形中獲取一或多個波形來收集一組訓練波形； 從該組訓練波形中移除雜訊以產生一組無雜訊訓練波形；以及 使用該組無雜訊訓練波形做為訓練組來訓練類神經網路以預測DUT的量測值，產生訓練的類神經網路。
- 如請求項1的測試和量測系統，其中，使該一或多個處理器從該組訓練波形中移除雜訊的該代碼包括使該一或多個處理器捕獲數個原始波形並平均該數個原始波形以重複產生無雜訊波形直到完成該組無雜訊訓練波形。
- 如請求項1的測試和量測系統，其中，該一或多個處理器還被配置為執行代碼以確定從該組波形中移除的該雜訊中的校正因子。
- 如請求項1的測試和量測系統，其中，該量測值是發射色散眼圖閉合四相(TDECQ)值。
- 如請求項4的測試和量測系統，其中，使該一或多個處理器使用該組無雜訊訓練波形來訓練類神經網路以預測TDECQ值的該代碼包括使該一或多個處理器預測前饋等化器(FFE)的分接頭值的代碼，並且從該FFE分接頭值確定該TDECQ值。
- 如請求項1的測試和量測系統，其中，該一或多個處理器還被配置為執行代碼以使該一或多個處理器正規化該組無雜訊波形的振幅。
- 如請求項4的測試和量測系統，其中，該一或多個處理器還被配置為執行代碼以使該一或多個處理器執行： 在生產環境中從DUT獲取一或多個波形；以及 基於該一或多個波形，應用該訓練的類神經網路為DUT產生預測的TDECQ值。
- 如請求項7的測試和量測系統，其中，該一或多個處理器還被配置為執行代碼以使該一或多個處理器執行： 根據從該組訓練波形中移除的該雜訊確定校正因子；以及 將該校正因子應用於該預測的TDECQ值的準確度等級。
- 如請求項7的測試和量測系統，其中，該一或多個處理器還被配置為執行代碼以使該一或多個處理器執行： 收集一組操作波形； 根據從該組操作波形中移除的雜訊確定校正因子；以及 將該校正因子應用於該預測的TDECQ值的準確度。
- 如請求項7的測試和量測系統，其中，使該一或多個處理器應用該訓練的類神經網路的該代碼使該一或多個處理器預測前饋等化器(FFE)分接頭值並根據該FFE分接頭值確定該TDECQ值。
- 一種訓練類神經網路的方法，包括： 從一或多個DUT接收一或多個波形，或從波形模擬器產生一或多個波形； 從該一或多個波形收集的一組訓練波形中移除雜訊以產生一組無雜訊訓練波形；以及 使用該組無雜訊訓練波形做為訓練組來訓練類神經網路以預測DUT的量測值，產生訓練的類神經網路。
- 如請求項11的方法，其中，移除雜訊包括捕獲數個原始波形並平均該複數個原始波形以重覆產生無雜訊波形直到完成該組無雜訊波形。
- 如請求項11的方法，其中，該一或多個處理器還被配置為確定從該組波形中移除的該雜訊中的校正因子。
- 如請求項11的方法，其中，該量測值是發射色散眼圖閉合四相(TDECQ)值。
- 如請求項14的方法，其中，使用該組無雜訊波形來訓練類神經網路以預測TDECQ值包括預測前饋等化器(FFE)的分接頭值，從中可以確定該TDECQ值。
- 如請求項14之方法，更包括： 在生產環境中從DUT獲取一或多個波形；以及 基於該波形，應用該訓練的類神經網路為該DUT產生預測的TDECQ值。
- 如請求項16之方法，進一步包括： 根據從該組訓練波形中移除的該雜訊確定校正因子；以及 將雜訊校正應用於該預測的TDECQ值的準確度等級以產生最終的TDECQ值。
- 如請求項16之方法，進一步包括： 收集一組操作波形； 根據從該組操作波形中移除的該雜訊確定校正因子；以及 將該校正因子應用於該預測的TDECQ值的準確度等級以產生最終的TDECQ值。
- 如請求項14的方法，其中，使用該訓練的類神經網路包括預測前饋等化器(FFE)分接頭值和從該FFE分接頭值確定該TDECQ值。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202263299878P | 2022-01-14 | 2022-01-14 | |
| US63/299,878 | 2022-01-14 | ||
| US18/094,947 | 2023-01-09 | ||
| US18/094,947 US20230228803A1 (en) | 2022-01-14 | 2023-01-09 | Machine learning model training using de-noised data and model prediction with noise correction |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW202336451A true TW202336451A (zh) | 2023-09-16 |
Family
ID=86990533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112101362A TW202336451A (zh) | 2022-01-14 | 2023-01-12 | 使用去雜訊資料的機器學習模型訓練及帶有雜訊校正的模型預測 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230228803A1 (zh) |
| JP (1) | JP2023103994A (zh) |
| DE (1) | DE102023100643A1 (zh) |
| TW (1) | TW202336451A (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022169996A1 (en) * | 2021-02-03 | 2022-08-11 | Tektronix, Inc. | Eye classes separator with overlay, and composite and dynamic eye-trigger for humans and machine learning |
| US11923895B2 (en) | 2021-03-24 | 2024-03-05 | Tektronix, Inc. | Optical transmitter tuning using machine learning and reference parameters |
| US11940889B2 (en) * | 2021-08-12 | 2024-03-26 | Tektronix, Inc. | Combined TDECQ measurement and transmitter tuning using machine learning |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3745962B2 (ja) * | 2001-01-24 | 2006-02-15 | 株式会社アドバンテスト | インターリーブａｄ変換方式波形ディジタイザ装置、及び試験装置 |
| US10962509B2 (en) * | 2017-08-02 | 2021-03-30 | The United States Of America As Represented By The Secretary Of The Navy | System and method for detecting failed electronics using acoustics |
| US20220019883A1 (en) * | 2020-07-20 | 2022-01-20 | Nxp B.V. | Adc compensation using machine learning system |
| US20240235669A1 (en) * | 2021-03-24 | 2024-07-11 | Tektronix, Inc. | Systems and methods for tuning and measuring a device under test using machine learning |
-
2023
- 2023-01-09 US US18/094,947 patent/US20230228803A1/en active Pending
- 2023-01-12 DE DE102023100643.6A patent/DE102023100643A1/de active Pending
- 2023-01-12 TW TW112101362A patent/TW202336451A/zh unknown
- 2023-01-16 JP JP2023004488A patent/JP2023103994A/ja active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| DE102023100643A1 (de) | 2023-07-20 |
| US20230228803A1 (en) | 2023-07-20 |
| JP2023103994A (ja) | 2023-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW202336451A (zh) | 使用去雜訊資料的機器學習模型訓練及帶有雜訊校正的模型預測 | |
| US7516030B2 (en) | Measuring components of jitter | |
| US11181552B2 (en) | Categorization of acquired data based on explicit and implicit means | |
| US7668235B2 (en) | Jitter measurement algorithm using locally in-order strobes | |
| US20230050162A1 (en) | Machine learning for taps to accelerate tdecq and other measurements | |
| TW202315350A (zh) | 使用機器學習的組合ｔｄｅｃｑ測量和發射機調諧 | |
| CN113438061B (zh) | 一种统计眼图的测算方法及眼图分析装置、存储介质 | |
| CN115133985A (zh) | 使用机器学习和参考参数的光学发射器调谐 | |
| JP2003324489A (ja) | ジッタ値を決定する方法及びそのプログラムとその装置 | |
| WO2023123970A1 (zh) | 光纤传感数据的全局相位正交解调方法及装置 | |
| JP2006292749A (ja) | ランダムジッタ成分とデターミニスティックジッタ成分の分離 | |
| US10585130B2 (en) | Noise spectrum analysis for electronic device | |
| JPWO2007108492A1 (ja) | 確率密度関数分離装置、確率密度関数分離方法、ノイズ分離装置、ノイズ分離方法、試験装置、試験方法、算出装置、算出方法、プログラム、及び記録媒体 | |
| US11624781B2 (en) | Noise-compensated jitter measurement instrument and methods | |
| CN114624791B (zh) | 雨量测量方法、装置、计算机设备及存储介质 | |
| CN116451738A (zh) | 使用去噪声数据的机器学习模型训练和具有噪声校正的模型预测 | |
| CN110716167A (zh) | 任意波形发生器幅度扫频自适应分辨率校准方法及系统 | |
| US9673862B1 (en) | System and method of analyzing crosstalk without measuring aggressor signal | |
| JP2023183409A (ja) | 試験測定装置及び被試験デバイスの性能測定方法 | |
| CN115790890A (zh) | 一种布里渊光时域分析系统的信号处理方法及其终端 | |
| TW202413960A (zh) | 使用提取自波形的線性回應之用於測量的機器學習 | |
| TW202334851A (zh) | 用於機器學習模型訓練與部署的系統及方法 | |
| 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 | |
| JP2024054857A (ja) | 試験測定装置及びノイズ測定値生成方法 | |
| CN112327068A (zh) | 一种声卡的噪声测量方法 |