用于抽头加速TDECQ和其他测量的机器学习的制作方法

用于抽头加速tdecq和其他测量的机器学习
1.相关申请的交叉引用本公开要求2021年8月12日提交的题为“machine learning for taps to accelerate tdecq and other measurements”的申请号为63/232,580的美国临时申请的权益，该美国临时申请的公开内容通过引用以其整体并入本文。
技术领域
2.本公开涉及测试和测量系统，并且更具体地涉及用于组件参数优化和性能测量的系统。


背景技术：

3.当信号速度增加时，发射器和接收器通常使用均衡器来改进系统性能。例如，ieee 100g/400g以太网标准使用5抽头前馈均衡器（ffe）来定义测量。例如，参见“ieee 802.3cd-2018”。http://standards.ieee.org/develop/project/802.3cd.html，2018；“ieee 802.3bs-2017”，http://standards.ieee.org/findstds/standard/802.3bs-2017.html 2017。
4.许多标准都具有被测设备必须满足的性能测量。一些标准要求进行满足将针对均衡信号执行的标准的测量。例如，100g/400g的ieee 802.3标准将发射器和色散眼图闭合（tdecq）测量指定为26gbaud和53gbaud pam4光信号传输的关键通过/失败标准。见同上。tdecq测量涉及5抽头ffe。ffe抽头的优化改进了器件性能，并增加了器件将满足标准规格要求的可能性。
5.加快该过程节省时间并且降低成本。在其中被测设备（dut）数以万计的一些生产线上，完成一次测试可能花费几秒钟。将该时间减少到一秒或更短将增加产量并降低成本。
附图说明
6.图1示出了测试和测量仪器的实施例。
7.图2示出了发射器和色散眼图闭合四相（tdecq）测量的图示。
8.图3示出了为性能测量优化ffe抽头的过程的示例。
9.图4示出了ffe前和后的眼图示例。
10.图5示出了输出ffe抽头的图形表示。
11.图6示出了从波形生成张量的方法的实施例。
12.图7示出了训练机器学习网络以执行ffe抽头优化的方法的实施例。
13.图8示出了使用机器学习来为复杂测量提供优化的ffe抽头的方法的实施例。
具体实施方式
14.机器学习技术可以显著改进复杂测量的速度，复杂测量例如是诸如发射器和色散眼图闭合四相（tdecq）测量。测量速度提高转化为例如在生产线上生产吞吐量的提高。对于
高速信号测试，机器学习使用信号的眼图来取得测量结果。全部或部分模式波形也用于针对测量的机器学习。2022年5月18日提交的“short pattern waveform database based machine learning for measurement”申请号为17/747,954的美国专利申请（这里称为“kan”）——其内容特此通过引用并入——描述了使用短模式波形数据库用于针对测量的机器学习的替代技术。基于kan中描述的方法，这里的实施例描述了一种新方法，该方法使用机器学习来加速测量中最耗时的步骤，以减少总体测量时间。
15.应当注意，为了方便或理解，下面的讨论集中在5抽头前馈均衡器（ffe），但是这里描述的技术适用于任何类型的均衡器的任何数量的均衡器或滤波器抽头的优化。类似地，虽然在以下讨论中使用的性能测量包括tdecq测量，但是对均衡波形进行的任何性能测量都可以受益于这里的实施例的应用。如这里使用的术语“均衡波形”意指应用均衡器之后的波形。
16.这里的实施例包括测试和测量仪器，诸如在测试被测设备（dut）中使用的示波器。下面讨论的一个示例涉及用于测试包括光收发器或发射器的dut的过程，应当具有如下理解：所述实施例可以应用于生成信号的任何dut。
17.图1示出了在光发射器14作为dut的实例中的测试设置的实施例。测试设置包括测试和测量系统，该测试和测量系统可以包括诸如示波器10的测试和测量仪器。测试和测量仪器10通常通过仪器探头16在输入处接收来自dut 14的信号。在光发射器的情况下，探头通常将包括耦合到光电转换器18的测试光纤，光电转换器18向测试和测量仪器提供信号。仪器对信号进行采样和数字化，以成为采集的波形。例如，如果测试和测量仪器10包括采样示波器，则时钟恢复单元（cru）20可以从数据信号中恢复时钟信号。测试和测量仪器具有由处理器12表示的一个或多个处理器、存储器22和用户接口26。存储器可以存储以代码形式的可执行指令，该可执行指令当由处理器执行时，使得处理器执行任务。存储器还可以存储一个或多个采集的波形。测试和测量仪器的用户接口26允许用户与仪器10交互，诸如以用于输入设置、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24。
18.这里的实施例采用以机器学习网络30形式（诸如深度学习网络）的机器学习。机器学习网络可以包括已经用机器学习网络编程的处理器，作为测试和测量仪器的一部分，或者测试和测量仪器具有对其的访问。随着测试设备能力和处理器演进，处理器12可以包括两者。
19.如上面讨论的，采用均衡器的复杂测量示例包括使用具有五个抽头的ffe的tdecq测量。图2示出了tdecq测量的图示。该图解由5抽头前馈均衡器（ffe）产生，其中一个单位间隔（1ui）抽头间距被优化以最小化tdecq值。
20.tdecq值利用以下公式计算：其中与光信号的功率有关。qr是常数值。是加权高斯噪声的标准差，其可以被添加到图2中所示的眼图中，并且仍然在相距0.1ui的两个竖直限幅器处取得较大的符号误差比，即4.8e-4。的值是当没有信号馈送入o/e模块时记录的示波器或仪器噪声。
21.使用常规方法，对顺应性模式ssprq（短应力模式随机四相）的单次tdecq测量花费几秒钟完成。测量中最耗时的步骤是ffe抽头自适应。ieee规范明确定义了利用ffe抽头计算tdecq值的过程。图3示出了该过程的框图。
22.具有一个或多个处理器的测试和测量仪器接收波形40，并在42优化ffe抽头值，以产生优化的ffe抽头44。该过程可以采用确定优化抽头的许多不同方法中的一个。得到的抽头改进了如图4中所示的眼图。图4示出了左侧ffe之前和右侧ffe之后的眼图。ffe之后的眼图具有更大的眼张开度。图5示出了ffe抽头的图形表示。
23.回到图3，测量过程46将优化的抽头应用于波形，并在46以许多常规方式之一执行测量。如上面提及的，该测量可以是基于性能要求的任何测量，诸如测量的范围或特定值，如tdecq值。测量值将确定dut是满足性能要求还是失败。
24.对于每个dut，对顺应性模式ssprq（短应力模式随机四相）的总体tdecq测量可能花费几秒钟完成。在生产线测试数以万计的光收发器作为dut的情况下，减少该时间对生产速度具有巨大效果。如上面讨论的，针对特定波形的抽头优化占用了总体测量的大部分时间。因此，减少优化时间将加快生产并且降低成本。
25.这里的实施例使用机器学习网络来确定用于波形的ffe抽头，并将时间减少到每个dut小于一秒。该方法的一个方面是使用上面引用的“kan”中讨论的短模式波形数据库张量生成器。图6示出了该过程的实施例。从dut接收的波形40被生成器50转换成张量图像阵列，也称为张量阵列。它创建2d直方图图像阵列，其覆盖短长度或部分波形图案。张量阵列的每个元素是不同的图像，其包含波形40中特定短模式的多个实例的叠加。阵列中每个张量的模式都不同。例如，张量阵列的一个元素可以是符号0、1、0的短的3符号长度模式的波形40中所有实例的叠加图像，张量阵列的另一个元素可以是符号0、2、0的短的3符号长度模式的波形40中所有实例的叠加图像，等等。图6还示出了得到的张量阵列52的示例。
26.如图7中所示，该过程为每个模式波形获得优化的ffe抽头。优化的ffe抽头与输入张量相关联，因为它们来自相同的模式波形。作为标签的输入张量和对应的ffe抽头成为要馈送给机器学习网络56的训练数据。传入波形40在42使用任何现有的方法进行ffe抽头优化，以产生用于该波形的训练ffe抽头44。短模式波形数据库张量生成器50产生训练张量阵列52。这些然后被发送到机器学习网络56，以训练网络基于张量阵列输入产生优化的滤波器抽头值。
27.一旦机器学习网络经过训练，它就可以比常规方法更快得多地产生优化的滤波器抽头值。图8示出了运行时过程的实施例。波形40在生成器50处经历张量阵列生成。经训练的机器学习网络56接收张量阵列52，并使用它在5处产生预测的优化抽头。如上面讨论的，这些抽头不同于先前在训练期间使用的ffe抽头，因为它们是由机器学习系统产生的，而不是由常规方法产生的。然后，ffe抽头被应用于波形，并且由测量模块46进行tdecq测量。
28.最近已经探索了使用机器学习来加速ffe、dfe和其他均衡器自适应。这里的实施例使用不同的输入，并且然后来自机器学习的输出被用于取得测量结果。如图8中所示，该示例涉及tdecq测量，但是如上面讨论的，相同的方法可以应用于其他测量。
29.本公开的方面可以在特别创建的硬件上、固件、数字信号处理器上或包括根据编程指令操作的处理器的特别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旨在包括微处理器、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计算机可用数据和计算机可执行指令中，诸如由一个或多个计算机（包括监视模块）或其他设备执行的一个或多个程序模块中。通常，程序模块包括例程、程序、对象、组件、数据结构等，其在由计算机或其他设备中的处理器执行时执行特定的任务或实现特定的抽象数据类型。计算机可执行指令可以存储在诸如硬盘、光盘、可移动存储介质、固态存储器、随机存取存储器（ram）等之类的非暂时性计算机可读介质上。如本领域技术人员应当领会的，程序模块的功能性可以按照期望在各个方面中进行组合或分布。此外，该功能性可以全部或部分体现在诸如集成电路、fpga等之类的固件或硬件等同物中。特定的数据结构可以用于更高效地实现本公开的一个或多个方面，并且设想这样的数据结构在本文描述的计算机可执行指令和计算机可用数据的范围内。
30.在一些情况下，所公开的方面可以用硬件、固件、软件或其任何组合来实现。所公开的方面还可以实现为由一个或多个或非暂时性计算机可读介质携带或存储在其上的指令，所述指令可以由一个或多个处理器读取和执行。这样的指令可以被称为计算机程序产品。如本文所讨论的，计算机可读介质意指可以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存储介质和通信介质。
31.计算机存储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，计算机存储介质可以包括ram、rom、电可擦除可编程只读存储器（eeprom）、闪存或其他存储器技术、光盘只读存储器（cd-rom）、数字视频光盘（dvd）或其他光盘存储装置、磁带盒、磁带、磁盘存储装置或其他磁存储设备，以及以任何技术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。计算机存储介质排除信号本身和信号传输的暂时形式。
32.通信介质意指可以用于计算机可读信息通信的任何介质。作为示例而非限制，通信介质可以包括同轴线缆、光纤线缆、空气或适合于电、光、射频（rf）、红外、声或其他类型信号通信的任何其他介质。
33.附加地，该书面描述引用了特定的特征。应当理解，本说明书中的公开内容包括这些特定特征的所有可能的组合。例如，在特定方面的上下文中公开了特定特征的情况下，该特征也可以在可能的范围内用于其他方面的上下文中。
34.包括权利要求、摘要和附图的说明书中公开的所有特征以及公开的任何方法或过程中的所有步骤可以以任何组合进行组合，除了其中至少一些这样的特征和/或步骤相互排斥的组合。除非另有明确说明，否则包括权利要求、摘要和附图的说明书中公开的每个特征都可以被用于相同、等同或类似目的的替代特征所替换。
35.此外，当在本技术中提到具有两个或更多个限定的步骤或操作的方法时，限定的步骤或操作可以以任何次序或同时实行，除非上下文排除了那些可能性。
36.示例以下提供了所公开技术的说明性示例。所述技术的实施例可以包括下述示例中的一个或多个以及任何组合。
37.示例1是一种测试和测量仪器，包括：被配置为从被测设备接收信号的输入；存储器；用户接口，用以允许用户输入用于测试和测量仪器的设置；以及一个或多个处理器，所述一个或多个处理器被配置为执行代码，所述代码使得所述一个或多个处理器：获取表示从被测设备接收的信号的波形；基于所述波形生成一个或多个张量阵列；对一个或多个张量阵列应用机器学习以产生均衡器抽头值；以及使用均衡器抽头值对波形应用均衡，以产
生均衡波形；以及对均衡波形执行测量，以产生与被测设备的性能要求相关的值。
38.示例2是示例1的测试和测量仪器，其中一个或多个处理器进一步被配置为执行代码以确定该值是否指示被测设备满足性能要求。
39.示例3是示例1或2的测试和测量仪器，其中使得一个或多个处理器应用机器学习的代码包括使得一个或多个处理器将张量阵列发送到与测试和测量仪器分离的设备上的机器学习网络的代码。
40.示例4是示例1至3中任一个的测试和测量仪器，其中使得一个或多个处理器对一个或多个张量阵列应用机器学习以产生均衡器抽头值的代码包括使得一个或多个处理器产生用于前馈均衡器（ffe）的前馈均衡器抽头值的代码。
41.示例5是示例1至4中任一个的测试和测量仪器，其中使得一个或多个处理器对均衡波形执行测量的代码包括使得一个或多个处理器对均衡波形执行发射器和色散眼图闭合四相（tdecq）测量以产生值的代码。
42.示例6是示例1至5中任一个的测试和测量仪器，其中一个或多个处理器进一步被配置为执行代码以使得一个或多个处理器训练机器学习网络，该代码使得一个或多个处理器：接收训练波形；使用训练波形来产生训练均衡器抽头值；从训练波形生成一个或多个训练张量阵列；以及将一个或多个训练张量阵列和训练均衡器抽头值作为训练数据集提供给机器学习网络。
43.示例7是示例6的测试和测量仪器，其中使得一个或多个处理器产生训练均衡器抽头值的代码包括产生用于前馈均衡器的训练均衡器抽头值的代码。
44.示例8是示例1至7中任一个的测试和测量仪器，进一步包括探针，其中被测设备通过探针耦合到输入。
45.示例9是示例8的测试和测量仪器，其中探针包括光纤。
46.示例10是示例1至9中任一个的测试和测量仪器，其中探针包括光电转换器。
47.示例11是示例8至10的测试和测量仪器，其中探针被配置为连接到在ieee标准802.3下操作的设备。
48.示例12是测试被测设备的方法，包括：获取表示从被测设备接收的信号的波形；基于波形生成一个或多个张量阵列；将机器学习应用于一个或多个张量阵列以产生均衡器抽头值；将均衡器抽头值应用于波形以产生均衡波形；以及对均衡波形执行测量，以产生与被测设备的性能要求相关的值。
49.示例13是示例12的方法，进一步包括确定该值是否指示被测设备满足性能要求。
50.示例14是示例12或13的方法，其中将机器学习应用于一个或多个张量阵列以产生均衡器抽头值包括将机器学习应用于一个或多个张量阵列以产生前馈均衡器抽头值。
51.示例15是示例14的方法，其中前馈均衡器抽头值用于5抽头前馈均衡器。
52.示例16是示例12至15中任一个的方法，其中对均衡波形执行测量包括测量均衡波形的发射器和色散眼图闭合四相（tdecq）。
53.示例17是示例12至16中任一个的方法，进一步包括训练机器学习网络，该训练包括：接收训练波形；使用训练波形来产生训练均衡器抽头值；以及从训练波形生成一个或多个训练张量阵列；以及将一个或多个训练张量阵列和训练均衡器抽头值作为训练数据集提供给机器学习网络。
54.示例18是示例17的方法，其中使用训练波形来产生训练均衡器抽头值包括使用训练波形来产生用于前馈均衡器的训练均衡器抽头值。
55.示例19是示例12至18中任一个的方法，其中获取表示从被测设备接收的信号的波形包括通过测试光纤接收光信号，该光信号由被测设备的操作创建。
56.示例20是示例19的方法，进一步包括将光信号转换成电信号。
57.尽管为了说明的目的，已经图示和描述了本公开的具体方面，但是将理解，在不脱离本公开的精神和范围的情况下，可以进行各种修改。因此，除了所附权利要求之外，本公开不应受到限制。