使用机器学习的组合TDECQ测量和发射器调谐的制作方法

使用机器学习的组合tdecq测量和发射器调谐
1.相关申请的交叉引用本公开要求保护2021年8月12日提交的题为“combined tdecq and transmitter tuning machine learning system”的美国临时申请第63/232,378号的权益，其公开内容通过引用以其整体并入本文中。
技术领域
2.本公开涉及测试和测量系统，并且更特别地涉及用于组件调谐和性能测量的系统。


背景技术：

3.机器学习技术可以显著提高复杂测量的速度，例如诸如发射器色散眼图闭合四相（tdecq）测量。例如，测量速度的提高转化为生产线上生产吞吐量的提高。
4.节省生产线上用于测试和验证被测设备（dut）性能的时间可以节省数万美元。
附图说明
5.图1示出了测试和测量系统的实施例；图2示出了在测试和测量系统内训练单个机器学习网络的实施例；图3示出了在测试和测量系统内训练两个机器学习网络的实施例；图4示出了在测试和测量系统内使用单个机器学习网络执行tdecq测试和提供调谐参数的实施例；图5示出了在测试和测量系统内使用两个机器学习网络执行tdecq测试和提供调谐参数的实施例。
具体实施方式
6.使用机器学习测试被测设备（dut）可能涉及迭代过程，其中dut接收调谐参数集。当dut使用该调谐参数集操作时，它产生针对确定设备通过还是失败的值或值范围的测量结果。下面的讨论可以采用调谐和测试光发射器或收发器的示例来提供上下文示例。这里的实施例适用于经历测试过程以确定dut是否如通过所需要的那样操作的任何dut。
7.图1示出了光发射器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，该系统可以包括诸如示波器10和测试自动化平台30之类的测试和测量仪器。测试自动化平台30可以驻留在生产线上，以执行dut的通过/失败分析。测试和测量仪器10通常通过仪器探头16在输入11处接收来自dut 14的电信号。在光发射器的情况下，探头将通常包括耦合到光电转换器18的测试光纤，所述光电转换器18将电信号提供给测试和测量仪器，以被采样、数字化和获取为表示来自dut的信号的波形。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可以从波形数据恢复时钟信号。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，当由处理器执行时，该指令使处理器执行任务。存储器还可以存储获取的波形。测试和测量仪器的用户接口26允许用户与仪器10交互，诸如输入设置、配置测试等。参考均衡器和分析模块24可以在均衡信号中发挥作用。
8.替代地，或除了测试和测量仪器上的用户接口之外，测试自动化平台30上的用户接口34可以允许用户配置测试和测量仪器，以及为测试自动化平台和总体系统提供设置和其他信息。测试自动化平台可以包括一件测试装备或其他计算设备。虽然该平台可以驻留在制造商的生产线上，但是并不意图也不应暗示对任何特定位置或在任何特定情形下的使用的限制。测试自动化平台还可以包括由32表示的一个或多个处理器和存储器36。如进一步更详细讨论的，测试和测量设备10上的一个或多个处理器12以及测试自动化平台30上的一个或多个处理器32可以协同工作以分发任务，或者一个或另一个设备的（一个或多个）处理器可以执行所有任务。下面讨论的机器学习网络可以采取被配置为操作所述机器学习网络中的一个或多个的这些处理器之一的形式。
9.本公开的实施例可以包括实现到独立软件应用中的配置，在以下讨论中称为“ml工具”。测试自动化系统操作测试自动化应用，作为环路中的主要系统控制器。它向dut发送操作或调谐参数，并控制温度。在dut是光收发器的实例中，参数包括传输参数。这种方法可以在2022年3月22日提交的美国专利申请第17/701,186号“transceiver tuning using machine learning”中找到，该美国专利申请以其整体通过引用并入于此。测试自动化应用还将仪器波形采集与传输/操作参数更新同步。此外，它向ml工具软件提供传输/操作参数值，并从神经网络读取回下一个猜测参数值。神经网络基于从示波器获取的波形来估计结果。
10.机器学习辅助参数调谐系统具有两种操作模式：训练和运行时。在训练过程期间，测试自动化应用向dut发送参数集，并获取所得到的波形。用户将扫描参数，以允许机器了解所有参数设置的波形看起来像什么。然后，测试自动化块将大型的波形和参数集馈送给ml工具，作为用于训练机器的数据集，这也可以称为机器学习网络。
11.在运行时期间，经训练的机器为优化的均衡滤波器抽头（通常为波形的前馈均衡（ffe）抽头）以及为创建观察参数集创建估计。ffe抽头的应用均衡了输入波形。然后，tdecq计算过程使用经均衡的波形作为输入。tdecq过程通常将不使用机器学习来获得tdecq，而是使用现有的测量过程来计算它。
12.图2示出了单个机器训练的实施例。ffe抽头优化块40可以使用预先存在的软件代码来优化和找到要发送到机器学习网络44的训练波形的最佳ffe抽头42。在该实施例中，机器的训练将波形张量阵列与参数和最佳ffe抽头相关联。参数52可以是光发射器或存储在从中获取波形的dut中的其他操作参数值。张量阵列可以如2022年5月18日提交的美国专利申请第17/747,954号“short pattern waveform database based machine learning for measurement”和/或2022年2月3日提交的美国专利申请第17/592,437号“eye classes separator with overlay, and composite, and dynamic eye-trigger for humans and machine learning”中所描述的那样，所述美国专利申请的内容通过引用并入于此。短模式波形数据库张量生成器46生成一个或多个张量阵列。在这里的实施例中，张量生成器生成两个张量阵列集48和50。如这里使用的术语“张量阵列”意指张量图像的阵列。张量阵列48可以包括张量阵列，该阵列中的每个张量图像具有一个或多个波形，这些波形用于为下面
运行时操作中讨论的tdecq计算过程确定ffe抽头。张量阵列50可以包括具有一个张量图像阵列的张量阵列，每个张量图像具有在下面运行时操作中讨论的调谐参数过程中使用的三个或更多个波形。张量阵列中的每个张量图像还可以包括与三个或更多个波形相关联的环境参数的描绘，诸如表示获取波形时的温度的条形图。
13.tdecq过程通常将使用测量tdecq的现有方法。它采用输入波形，并用优化的抽头对其进行均衡。然后，它在内部执行必要的步骤来测量tdecq并输出该值。它将该值返回给测试自动化应用，以用于关于通过/失败进行评估。
14.图3示出了与图2的实施例类似的训练实施例。该实施例具有机器a和机器b。机器a专门用于将张量阵列与优化的ffe抽头相关联。机器a 54从ffe抽头优化块40接收优化的ffe抽头42，并且从短模式波形张量生成器46接收包括一个张量图像阵列的第一张量阵列48。一个阵列针对阵列中的每个张量图像可以具有一个波形。机器b 56专门用于将参数与张量阵列相关联。机器b接收包括一个张量图像阵列的第二张量阵列50，阵列中的每个张量具有三个波形。机器b还接收与用于生成张量阵列50的波形相关联的操作参数52。训练中使用的各种组件都具有标识符“训练”，以区别于它们的运行时对应物。波形包括“训练波形”，ffe抽头是“训练ffe抽头”，等等。
15.在该示例中，运行时具有在测试自动化平台上调谐光发射器的目标。如上面所描述的，这可以包括在制造商的生产线上运行的制造测试自动化平台。测试自动化应用控制总体系统，用参数设置dut，并设置测试和测量仪器来获取dut波形。测试自动化应用将波形和参数发送到调谐系统。系统观察波形，并确定该参数集是否产生超过tdecq值限制的最佳波形。如果没有，那么系统向测试自动化应用反馈新参数集，所述测试自动化应用将这些参数加载到dut中进行另一次尝试。具有在期望参数内的tdecq值的dut通过，并被视为优化的。
16.图4示出了使用单个机器学习网络的运行时配置的实施例。测试自动化应用60接收例如由图1中的测试和测量仪器10从dut获取的波形55，并将该波形提供给短模式波形数据库张量生成器46和tdecq测量过程62。测试自动化应用60还输出参数集53，并将它们发送给经训练的机器学习网络44。机器学习网络44从张量生成器46接收张量阵列。机器学习网络44使用张量阵列50，其具有使用三个波形图像的张量图像，以生成预测参数66，并将它们返回给测试自动化应用。机器学习网络44还可以使用参数53来生成预测参数66，所述参数53可以包括例如获取波形55时的温度。机器学习网络44接收包括单个张量图像阵列的张量阵列48，阵列中的每个张量使用一个波形，并向tdecq过程62提供预测的ffe抽头64。tdecq过程使用ffe抽头64来均衡波形55，计算均衡波形的tdecq值，并将tdecq值68发送到测试自动化应用。如果tdecq值满足准则，则调谐结束。如果tdecq值没有通过，则测试自动化应用在下一次测试迭代中使用预测的参数。
17.图5示出了使用两个机器学习网络的运行时配置的实施例。机器a 54接收张量48，并仅处理tdecq过程62的ffe抽头64。机器b接收张量50和参数53，并且仅处理预测参数66作为输出。
18.组合tdecq加速和调谐参数确定的该系统的优点在于：波形张量生成器仅需要运行一次。另一个优点在于仅需要一个经训练的神经网络来进行tx调谐和tdecq观察这两者。该系统提供了比使用单独的第三方tdecq测量更好的工程设计和更好的用户体验，所述第
三方tdecq测量需要针对调谐过程和tdecq测量的单独训练过程。
19.本公开的各方面可以在特别创建的硬件、固件、数字信号处理器或专门编程的通用计算机上操作，所述通用计算机包括根据编程指令操作的处理器。如本文中使用的术语控制器或处理器意图包括微处理器、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（包括监控模块）或其他设备执行的一个或多个程序模块中。一般而言，程序模块包括例程、程序、对象、组件、数据结构等，其当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非暂时性计算机可读介质上，所述非暂时性计算机可读介质诸如硬盘、光盘、可移除存储介质、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，程序模块的功能可以按照期望在各个方面进行组合或分布。此外，该功能可以全部或部分体现在固件或硬件等同物中，诸如集成电路、fpga以及诸如此类。特定的数据结构可以用于更有效地实现本公开的一个或多个方面，并且这样的数据结构被设想在本文中描述的计算机可执行指令和计算机可用数据的范围内。
20.在一些情况下，可以在硬件、固件、软件或其任何组合中实现所公开的方面。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，这些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。如本文中所讨论的，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。
21.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）、闪速存储器或其他存储技术、致密盘只读存储器（cd-rom）、数字视频盘（dvd）或其他光盘存储、盒式磁带、磁带、磁盘存储或其他磁存储设备、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。计算机存储介质不包括信号本身和信号传输的暂时形式。
22.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、空气或适用于电、光、射频（rf）、红外、声或其他类型信号通信的任何其他介质。
23.此外，本书面描述参考了特定特征。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，该特征也可以尽可能地用于其他方面的上下文中。
24.此外，当本技术中参考具有两个或更多个定义步骤或操作的方法时，定义步骤或操作可以按任何次序或同时实行，除非上下文排除了那些可能性。
25.说明书（包括权利要求书、摘要和附图）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之外。除非另有明确说明，否则说明书（包括权利要求、摘要和附图）中公开的每个特征均可以被用于相同、等同或类似目的的替代特征所替换。
26.示例下面提供了所公开技术的说明性示例。这些技术的实施例可以包括下面所描述的示例中的一个或多个以及任何组合。
27.示例1是测试和测量系统，包括：测试和测量仪器；测试自动化平台；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，所述代码使所述一个或多个处理器进行以下操作：接收由被测设备的操作所创建的波形；生成一个或多个张量阵列；将机器学习应用于所述一个或多个张量阵列中的第一张量阵列，以产生均衡器抽头值；将机器学习应用于所述一个或多个张量阵列之一的第二张量阵列，以产生被测设备的预测的调谐参数；使用均衡器抽头值来产生发射器和色散眼图闭合四相（tdecq）值；并且将tdecq值和预测的调整参数提供给测试自动化平台。
28.示例2是示例1的测试和测量系统，其中所述第一张量阵列包括多个张量图像，张量阵列中的每个张量图像具有一个波形。
29.示例3是示例1或2中任一项所述的测试和测量系统，其中所述第二张量阵列包括多个张量图像，张量阵列中的每个张量图像具有三个或更多个波形。
30.示例4是示例1至3中任一项所述的测试和测量系统，其中使所述一个或多个处理器将机器学习应用于第一张量阵列的代码和使所述一个或多个处理器将机器学习应用于第二张量阵列的代码在同一机器学习网络内操作。
31.示例5是示例1至4中任一项所述的测试和测量系统，其中使所述一个或多个处理器将机器学习应用于第一张量阵列的代码和使所述一个或多个处理器将机器学习应用于第二张量阵列的代码在每个张量阵列的单独的机器学习网络中操作。
32.实例6是示例1至5所述的测试和测量系统，其中所述一个或多个处理器进一步配置为执行代码，以使所述一个或多个处理器训练一个或多个机器学习网络，所述代码使所述一个或多个处理器进行以下操作：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；并且将所述一个或多个训练张量阵列、训练均衡器抽头以及与训练波形相关联的调谐参数作为训练数据集提供给所述一个或多个机器学习网络。
33.示例7是示例6所述的测试和测量系统，其中所述一个或多个机器学习网络包括两个机器学习网络，第一机器学习网络可训练以产生均衡器抽头值，以及第二机器学习网络可训练以产生预测的调谐参数。
34.示例8是示例7所述的测试和测量系统，其中所述一个或多个处理器进一步被配置为执行代码，以使所述一个或多个处理器训练第一机器学习网络，所述代码使所述一个或多个处理器进行以下操作：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训练张量阵列，训练张量阵列中的每个张量图像具有一个波形；并且将训练张量阵列和训练均衡器抽头作为训练数据集提供给第一机器学习网络。
35.示例9是示例7所述的测试和测量系统，其中所述一个或多个处理器进一步被配置为执行代码，以使所述一个或多个处理器训练第二机器学习网络，所述代码使所述一个或多个处理器进行以下操作：接收训练波形；从训练波形生成一个训练张量阵列，训练张量阵列中的每个张量图像具有三个或更多个波形；并且将训练张量阵列和与训练波形相关联的调谐参数作为训练数据集提供给第二机器学习网络。
36.示例10是示例1至9中任一项所述的测试和测量系统，其中所述一个或多个处理器包括驻留在测试和测量仪器以及测试自动化平台中的至少一个中的一个或多个处理器。
37.示例11是示例1至10中任一项所述的测试和测量系统，其中所述被测设备包括光
收发器或光发射器。
38.示例12是示例11所述的测试和测量系统，进一步包括探头，所述探头包括用于接收光信号的光纤和用于从光信号生成电信号的光电转换器，所述电信号要被转换成波形。
39.示例13是测试被测设备的方法，包括：接收由被测设备的操作创建的波形；生成一个或多个张量阵列；将机器学习应用于所述一个或多个张量阵列中的第一张量阵列，以产生均衡器抽头值；将机器学习应用于所述一个或多个张量阵列的第二张量阵列，以产生被测设备的预测的调谐参数；使用均衡器抽头值来产生发射器色散眼图闭合四相（tdecq）值；并且向测试自动化平台提供tdecq值和预测的调谐参数。
40.示例14是示例13所述的方法，其中所述第一张量阵列包括多个张量图像，张量阵列中的每个张量图像具有一个波形。
41.示例15是示例13或14中任一项所述的方法，其中所述第二张量阵列包括多个张量图像，张量阵列中的每个张量图像具有三个波形。
42.示例16是示例13至15中任一项所述的方法，其中将机器应用于第一张量阵列和将机器学习应用于第二张量阵列包括通过一个机器学习网络应用机器学习。
43.示例17是示例13至15中任一项所述的方法，其中将机器学习应用于第一张量阵列包括使用第一机器学习网络应用机器学习，以及将机器学习应用于第二张量阵列包括使用第二机器学习网络应用机器学习。
44.示例18是示例13至17中任一项所述的方法，进一步包括训练一个或多个机器学习网络，所述训练包括：接收训练波形；使用训练波形来产生训练均衡器抽头值；从训练波形生成一个或多个训练张量阵列；并且将所述一个或多个训练张量阵列、训练均衡器抽头值以及与训练波形相关联的调谐参数作为训练数据集提供给所述一个或多个机器学习网络。
45.示例19是示例18所述的方法，其中训练一个或多个机器网络包括训练第一机器学习网络和第二机器学习网络，所述训练包括：使用训练波形来产生训练均衡器抽头值；从训练波形生成第一训练张量阵列，第一训练张量阵列中的每个张量图像具有一个波形图像；生成第二训练张量阵列，第二训练张量阵列中的每个张量图像具有三个或更多个波形图像；将第一训练张量阵列和训练均衡器抽头作为训练数据集提供给第一机器学习网络；并且将第二训练张量阵列和与训练波形相关联的调谐参数作为训练数据集提供给第二机器学习网络。
46.示例20是示例13至19中任一项所述的方法，其中接收由dut的操作产生的波形信号包括接收来自dut的光信号，并将光信号转换为要转换为所述波形的电信号。
47.尽管出于说明的目的，已经对本公开的特定方面进行了图示和描述，但是应当理解，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。