用于使用从波形提取的线性响应进行测量的机器学习

相关申请的交叉引用

本公开要求于2022年6月21日提交的、名称为“EXTRACTED LINEAR FIT PULSEBASED MACHINE LEARNING FOR MEASUREMENT”的美国临时申请No.63/353,960的权益，该美国临时申请的公开内容以其全文通过引用并入本文。

技术领域

本公开涉及测试和测量仪器和系统，且更具体地涉及测试和测量系统的机器学习部件。

背景技术

机器学习(ML)技术可以显著改进复杂测量的速度。测量速度改进转化成生产吞吐量的改进。对于高速信号测试，信号的眼图已经被机器学习所使用，以得到测量结果。参见例如S.Varughese,A.Melgar,V.A.Thomas,P.Zivny,S.Hazzard and S.E.Ralph,"Accelerating Assessments of Optical Components Using Machine Learning:TDECQas Demonstrated Example,"in Journal of Lightwave Technology,vol.39,no.1,pp.64-72,2021(下文中称为“Varughese”)。完全或部分模式波形还用于针对测量的机器学习。参见Varughese。短模式波形数据库也是针对机器学习而引入的，如2022年5月18日提交的、名称为“SHORT PATTERN WAVEFORM DATABASE BASED MACHINE LEARNING FORMEASUREMENT”的美国专利申请No.17/747,954(下文中称为“'954申请”)中所描述，该美国专利申请通过引用并入本文。本公开描述了可以用于针对测量的机器学习的新类型的数据：所提取的线性拟合脉冲。

当信号速度提高时，发射机和接收机中的均衡器广泛地用于改进系统性能。例如，PCIE(高速外围部件互连)第6代接收机除了具有CTLE(连续时间线性均衡)滤波器外还具有16抽头DFE(决策反馈均衡器)。当接收机具有均衡器时，在经均衡的信号上执行测量中的一些。例如，在PCIE第6代中，基于经均衡的波形的眼图来定义眼高和眼宽测量。在另一示例中，针对100G/400G的IEEE 802.3标准将发射机和色散眼图闭合(TDECQ)测量指定为用于26GBaud和53GBaud PAM4光学信令的关键通过/失败准则。TDECQ测量涉及5抽头FFE(前馈均衡器)。

对于复杂且耗时的测量，机器学习技术可以提供测量速度方面的显著改进。由机器学习使用的数据中包含的信息影响机器学习结果。'954申请描述了包含用于机器学习的短模式波形的数据。优势是：数据具有时间序列信息。然而，所选择的短模式仅出现在整个数据模式的部分中。

附图说明

图1示出了脉冲幅度调制-4(PAM4)波形的示例。

图2示出了从PAM4波形获得的眼图的示例。

图3示出了从PAM4波形提取的线性拟合脉冲的示例。

图4示出了眼图的中心处的垂直直方图的示例。

图5示出了眼图中的直方图位置。

图6示出了包含所提取的脉冲的图像和垂直直方图的实施例。

图7示出了包含所提取的线性拟合脉冲的图像和来自四个波形的垂直直方图的实施例。

图8示出了基于所提取的线性拟合脉冲的机器学习模型的实施例。

图9示出了针对测试集合的机器学习预测相对于标签的图形表示。

图10示出了测试和测量仪器的实施例。

具体实施方式

机器学习技术可以提供测量速度方面的显著改进，如上所提及。美国专利申请17/747,954申请('954申请)描述了包含用于机器学习的短模式波形的数据。优势是：数据具有时间序列信息。然而，所选择的短模式仅出现在整个数据模式的部分中。这可能引起混乱。

在某些条件中，获得所选择的短模式的足够出现可以涉及长波形。这里的实施例使用所提取的线性响应途径。基于线性拟合脉冲的途径使用波形中的所有样本，因此，得到机器学习所需的数据是更高效的，这是由于它不受波形的数据模式和短模式的选择约束。

对于要求均衡器的测量，为了得到更准确的结果，到神经网络的输入数据应当包含时间序列信息，这是由于均衡器在时间序列样本上操作。规则眼图数据已经丢失符号之间的时间序列信息。完全模式波形可以具有大尺寸，从而使训练神经网络变慢且使拟合到机器学习模型中变困难。短模式波形数据集仅使用波形的部分，因此，它可能是不太高效的。

这里的讨论可以使用线性拟合脉冲，作为从波形提取的线性响应的示例。其他线性响应包括冲激响应和阶跃响应等等。线性拟合脉冲提取技术已经用于测量和均衡器适配。线性拟合脉冲包含对于所有数据而言公共的时间序列信息。时间序列信息反映符号间干扰。时间序列信息可以有助于确定均衡参数，诸如FFE抽头、DFE抽头和CTLE。图1示出了波形10的示例，并且图2示出了具有在12处示出的眼睛中心的波形的眼图。

图3示出了从整个波形提取的线性拟合脉冲14。

取决于测量要求，还可以将其他数据与要被提供给机器学习系统的所提取的线性响应一起使用。例如，信噪比(SNR)测量可以使用眼睛中心处的垂直直方图，如图4中所示。在图1-3中，y轴显示波形的幅度。在图4中，x轴示出具有单位“伏特”的幅度，y轴示出命中的数目。x轴上的示出零命中的三个位置(即，在近似-0.2V、0V和0.2V的幅度处)对应于在图2的眼图中示出的三个眼睛开口(例如，眼睛开口12)的位置。

对于机器学习方法的不同选择，可以以适当格式布置所提取的线性拟合脉冲和垂直直方图。例如，线性响应和垂直直方图两者都包括：1维向量，其可以被视为1-D数据集且被馈送到处置1-D数据的神经网络中，该神经网络例如是递归神经网络(RNN)、长短期存储器(LSTM)和1-D卷积神经网络(CNN)。数据集还可以被组织为表格数据。

图5示出了眼睛中心的两侧中的任一侧上的16和18处的可能垂直直方图以及均处于眼睛中心上的20、22和24处的可能水平直方图的位置。

另一实施例将数据放置到2-D图像中并使用2-D CNN模型。残差神经网络(ResNet)是可使用的另一2-D神经网络。图6示出了从波形提取的所提取的线性拟合脉冲，如图3中所示，作为要被提供给机器学习系统的数据表示。底部处的灰线30表示所提取的线性拟合脉冲，其中较暗的颜色(诸如在区32中)意指线性拟合脉冲中的较高幅度。顶部上的灰线36表示图4中所示的垂直直方图，并且出现在条中的较暗颜色表示较多命中或发生。像素的暗度表示所提取的脉冲的幅度以及直方图上的发生、命中的数目。为了与'954短模式波形申请进行对比，2-D图像已经限制空间，因此，短模式被用于拟合。这里的实施例可以使用224×224 2-D图像中的224个线中的每一个以表示幅度乘以像素的暗度。这允许图像容纳长脉冲响应和/或从眼图的多个不同位置处的垂直或水平切片取得的多个直方图。

测试和测量仪器(诸如，可获取和处理波形数据的示波器或其他仪器)可以将这些数据表示呈现给机器学习系统。机器学习系统可以驻留于测试和测量仪器上，或可以驻留于与仪器连接的分离计算设备中。实施例可以采取由一个或多个处理器执行的代码的形式，并且处理器可以驻留于一个设备或多个设备上。

训练CNN要求大训练数据集。在一个实施例中，仿真生成数据集。图7中所示的图像表示具有不同线性拟合脉冲和不同垂直直方图的四个不同信号，作为数据表示38、40、42和44。

图8示出了使用所提取的线性拟合脉冲和垂直直方图的表示作为输入数据50的机器学习系统以及具有输入层52的CNN模型的一个实施例。CNN可以具有多个隐藏层54和输出层56。许多现有深度学习CNN模型可以提供测量、对发射调谐的辅助和均衡器的适配。神经网络可以具有各种结构。当使用预先训练的深度学习网络模型时，可以执行迁移学习。在一个实施例中，可以利用具有线性拟合脉冲的数据集训练仅最后的全连接层。在该实施例中，一个或多个处理器对被馈送到神经网络中的数据集进行归一化。然后对结果进行反归一化。例如，针对神经网络训练而对标签值进行归一化。在神经网络训练完成并且经训练的网络执行预测之后，对预测结果进行反归一化，这是归一化的相反映射。

数据集可以包括上面的数据表示和与数据表示相关联的已知测量值，以训练机器学习系统以学习将特定数据表示与测量值相关联。这允许机器学习系统比执行实际测量快得多地将测量值提供给电子设备。

使用从波形提取的线性响应以作出与生成波形的设备相关的测量的一个实施例涉及若干个步骤。在测试和测量仪器(诸如，实时或等时示波器)上获取波形。仪器然后执行软件或硬件时钟恢复以确定模式波形。

仪器然后通过在“IEEE 802.3ba 40Gb/s and 100Gb/s Ethernet Standard,”http://www.ieee802.org/3/2010(其内容通过引用特此并入本公开中)中描述的拟合算法来执行线性响应提取，诸如线性拟合脉冲提取。为了改进速度，可以将拟合算法应用于波形的部分，例如，应用在覆盖约10000个符号的部分上。由于拟合算法使用每个符号，因此使用10000个符号提供足以得到准确线性拟合脉冲或其他线性响应的数据。而且，模式波形的多次重复内的平均值可以有助于减小噪声并得到更精确的线性响应。

尽管经训练的机器学习系统可以仅在所提取的线性响应上操作，但它可以针对每个波形提供更多数据表示。这些包括提供针对测量的相关信息的其他数据类型。例如，针对SNR测量而选择UI的中心处的垂直直方图。针对TDECQ测量而选择UI的中心周围的两个垂直直方图。对于抖动测量，选择(一个或多个)边缘交叉电平处的水平直方图。还可以使用多个垂直直方图、多个水平直方图、以及垂直直方图和水平直方图的组合。

过程然后选择针对机器学习而拟合神经网络的数据表示。例如，所提取的线性拟合脉冲和垂直直方图被表示在图6中所示的2-D图像中。所提取的线性拟合脉冲和1-D直方图也可以被表示在1-D数据集中。测试和测量仪器的用户界面可以允许用户选择数据表示。除线性拟合脉冲响应外，还可以使用其他线性响应，诸如冲激响应、阶跃响应。可以将线性拟合脉冲数据集与所选择的短模式波形数据集进行组合以用于机器学习。

上面的讨论集中于使用经训练的机器学习系统。过程的部分可以涉及如上所讨论的那样训练机器学习系统。在一个实施例中，可以运行仿真以收集波形及其关联测量结果以提供训练数据集。

在示例中，根据本公开的实施例，训练CNN模型以执行SNR测量。从仿真生成数据。基于预先训练的Resnet34来执行迁移学习。将问题设置为回归问题。使用Pytorch和FastAI封装以训练模型和测试。在图9中示出了测试结果，所有预测处于从目标结果(标签)的+/-0.25dB范围内。测试集合上的RMSE是0.108dB。在从34dB至40dB的目标结果范围的情况下，相对于该范围的RMSE是约0.108/6＝1.8％。实线62表示完美预测并且虚线58和60表示±0.25dB边界。

机器学习系统可以采取在一个或多个处理器上操作的所编程的模型的形式。如上所提及，实施例可以涉及一个或多个处理器执行使处理器执行各种任务的代码。图10示出了在光学发射机74的实例中作为DUT的测试设置的实施例。测试设置包括：测试和测量系统，其可以包括测试和测量仪器，诸如示波器70。测试和测量仪器70通过仪器探测器76从DUT 74接收信号。在光学发射机的情况下，探测器将典型地包括：测试纤维，耦合到光电转换器78，光电转换器78通过一个或多个端口73将信号提供给测试和测量仪器。两个端口可以用于差分信令，而一个端口用于单信道信令。信号由仪器采样和数字化以变成波形。如果测试和测量仪器70包括例如采样示波器，则时钟恢复单元(CRU)80可以从数据信号恢复时钟信号。可以在实时示波器上使用软件时钟恢复。

测试和测量仪器具有由处理器72表示的一个或多个处理器、存储器82和用户界面86。存储器可以存储以代码的形式存在的可执行指令，该代码在由处理器执行时使处理器执行任务。测试和测量仪器的用户界面86允许用户与仪器70交互，诸如输入设置、配置测试等。测试和测量仪器还可以包括参考均衡器和分析模块84。

这里的实施例采用以机器学习网络90(诸如，深度学习网络)的形式存在的机器学习。机器学习网络可以包括处理器，已经利用机器学习网络将该处理器编程为测试和测量仪器的一部分，或者测试和测量仪器可访问该处理器。随着测试装备能力和处理器演进，诸如72之类的该一个或多个处理器可以包括全部这两者。

本公开的方面可以在特别创建的硬件上、在固件、数字信号处理器上或者在包括根据所编程的指令进行操作的处理器的特殊编程的通用计算机上操作。如本文使用的术语控制器或处理器意在包括微处理器、微型计算机、专用集成电路(ASIC)和专用硬件控制器。本公开的一个或多个方面可以体现在由一个或多个计算机(包括监视模块)或其他设备执行的计算机可使用数据和计算机可执行指令中，诸如一个或多个程序模块中。一般地，程序模块包括在由计算机或其他设备中的处理器执行时执行特定任务或实现特定抽象数据类型的例程、程序、对象、部件、数据结构等。计算机可执行指令可以被存储在非瞬变计算机可读介质上，该非瞬变计算机可读介质诸如是硬盘、光盘、可移除储存介质、固态存储器、随机存取存储器(RAM)等。如本领域技术人员应当领会的那样，可以如在各种方面中期望的那样组合或分发程序模块的功能性。另外，功能性可以整个或部分地以固件或硬件等同物(诸如集成电路、FPGA等等)体现。可以使用特定数据结构以更有效地实现本公开的一个或多个方面，并且这种数据结构是在本文描述的计算机可执行指令和计算机可使用数据的范围内想到的。

在一些情况下，所公开的方面可以以硬件、固件、软件或其任何组合而实现。所公开的方面还可以被实现为由一个或多个非瞬变计算机可读介质携带或在一个或多个非瞬变计算机可读介质上存储的指令，该指令可以由一个或多个处理器读取和执行。这种指令可以被称作计算机程序产品。如本文所讨论，计算机可读介质意指可由计算设备访问的任何介质。作为示例而非限制，计算机可读介质可以包括计算机储存介质和通信介质。

计算机储存介质意指可以用于存储计算机可读信息的任何介质。作为示例而非限制，计算机储存介质可以包括RAM、ROM、电可擦除可编程只读存储器(EEPROM)、闪速存储器或其他存储器技术、致密盘只读存储器(CD-ROM)、数字视频盘(DVD)、或者其他光盘储存器、磁带盒、磁带、磁盘储存器或其他磁储存设备、以及在任何技术中实现的任何其他易失性或非易失性、可移除或不可移除介质。计算机储存介质排除了信号本身和瞬变形式的信号传输。

通信介质意指可以用于计算机可读信息的通信的任何介质。作为示例而非限制，通信介质可以包括同轴线缆、光纤电缆、空气、或者适于电、光、射频(RF)、红外、声或其他类型的信号的通信的任何其他介质。

另外，该所撰写的描述提到了特定特征。应当理解，本说明书中的公开内容包括那些特定特征的所有可能组合。例如，在特定方面的上下文中公开特定特征的情况下，还可以尽可能地在其他方面的上下文中使用该特征。

而且，当在本申请中提到具有两个或更多个所定义的步骤或操作的方法时，可以按任何次序或者同时实施所定义的步骤或操作，除非上下文排除了那些可能性。

所公开的主题的先前描述的版本具有被描述的或者对本领域技术人员来说将明显的许多优势。即便如此，这些优势或特征不是在所公开的装置、系统或方法的所有版本中都是必需的。

示例

下面提供了所公开的技术的说明性示例。技术的实施例可以包括下面描述的示例中的一个或多个和任何组合。

示例1是一种测试和测量仪器，包括：一个或多个端口，被配置成从一个或多个测试中设备(DUT)接收信号；以及一个或多个处理器，被配置成执行使所述一个或多个处理器执行下述操作的代码：从所述信号获取波形；从所述波形导出模式波形；在所述模式波形上执行线性响应提取；将包括所提取的线性响应的数据表示的一个或多个数据表示呈现给机器学习系统；以及从所述机器学习系统接收针对测量的预测。

示例2是示例1的测试和测量仪器，其中所述机器学习系统采用处置一维数据的神经网络，并且使所述一个或多个处理器呈现所述一个或多个数据表示的代码包括使所述一个或多个处理器执行下述操作的代码：在所述波形的眼图表示的眼睛中心处呈现包括垂直直方图的一维数据集。

示例3是示例1或2中任一项的测试和测量仪器，其中所述机器学习系统采用递归神经网络、长短期存储器神经网络和一维卷积神经网络中的一个或多个。

示例4是示例1至3中任一项的测试和测量仪器，其中所述机器学习系统采用处置二维数据的神经网络，并且使所述一个或多个处理器呈现所述一个或多个数据表示的代码包括使所述一个或多个处理器执行下述操作的代码：呈现包括所提取的线性响应和至少一个直方图的二维数据集。

示例5是示例1至4中任一项的测试和测量仪器，其中所述二维数据包括具有暗度的像素，所述暗度对应于所提取的线性响应的幅度和直方图中的命中的数目之一。

示例6是示例1至5中任一项的测试和测量仪器，其中所述机器学习系统采用二维卷积神经网络和残差神经网络中的一个或多个。

示例7是示例1至6中任一项的测试和测量仪器，其中使所述一个或多个处理器将所述一个或多个数据表示呈现给所述机器学习系统的代码使所述一个或多个处理器执行下述操作：在将所述一个或多个数据表示呈现给所述机器学习系统之前，对所述一个或多个数据表示进行归一化；以及对从所述机器学习系统接收的测量的预测进行反归一化。

示例8是示例1至7中任一项的测试和测量仪器，其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码：针对所选择的测量而训练所述机器学习系统。

示例9是示例8的测试和测量仪器，其中使所述一个或多个处理器训练所述机器学习系统的代码包括使所述一个或多个处理器执行下述操作的代码：将来自所仿真的波形的所述数据表示的所仿真的训练数据和针对所选择的测量的所得测量值提供给所述机器学习系统。

示例10是一种在波形上执行测量的方法，包括：在测试和测量设备处获取所述波形；从所述波形导出模式波形；在所述模式波形上执行线性响应提取；以及将包括所提取的线性响应的数据表示的一个或多个数据表示呈现给机器学习系统；以及从所述机器学习系统接收所述测量的预测。

示例11是示例10的方法，其中执行线性响应提取包括：执行线性拟合脉冲、冲激响应和阶跃响应之一的提取。

示例12是示例10或11中任一项的方法，其中所述一个或多个数据表示包括下述各项中的一个或多个：所述波形的眼图表示的单位区间的中心处的垂直直方图；所述单位区间的中心周围的两个垂直直方图；以及所述眼图的交叉电平的边缘处的水平直方图。

示例13是示例10至12中任一项的方法，其中所述一个或多个数据表示包括具有暗度的像素，所述暗度对应于所提取的线性响应的幅度和直方图中的命中的数目之一。

示例14是示例10至13的方法，其中呈现所述一个或多个数据表示包括：呈现由所述波形的眼图表示的眼睛中心处的垂直直方图组成的一维数据集。

示例15是示例10至14的方法，其中呈现所述一个或多个数据表示包括呈现二维图像，并且其中所述二维图像包括所提取的线性响应和至少一个直方图。

示例16是示例15的方法，其中所述至少一个直方图包括从下述各项中选择的至少一个：所述波形的眼图表示的眼睛中心处的垂直直方图；所述眼图的单位区间的中心周围的两个直方图的对；以及所述眼图的边缘交叉电平处的水平直方图。

示例17是示例10至16的方法，进一步包括：在将所述一个或多个数据表示呈现给所述机器学习系统之前，对所述一个或多个数据表示进行归一化；以及在从所述机器学习系统接收到所述测量的预测之后对所述测量进行反归一化。

示例18是示例10至16的方法，进一步包括：针对所选择的测量而训练所述机器学习系统。

示例19是示例18的方法，进一步包括：使用来自所仿真的波形的所述一个或多个数据表示的所仿真的训练数据和针对所选择的测量的所得测量值。

示例20是示例10至19的方法，其中所述测量包括信噪比、发射机色散眼图闭合四相(TDECQ)和抖动之一。

尽管已经出于图示的目的图示和描述了本发明的具体示例，但应当理解，在不脱离本发明的精神和范围的情况下可以作出各种修改。相应地，本发明不应当受限制，除了受所附权利要求书限制。