一种阻抗确定方法、系统、平台、设备及介质

技术领域

本发明涉及存储器技术领域，尤其涉及一种阻抗确定方法、系统、平台、设备及介质。

背景技术

ODT(on die termination)作为一种片内端接，可以减小反射，对信号质量的改善显而易见，可以大幅提高及改善内存条的SI性能，同时内存颗粒可以自由选择自己配置还是不配置ODT电阻，其中，ODT电阻可以称为匹配阻抗，也就是说可以对其中任何一个颗粒及颗粒内的字节进行配置或不配置，拥有比较高的自由度，也就会有很多种信号质量的组合出来，对于多颗粒多字节且每个字节中的每个DQ数据线都有对应的多种ODT可供选择的情况下，ODT数值的选取和组合对于信号完整性仿真和测试都是非常繁重的。

目前的方案是通过选择某一个颗粒的某一个字节的DQ数据线为例，选择一个常规的ODT数值，但是这种情况下，并不是所有颗粒和字节下的DQ数据线都在此ODT数值下呈现最好的仿真和测试效果，且有可能会以偏概全，不能挖掘DDR5SODIMM的极致性能，导致内存资源的浪费；第二种是选择某一个颗粒的某一个字节为例，不同的地方是，这种方案以仿真手段设置循环，进行一个字节的遍历，然后选择一个较优的ODT数值作为所有的颗粒和字节的ODT数值。

而以上两种方案，均存在以下三个问题：第一个问题是容易以偏概全，不能发挥内存条中的SODIMM每一个颗粒每一个字节的每一个DQ数据线的ODT调节能力，容易造成资源的浪费；第二个问题是，因为时间和人力的限制，遍历的字节数较少，有的甚至只会遍历一个字节，这种情况下，致使SODIMM无法呈现出其在板级上的最优表现；第三个问题是通常情况下，每一个颗粒的每一个字节在板级布线均有差异，甚至在同一个字节的8根DQ数据线之间，布线也有一定的差异，如在测试中有可能存在某一特定ODT数值导致某一个或多个字节测试情况不理想，致使测试人员在ODT数值上不停的尝试，以达到理想的测试结果，这样将会耗费大量的时间、精力和人力。

发明内容

有鉴于此，本发明提供一种阻抗确定方法、系统、平台、设备及介质。旨在提高内存条的ODT数值的设置效率和设置的精细化程度。

在本发明实施例的第一方面，提供了一种阻抗确定方法，所述方法包括：

获取内存条中多条链路各自对应的S参数；其中，一条所述链路为所述内存条的一个内存颗粒中一个字节的一条数据线所在的链路；

将所述S参数输入到目标模型，所述目标模型是基于多条样本链路的S参数样本作为输入，以每条样本链路中目标位置的节点对应的最优阻抗为标签，对预设神经网络进行训练得到的；

获取所述目标模型输出的所述多条链路各自对应的目标阻抗；其中，所述目标阻抗为所述链路中位于所述目标位置的节点对应的阻抗；

为所述目标位置处的节点匹配所述目标阻抗，以提高每条所述链路的电气性能，所述电气性能至少包括所述链路的信号传输质量。

可选地，所述目标模型的训练，包括：

获取样本内存条所包括的全部样本链路各自对应的S参数样本；其中，一条所述样本链路为所述样本内存条的一个内存颗粒中一个字节的一条数据线所在的链路；

获取每条样本链路中所述目标位置处的节点对应的最优阻抗，并将所述最优阻抗作为标签；

将所述S参数样本输入到预设神经网络，获取所述预设神经网络输出的与每条所述样本链路中所述目标位置处的节点对应的预测阻抗；

基于所述标签和所述预测阻抗，对所述预设神经网络进行多次更新，得到所述目标模型。

可选地，获取每条样本链路中所述目标位置处的节点对应的最优阻抗，包括：

设置所述样本内存条的工作环境参数，其中，所述工作环境参数至少包括温度参数和湿度参数；

获取每条样本链路中所述目标位置处的节点对应不同工作环境参数的最优阻抗；

将所述S参数输入到目标模型，包括：

将所述S参数和所述内存条所处的目标工作环境参数，输入到所述目标模型，以得到所述内存条在所述目标工作环境参数下各条所述链路对应的目标阻抗。

可选地，所述获取每条样本链路中所述目标位置处的节点对应的最优阻抗，包括：

对所述样本链路在不同阻抗下的电气性能进行测试，得到该样本链路所述目标位置处的节点对应的最优阻抗；

或，按照以下步骤获取所述最优阻抗：

将所述样本内存条与主板连接；

对所述主板在不同的阻抗组合下的电气性能进行测试，得到每种所述阻抗组合下所述主板的测试结果；其中，所述阻抗组合包括所述样本内存条中每条所述样本链路中所述目标位置处的节点对应的阻抗；

基于所述测试结果，从多个所述阻抗组合中筛选出所述内存条对应的最优阻抗组合。

可选地，所述目标位置处的节点包括以下至少一者：与所述数据线端接的片内电阻、所述内存颗粒的地址线、所述内存颗粒的控制线。

可选地，为所述目标位置处的节点匹配所述目标阻抗之后，所述方法还包括：

基于每条链路所对应的目标阻抗，对该链路的电气性能进行测试；

在确定测试结果不满足目标条件时，获取该链路的最优阻抗；

基于该链路的最优阻抗和所述目标阻抗，对所述目标模型的参数进行修正。

可选地，所述获取样本内存条所包括的全部样本链路各自对应的S参数样本，包括：

设置所述样本链路的起始频率、截止频率及频率间隔，以使不同的样本链路对应相同的起始频率、截止频率及频率间隔；

基于每条所述样本链路的起始频率、截止频率及频率间隔，利用仿真软件，对所述样本内存条中的每条样本链路进行仿真，得到所述全部样本链路各自对应的归一化后的S参数样本。

在本发明实施例的第二方面，提供了一种阻抗确定系统，所述系统包括：

S参数获取模块，用于获取内存条中多条链路各自对应的S参数；其中，一条所述链路为所述内存条的一个内存颗粒中一个字节的一条数据线所在的链路；

参数输入模块，用于将所述S参数输入到目标模型，所述目标模型是基于多条样本链路的S参数样本作为输入，以每条样本链路中目标位置的节点对应的最优阻抗为标签，对预设神经网络进行训练得到的；

目标阻抗确定模块，用于获取所述目标模型输出的多条链路各自对应的目标阻抗；其中，所述目标阻抗为所述链路中位于所述目标位置的节点对应的阻抗；

目标阻抗匹配模块，用于为所述目标位置处的节点匹配所述目标阻抗，以提高每条所述链路的电气性能，所述电气性能至少包括所述链路的信号传输质量。

在本发明实施例的第三方面，还提供了一种训练平台，如图4所示，包括仿真模块401和测试模块402，所述仿真模块用于确定链路的S参数，以提供模型训练所需的样本链路的S参数样本和链路的S参数、所述测试模块用于对链路传输的信号质量进行测试，以提供最优阻抗。

在本发明实施例的第四方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现本发明第一方面所述的一种阻抗确定方法中的步骤。

在本发明实施例的第五方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面所述的一种阻抗确定方法。

针对在先技术，本发明具备如下优点：

本发明实施例提供的一种阻抗确定方法，获取内存条中多条链路各自对应的S参数；其中，一条所述链路为所述内存条的一个内存颗粒中一个字节的一条数据线所在的链路；将所述S参数输入到目标模型，所述目标模型是基于多条样本链路的S参数样本作为输入，以每条样本链路中目标位置的节点对应的最优阻抗为标签，对预设神经网络进行训练得到的；获取所述目标模型输出的所述多条链路各自对应的目标阻抗；其中，所述目标阻抗为所述链路中位于所述目标位置的节点对应的阻抗；为所述目标位置处的节点匹配所述目标阻抗，以提高每条所述链路的电气性能，所述电气性能至少包括所述链路的信号传输质量。由此，通过目标模型确定整个内存条中的大量链路各自的目标阻抗，以此针对每个链路中目标位置处的节点，都可以为该节点设置性能表现更好的阻抗值，当节点是ODT的情况下，则可以为ODT设置性能表现更好的ODT取值，从而提高内存条中的ODT数值的设置效率和设置的精细化程度。同时针对每个链路中目标位置处的节点都设置到对应的性能表现更好的阻抗值，能够使得内存条呈现板级的性能最优表现。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1为本发明实施例提供的一种阻抗确定方法的流程图；

图2为本发明实施例提供的一种阻抗确定方法中链路的结构示意图；

图3为本发明实施例提供的一种阻抗确定系统的示意图；

图4为本发明实施例提供的一种阻抗确定方法中的训练平台的示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。

图1为本发明实施例提供的一种阻抗确定方法的流程图，如图1所示，所述方法包括：

步骤S11：获取内存条中多条链路各自对应的S参数；其中，一条所述链路为所述内存条的一个内存颗粒中一个字节的一条数据线所在的链路；

步骤S12：将所述S参数输入到目标模型，所述目标模型是基于多条样本链路的S参数样本作为输入，以每条样本链路中目标位置的节点对应的最优阻抗为标签，对预设神经网络进行训练得到的；

步骤S13：获取所述目标模型输出的所述多条链路各自对应的目标阻抗；其中，所述目标阻抗为所述链路中位于所述目标位置的节点对应的阻抗；

步骤S14：为所述目标位置处的节点匹配所述目标阻抗，以提高每条所述链路的电气性能，所述电气性能至少包括所述链路的信号传输质量。

在本实施例中，内存条的核心组成部分为内存颗粒，一个内存颗粒包括多个内存库，也称之为Bank，内存库通过矩阵排列大量字节存储单元，矩阵中任意一个字节存储单元对应一个字节byte，一个字节对应8个bit，一个字节对应的字节存储单元将通过与bit相对应的8根DQ数据线与外部连接形成8条链路，以使得该字节存储单元存储的字节数据能够向外进行传输。字节存储单元在将字节数据通过链路进行传输过程中将经过多个节点，字节存储单元可将字节数据传输到链路的任意一个节点结束。内存条中的多条链路中的任意一条链路都具有表征自身数据传输的特性的S参数。S参数即为Scatter参数，也就是散射参数，用于描述数据传输通道的频域特性，通过数据传输通道的S参数可确定到数据传输通道的大量特性。如图2所示，图2示出了一条链路的结构示意图，图中示例性的出了内存库，该内存库由矩阵排列的20个字节，并示出了一个字节由8个bit组成，如图中虚线将一个矩形划分为8份，每份对应一个bit。每个bit通过一个DQ数据线分别与主板连接进行字节数据传输，每个DQ数据线上均包括多个节点，由图2中的原圈表示。

在本实施例中，首先获取内存条中各条链路各自对应的S参数，每条链路都有自身所对应的S参数。其中，一条链路为内存条的一个内存颗粒中一个字节存储单元中的一个bit连接的DQ数据线所在的数据传输链路。然后将获取到的内存条中的多条链路各自的S参数输入目标模型进行识别，其中，该目标模型是通过输入大量样本链路的S参数样本，并以该大量样本链路中目标位置处的节点对应的最优阻抗为标签，对预设神经网络进行训练获得的。最终目标模型对输入的内存条中的多条链路各自的S参数进行处理，输出内存条中的多条链路各自对应的目标阻抗。由于目标模型是基于样本链路中目标位置处的节点对应的最优阻抗作为标签的S参数样本训练获得的，目标模型基于输入其中的S参数，确定到的目标阻抗也将是链路中位于目标位置处的节点对应的目标阻抗。最后将获得的内存条中的多条链路各自对应的目标阻抗匹配到对应链路的目标位置处的节点，以提高上述内存条中的多条链路在将字节数据传输至目标位置处的节点时的电器性能，所述电气性能至少包括链路的信号传输质量。应当理解的是，所述内存条中的多条链路可以是内存条中所包括的所有链路，也可以是内存条中所包括的部分链路。

示例地，内存条中多条链路包括链路L1、L2、L3、……Ln，将获取到的该多条链路各自对应的S参数输入到目标模型进行处理，目标模型输出该多条链路L1、L2、L3、……Ln各自对应的目标阻抗K1、K2、K3、……Kn。其中目标模型是基于样本链路中目标位置处的节点a对应的最优阻抗作为标签的S参数样本训练获得的，目标模型基于输入其中的链路的S参数，确定到的目标阻抗也将是链路中位于目标位置处的节点a对应的目标阻抗。因此，获得的目标阻抗K1属于链路L1的节点a处的目标阻抗、获得的目标阻抗K2属于链路L2的节点a处的目标阻抗、获得的目标阻抗K3属于链路L3的节点a处的目标阻抗、……获得的目标阻抗Kn属于链路Ln的节点a处的目标阻抗。在通过链路L1将字节数据传输至节点a处时，设置链路L1的ODT取值为链路L1的节点a处的目标阻抗K1，由此可提高通过链路L1将字节数据传输至链路L1的目标位置处的节点a时的电气性能；而在通过链路L2将字节数据传输至节点a处时，为链路L2的节点a处设置目标阻抗K2，由此可提高通过链路L2将字节数据传输至链路L2的目标位置处的节点a时的电气性能；而在通过链路L3将字节数据传输至节点a处时，链路L3的节点a处设置目标阻抗K3，由此可提高通过链路L3将字节数据传输至链路L3的目标位置处的节点a时的电气性能等。

其中，节点可以包括链路中DQ数据线所连接的ODT。

本发明实施例提供的一种阻抗确定方法，获取内存条中多条链路各自对应的S参数；其中，一条所述链路为所述内存条的一个内存颗粒中一个字节的一条数据线所在的链路；将所述S参数输入到目标模型，所述目标模型是基于多条样本链路的S参数样本作为输入，以每条样本链路中目标位置的节点对应的最优阻抗为标签，对预设神经网络进行训练得到的；获取所述目标模型输出的所述多条链路各自对应的目标阻抗；其中，所述目标阻抗为所述链路中位于所述目标位置的节点对应的阻抗；为所述目标位置处的节点匹配所述目标阻抗，以提高每条所述链路的电气性能，所述电气性能至少包括所述链路的信号传输质量。由此，通过目标模型确定整个内存条中的大量链路各自的目标阻抗，并将各个链路的ODT取值设置为对应的目标阻抗，以此针对每个链路都设置到对应的电气性能表现更好的ODT取值，从而提高内存条中的ODT数值设置的设置效率和设置的精细化程度。同时针对每个链路都设置到对应的电气性能表现更好的ODT取值，能够使得内存条呈现板级的电气性能最优表现。

结合以上实施例，在一种实施方式中，本发明实施例还提供了一种阻抗确定方法。在该阻抗确定方法中，所述目标模型的训练，包括：步骤S21：获取样本内存条所包括的全部样本链路各自对应的S参数样本；其中，一条所述样本链路为所述样本内存条的一个内存颗粒中一个字节的一条数据线所在的链路；步骤S22：获取每条样本链路中所述目标位置处的节点对应的最优阻抗，并将所述最优阻抗作为标签；步骤S23：将所述S参数样本输入到预设神经网络，获取所述预设神经网络输出的与每条所述样本链路中所述目标位置处的节点对应的预测阻抗；步骤S24：基于所述标签和所述预测阻抗，对所述预设神经网络进行多次更新，得到所述目标模型。

在本实施例中，目标模型的训练的一种实施方式为：获取将作为预设神经网络训练所需的样本内存条所包括的全部样本链路各自对应的S参数样本。其中，一条样本链路为样本内存条的一个内存颗粒中一个字节存储单元中的一个bit连接的DQ数据线所在的数据传输链路。然后获取到样本内存条所包括的全部样本链路中每条样本链路位于目标位置处的节点的最优阻抗，然后将获取到的最优阻抗作为对应样本链路的S参数样本的标签。将样本内存条所包括的全部样本链路各自对应的S参数样本输入预设神经网络以对预设神经网络进行训练，获取到预设神经网络训练过程中输出的与每条样本链路中目标位置处的节点对应的预测阻抗值。然后将获得的与每条样本链路中目标位置处的节点对应的预测阻抗值和各自对应的样本链路的S参数样本的标签作对比，如根据预测阻抗值和标签构建损失函数，确定出损失值，之后，根据损失值调整预设神经网络的各项参数。

然后继续以上述样本内存条所包括的全部样本链路各自对应的S参数样本再次对经过参数调整的预设神经网络进行训练更新，并将当前训练过程中输出的与每条样本链路中目标位置处的节点对应的预测阻抗值继续和各自对应的样本链路的S参数样本的标签作对比，根据对比结果继续调整上述经过参数调整的预设神经网络的各项参数。然后继续以上述样本内存条所包括的全部样本链路各自对应的S参数样本再次对预设神经网络进行训练更新，直至最终获得的对比结果符合预设神经网络训练终止条件为止，此时获得目标模型。

其中，训练终止条件可以是指：预测阻抗值和标签对应的阻抗值之间的差异小于预设差异，或者训练达到了预设次数。

示例地，样本内存条中所有样本链路包括样本链路XL1、XL2、XL3、……XLn，获取到该样本内存条中所有样本链路各自对应的S参数样本，分别为S参数样本C1、C2、C3、……Cn，同时获取到每条样本链路中目标位置处的节点b对应的最优阻抗Z1、Z2、Z3、……Zn，将Z1作为S参数样本C1的标签、将Z2作为S参数样本C2的标签、将Z3作为S参数样本C3的标签、……将Zn作为S参数样本Cn的标签。

然后将S参数样本C1、C2、C3、……Cn输入到预设神经网络进行训练，获取到预设神经网络输出的每条样本链路中目标位置处的节点b对应的预测阻抗，分别为基于S参数样本C1预测到的样本链路XL1中目标位置处的节点b对应的预测阻抗Y11、基于S参数样本C2预测到的样本链路XL2中目标位置处的节点b对应的预测阻抗Y21、基于S参数样本C3预测到的样本链路XL3中目标位置处的节点b对应的预测阻抗Y31、……基于S参数样本Cn预测到的样本链路XLn中目标位置处的节点b对应的预测阻抗Yn1。

将预测获得的各个预测阻抗与各自对应的样本链路的S参数样本的标签进行对比获得对比结果，也就是将样本链路XL1中目标位置处的节点b对应的预测阻抗Y11与样本链路XL1的S参数样本的标签Z1进行对比、将样本链路XL2中目标位置处的节点b对应的预测阻抗Y21与样本链路XL2的S参数样本的标签Z2进行对比、将样本链路XL3中目标位置处的节点b对应的预测阻抗Y31与样本链路XL3的S参数样本的标签Z3进行对比、……将样本链路XLn中目标位置处的节点b对应的预测阻抗Yn1与样本链路XLn的S参数样本的标签Zn进行对比，由此获得所有样本链路XL1、XL2、XL3、……XLn的对比结果，基于该对比结果调整预设神经网络的各项参数。

然后以所有S参数样本C1、C2、C3、……Cn继续对参数调整后的预设神经网络进行训练更新，得到新一轮训练更新的输出结果，包括基于S参数样本C1预测到的样本链路XL1中目标位置处的节点b对应的预测阻抗Y12、基于S参数样本C2预测到的样本链路XL2中目标位置处的节点b对应的预测阻抗Y22、基于S参数样本C3预测到的样本链路XL3中目标位置处的节点b对应的预测阻抗Y32、……基于S参数样本Cn预测到的样本链路XLn中目标位置处的节点b对应的预测阻抗Yn2。

将预测获得的各个预测阻抗与各自对应的样本链路的S参数样本的标签进行对比获得对比结果，也就是将样本链路XL1中目标位置处的节点b对应的预测阻抗Y12与样本链路XL1的S参数样本的标签Z1进行对比、将样本链路XL2中目标位置处的节点b对应的预测阻抗Y22与样本链路XL2的S参数样本的标签Z2进行对比、将样本链路XL3中目标位置处的节点b对应的预测阻抗Y32与样本链路XL3的S参数样本的标签Z3进行对比、……将样本链路XLn中目标位置处的节点b对应的预测阻抗Yn2与样本链路XLn的S参数样本的标签Zn进行对比，由此获得所有样本链路XL1、XL2、XL3、……XLn的对比结果，基于该对比结果再次调整预设神经网络的各项参数。然后以所有S参数样本C1、C2、C3、……Cn继续对该再次参数调整后的预设神经网络进行训练更新，直至一轮训练更新后获得的对比结果符合预设神经网络训练终止条件为止，此时获得目标模型。

在本实施例中，本申请首先准备大量样本链路的S参数样本，并确定到该大量样本链路中每条样本链路中各自目标位置处的节点对应的最优阻抗，然后对每条样本链路的S参数样本以确定的自身对应的上述最优阻抗进行打标签，将打标签后的上述大量样本链路的S参数样本作为输入，对预设神经网络进行训练，以获得目标模型。

结合以上实施例，在一种实施方式中，本发明实施例还提供了一种阻抗确定方法。在该阻抗确定方法中，上述步骤S22具体可以包括：步骤S221：设置所述样本内存条的工作环境参数，其中，所述工作环境参数至少包括温度参数和湿度参数；步骤S222：获取每条样本链路中所述目标位置处的节点对应不同工作环境参数的最优阻抗；将所述S参数输入到目标模型，包括：将所述S参数和所述内存条所处的目标工作环境参数，输入到所述目标模型，以得到所述内存条在所述目标工作环境参数下各条所述链路对应的目标阻抗。

在本实施例中，本申请发现样本链路中目标位置处的节点的最优阻抗不仅与表征该样本链路自身数据传输的特性的S参数相关，同时还与链路在进行数据传输时的工作环境相关。因此，本发明中获取每条样本链路中所述目标位置处的节点对应的最优阻抗的一种实施方式为：在获取每条样本链路中所述目标位置处的节点对应的最优阻抗之前，设置样本内存条的工作环境参数，然后获取到处于不同工作环境参数下的样本内存条中的每条样本链路中目标位置处的节点各自对应的最优阻抗。将不同工作环境下的样本内存条中的每条样本链路中目标位置处的节点各自对应的最优阻抗作为每条样本链路的S参数样本的标签。

在确定S参数样本的标签的过程中考虑了内存条的工作环境参数的情况下，也就是在确定S参数样本对应的样本链路在目标位置处的节点的最优阻抗时考虑了内存条的工作环境参数的情况下，上述步骤S23和步骤S24的一种实施方式为：将样本内存条所包括的全部样本链路各自对应的S参数样本和该样本内存条的工作环境参数输入预设神经网络以对预设神经网络进行训练，获取到预设神经网络训练过程中输出的与每条样本链路中目标位置处的节点对应的预测阻抗值。

然后，将获得的与每条样本链路中目标位置处的节点对应的预测阻抗值与各自对应的样本链路的S参数样本的标签作对比。其中，上述将获得的与每条样本链路中目标位置处的节点对应的预测阻抗值与各自对应的样本链路的S参数样本的标签作对比中的标签对应的最优阻抗为考虑了上述样本内存条的工作环境参数确定的，如在输入预测网络的样本内存条的工作环境参数为x1，则该标签也是在内存条处于工作环境参数为x1时确定的最优阻抗。根据对比结果调整预设神经网络的各项参数，然后继续以上述样本内存条所包括的全部样本链路各自对应的S参数样本和上述样本内存条的工作环境参数再次对预设神经网络进行训练更新，并将当前训练过程中输出的与每条样本链路中目标位置处的节点对应的预测阻抗值继续与各自对应的样本链路的S参数样本的标签作对比，根据对比结果继续调整预设神经网络的各项参数。然后继续以上述样本内存条所包括的全部样本链路各自对应的S参数样本和上述样本内存条的工作环境参数再次对预设神经网络进行训练更新，直至最终获得的对比结果符合预设神经网络训练终止条件为止，此时获得目标模型。

在本实施例中，在基于样本内存条中的所有样本链路中的任意一条样本链路训练预设神经网络时，输入该预设神经网络中的该任意一条样本链路的S参数可以不同，输入该预设神经网络中的该任意一条样本链路的S参数对应的样本内存条的工作环境参数也可以不同。而在输入该预设神经网络中的该任意一条链路对应的样本内存条的工作环境参数确定的情况下，在对该预设神经网络中的参数进行更新时所用到的标签则为在该确定的内存条的工作环境参数下确定的该任意一条链路的最优阻抗。如，将样本链路XL1的S参数样本C1和样本内存条的工作环境参数x1输入预设神经网络进行训练，预设神经网络输出样本链路XL1的预测阻抗，将该预测阻抗与对应的标签z1进行对比，获得对比结果，其中该标签z1为获得的样本内存条工作环境参数为x1时的样本链路XL1的最优阻抗；将样本链路XL1的S参数样本C1和样本内存条的工作环境参数x2输入预设神经网络进行训练，预设神经网络输出样本链路XL1的预测阻抗，将该预测阻抗与对应的标签z2进行对比，获得对比结果，其中该标签z2为获得的样本内存条工作环境参数为x1时的样本链路XL1的最优阻抗。

在本实施例中，在目标模型是基于本内存条所包括的全部样本链路各自对应的S参数样本和该样本内存条的工作环境参数训练获得的情况下，上述步骤S12包括步骤S121：将所述S参数和所述内存条所处的目标工作环境参数，输入到所述目标模型，以得到所述内存条在所述目标工作环境参数下各条所述链路对应的目标阻抗。在步骤S121中，输入目标模型中的参数包括获取到的内存条中多条链路各自对应的S参数和内存条所处于的目标工作环境参数，由此目标模型将预测输出该内存条的多条链路在该目标工作环境参数下各自对应的目标阻抗。其中，所述工作环境参数至少包括：温度参数和湿度参数。

结合以上实施例，在一种实施方式中，本发明实施例还提供了一种阻抗确定方法。其中，该实施方式中，训练得到的目标模型可以用于独立确定每条链路的目标位置处的节点的目标阻抗，由此，可以使得每条链路都工作在最优的状态；当然，由于链路与链路之间有一定的信号干扰，因此，在一些示例中，还可以整体确定多条链路各自对应的最优阻抗，如可以确定出内存条的多条链路对应的目标阻抗组合，该目标阻抗组合包括多条链路各自在目标位置处的节点的目标阻抗，具体地，在该目标阻抗组合下，内存条所在的主板可以呈现出板级最优的性能。

相应地，步骤S22具体可以包括：对所述样本链路在不同阻抗下的电气性能进行测试，得到该样本链路所述目标位置处的节点对应的最优阻抗；或，按照以下步骤获取所述最优阻抗：将所述样本内存条与主板连接；对所述主板在不同的阻抗组合下的电气性能进行测试，得到每种所述阻抗组合下所述主板的测试结果；其中，所述阻抗组合包括所述样本内存条中每条所述样本链路中所述目标位置处的节点对应的阻抗；基于所述测试结果，从多个所述阻抗组合中筛选出所述内存条对应的最优阻抗组合。

在本实施例中，所述获取每条样本链路中所述目标位置处的节点对应的最优阻抗的一种实施方式为：由于所有样本链路中目标位置处的节点对应的最优阻抗的获取方式相同，在此以一条样本链路中目标位置处的节点对应的最优阻抗的获取为例进行说明，测试该条样本链路中目标位置处的节点在不同阻抗下的电气性能，从而找到将字节数据传输至该条样本链路中的目标位置处的节点的最佳电气性能，将该最佳电气性能所对应的最优阻抗确定为该条样本链路中目标位置处的节点对应的最优阻抗。

在本实施例中，由于样本内存条所包括的所有样本链路数量庞大，为了提高确定到样本内存条中的每条样本链路中目标位置处的节点对应的最优阻抗，针对步骤：获取每条样本链路中所述目标位置处的节点对应的最优阻抗，本发明提出另一实施方式为：将样本内存条与主板连接，然后对多个不同的阻抗组合下该样本内存条在该主板上进行数据传输的电气性能进行测试，得到每种阻抗组合的数据传输测试结果。基于获得的测试结果，从该多个不同的阻抗组合中筛选出内存条对应的最优阻抗组合，然后将阻抗组合中各个最优阻抗分配给各自对应的样本链路中目标位置处的节点对应的最优阻抗。其中，所述阻抗组合包括样本内存条中每条样本链路中目标位置处的节点对应的阻抗，在确定到样本内存条的最优阻抗组合后，该最优阻抗组合中包括的即为该样本内存条中每条样本链路中目标位置处的节点对应的最优阻抗，基于该最优阻抗组合即可确定到该内存条中每条样本链路中目标位置处的节点对应的最优阻抗。

结合以上实施例，在一种实施方式中，本发明实施例还提供了一种阻抗确定方法。在该阻抗确定方法中，所述目标位置处的节点包括以下至少一者：与所述数据线端接的片内电阻、所述内存颗粒的地址线、所述内存颗粒的控制线。

在本实施例中，目标位置处的节点的目标阻抗为决策者想要确定的字节数据传输链路中的一个指定节点的目标阻抗，该目标位置处的节点可以是与DQ数据线端接的片内电阻对应的节点，也可以是内存颗粒的地址线对应的节点，也可以是内存颗粒的控制线对应的节点。

结合以上实施例，在一种实施方式中，本发明实施例还提供了一种阻抗确定方法。在该阻抗确定方法中，在步骤S14之后，所述方法还可以包括：基于每条链路所对应的目标阻抗，对该链路的电气性能进行测试；在确定测试结果不满足目标条件时，获取该链路的最优阻抗；基于该链路的最优阻抗和所述目标阻抗，对所述目标模型的参数进行修正。

在本实施例中，为提高训练好的目标模型的预测准确性，在目标模型预测获得每条链路的目标阻抗后，对通过每条链路进行字节数据传输的电气性能进行测试，获得每条链路的测试结果。在存在测试结果不满足目标条件时，确定该目标模型虽然训练到了符合预设神经网络训练终止条件，但该目标模型对于测试结果不满足目标条件所对应的链路的目标阻抗预测准确性还不足，也就是在将该条链路的ODT设置为该链路的目标阻抗后，通过该链路进行字节数据传输时，字节数据传输的电气性能表现未达到目标条件，此时本发明将对目标模型做进一步修正优化，以使得目标模型能针对该链路进行更加准确的目标阻抗预测。因此，在确定测试结果不满足目标条件时，获取到该测试结果对应的链路的最优阻抗，基于该链路的最优阻抗和目标模型当前预测获得的该链路的目标阻抗，对目标模型的参数进行修正。

其中，由于在不同情况下所关注的信号传输性能不同，如一些情况下关注信号传输质量，一些情况下关注信号传输速度。因此在进行针对字节数据传输性能的测试时，该针对字节数据传输性能的测试可针对某一个电气性能进行测试，通过对该某一个电气性能的测试确定字节数据传输在该某一电气性能的表现，也可按照眼图结果进行测试，通过对该眼图结果的测试确定字节数据传输在眼图结果上的表现，也可按照波形效果进行测试，通过对该眼图结果的测试确定字节数据传输在眼图结果上的表现。S参数一般只用于表征链路的元器件的性能，如随着频率变化，其输入输出信号有哪些变化，一般不用于评价一条链路的信号质量，信号质量是要在元器件都阻抗匹配时会更高，但是本申请的链路的信号质量与元器件选用的阻抗有关，因此，通过S参数构建模拟了元器件的网络结构，而目标阻抗是指在该网络结构下，达到最优信号质量时对应的值。

结合以上实施例，在一种实施方式中，本发明实施例还提供了一种阻抗确定方法。在该阻抗确定方法中，步骤S21具体可以包括：设置所述样本链路的起始频率、截止频率及频率间隔，以使不同的样本链路对应相同的起始频率、截止频率及频率间隔；基于每条所述样本链路的起始频率、截止频率及频率间隔，利用仿真软件，对所述样本内存条中的每条样本链路进行仿真，得到所述全部样本链路各自对应的归一化后的S参数样本。

在本实施例中，为保证训练预设神经网络所用到的S参数样本的归一化，在通过仿真软件获得S参数样本时，通过仿真软件设置样本链路的起始频率、截止频率及频率间隔，以使不同的样本链路具有相同的S参数样本采集起始频率、截止频率及频率间隔；基于每条样本链路的起始频率、截止频率及频率间隔，利用仿真软件对样本内存条中的每条样本链路进行仿真，得到每条样本链路各自对应的归一化后的S参数样本。

在本实施例中，由于电器件可能在不同的频率下，具有不同的电气行为，而S参数描述的就是电器件在一定频率下的电气行为，是一种描述元器件在表现为射频特性的高频信号激励下的电气行为的工具，因此本发明通过引入S参数来确定内存条中每个链路对应的最优阻抗，具体地，用S参数描述链路的特性，即多个电器元件构成的链路特性，将S参数作为输入，链路中目标位置处的节点的最优阻抗作为标签，对CNN网络进行训练，CNN网络用于基于S参数，预测目标位置处的节点的预测阻抗，然后根据预测阻抗和标签对应的最优阻抗，对CNN网络的参数进行更新，在训练好CNN网络后得到目标模型，通过目标模型针对各个链路可以预测获得对应的目标阻抗，通过为各条链路设置各自对应的目标阻抗，可以提高各条链路的电气性能。

在本实施方式中，首先获取将作为预设神经网络训练所需的样本内存条所包括的全部样本链路各自对应的S参数样本。然后获取到样本内存条所包括的全部样本链路中每条样本链路位于目标位置处的节点的最优阻抗，然后将获取到的最优阻抗作为对应样本链路的S参数样本的标签。将样本内存条所包括的全部样本链路各自对应的S参数样本输入预设神经网络以对预设神经网络进行训练，获取到预设神经网络训练过程中输出的与每条样本链路中目标位置处的节点对应的预测阻抗值。然后将获得的与每条样本链路中目标位置处的节点对应的预测阻抗值和各自对应的样本链路的S参数样本的标签作对比，如根据预测阻抗值和标签构建损失函数，确定出损失值，之后，根据损失值调整预设神经网络的各项参数。

然后继续以上述样本内存条所包括的全部样本链路各自对应的S参数样本再次对经过参数调整的预设神经网络进行训练更新，并将当前训练过程中输出的与每条样本链路中目标位置处的节点对应的预测阻抗值继续和各自对应的样本链路的S参数样本的标签作对比，根据对比结果继续调整上述经过参数调整的预设神经网络的各项参数。然后继续以上述样本内存条所包括的全部样本链路各自对应的S参数样本再次对预设神经网络进行训练更新，直至最终获得的对比结果符合预设神经网络训练终止条件为止，此时获得目标模型。

在获得目标模型后，获取到需要进行阻抗确定的内存条中所有链路各自对应的S参数。将获取到的该内存条中所有链路各自对应的S参数全部输入该目标模型中进行识别，该目标模型输出该内存条中所有链路各自对应的目标阻抗。在目标模型预测获得所有链路各自对应的目标阻抗后，对通过每条链路进行字节数据传输的电气性能进行测试，获得每条链路的测试结果。在存在测试结果不满足目标条件时，确定该目标模型虽然训练到了符合预设神经网络训练终止条件，但该目标模型对于测试结果不满足目标条件所对应的链路的目标阻抗预测准确性还不足，也就是在将该条链路的ODT设置为该链路的目标阻抗后，通过该链路进行字节数据传输时，字节数据传输的电气性能表现未达到目标条件，此时本发明将对目标模型做进一步修正优化，以使得目标模型能针对该链路进行更加准确的目标阻抗预测。因此，在确定测试结果不满足目标条件时，获取到该测试结果对应的链路的最优阻抗，基于该链路的最优阻抗和目标模型当前预测获得的该链路的目标阻抗，对目标模型的参数进行修正。而在所有的测试结果均满足目标条件时，则确定此时内存条进行字节数据传输存在板级最优，目标模型的识别准确性足够高，无需再进行修正优化。

在本发明实施例的第二方面，提供了一种阻抗确定系统，如图3所示，所述系统300包括：

S参数获取模块301，用于获取内存条中多条链路各自对应的S参数；其中，一条所述链路为所述内存条的一个内存颗粒中一个字节的一条数据线所在的链路；

参数输入模块302，用于将所述S参数输入到目标模型，所述目标模型是基于多条样本链路的S参数样本作为输入，以每条样本链路中目标位置的节点对应的最优阻抗为标签，对预设神经网络进行训练得到的；

目标阻抗确定模块303，用于获取所述目标模型输出的多条链路各自对应的目标阻抗；其中，所述目标阻抗为所述链路中位于所述目标位置的节点对应的阻抗；

目标阻抗匹配模块304，用于为所述目标位置处的节点匹配所述目标阻抗，以提高每条所述链路的电气性能，所述电气性能至少包括所述链路的信号传输质量。

可选地，所述系统还包括用于训练获得目标模型的模块，包括：

S参数样本获取模块，用于获取样本内存条所包括的全部样本链路各自对应的S参数样本；其中，一条所述样本链路为所述样本内存条的一个内存颗粒中一个字节的一条数据线所在的链路；

最优阻抗获取模块，用于获取每条样本链路中所述目标位置处的节点对应的最优阻抗，并将所述最优阻抗作为标签；

模型训练模块，用于将所述S参数样本输入到预设神经网络，获取所述预设神经网络输出的与每条所述样本链路中所述目标位置处的节点对应的预测阻抗；

模型参数更新模块，用于基于所述标签和所述预测阻抗，对所述预设神经网络进行多次更新，得到所述目标模型。

可选地，所述最优阻抗获取模块，包括：

工作环境参数设置模块，用于设置所述样本内存条的工作环境参数，其中，所述工作环境参数至少包括温度参数和湿度参数；

第一最优阻抗获取模块，用于获取每条样本链路中所述目标位置处的节点对应不同工作环境参数的最优阻抗；

所述参数输入模块，包括：

参数输入子模块，用于将所述S参数和所述内存条所处的目标工作环境参数，输入到所述目标模型，以得到所述内存条在所述目标工作环境参数下各条所述链路对应的目标阻抗。

可选地，所述最优阻抗获取模块，包括：

第二最优阻抗获取模块，用于对所述样本链路在不同阻抗下的电气性能进行测试，得到该样本链路所述目标位置处的节点对应的最优阻抗；

单元连接模块，用于将所述样本内存条与主板连接；

电气性能测试模块，用于对所述主板在不同的阻抗组合下的电气性能进行测试，得到每种所述阻抗组合下所述主板的测试结果；其中，所述阻抗组合包括所述样本内存条中每条所述样本链路中所述目标位置处的节点对应的阻抗；

第三最优阻抗获取模块，用于基于所述测试结果，从多个所述阻抗组合中筛选出所述内存条对应的最优阻抗组合。

可选地，所述目标阻抗匹配模块中的所述目标位置处的节点包括以下至少一者：与所述数据线端接的片内电阻、所述内存颗粒的地址线、所述内存颗粒的控制线。

可选地，所述系统还包括：

电气性能测试子模块，用于基于每条链路所对应的目标阻抗，对该链路的电气性能进行测试；

第四最优阻抗获取模块，用于在确定测试结果不满足目标条件时，获取该链路的最优阻抗；

模型参数修正模块，用于基于该链路的最优阻抗和所述目标阻抗，对所述目标模型的参数进行修正。

可选地，所述S参数样本获取模块，包括：

参数设置子模块，用于设置所述样本链路的起始频率、截止频率及频率间隔，以使不同的样本链路对应相同的起始频率、截止频率及频率间隔；

S参数样本获取子模块，用于基于每条所述样本链路的起始频率、截止频率及频率间隔，利用仿真软件，对所述样本内存条中的每条样本链路进行仿真，得到所述全部样本链路各自对应的归一化后的S参数样本。

在本发明实施例的第三方面，还提供了一种训练平台，包括仿真模块和测试模块，所述仿真模块用于确定链路的S参数，以提供模型训练所需的样本链路的S参数样本和链路的S参数、所述测试模块用于对链路传输的信号质量进行测试，以提供最优阻抗。

在本发明实施例的第四方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现本发明第一方面所述的一种阻抗确定方法中的步骤。

在本发明实施例的第五方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面所述的一种阻抗确定方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。