⚡ ingeniería eléctrica

A Data-Driven Approach for Indirect Estimation of INLmax_abs Using Dynamic Parameters as Input Features

Este artículo propone un método de estimación indirecta basado en datos para INLmax_abs que utiliza parámetros dinámicos como características de entrada dentro de un modelo de aprendizaje automático híbrido KNN-SVR, logrando una alta precisión y robustez a través de múltiples conjuntos de datos de ADC mientras mejora significativamente la eficiencia de prueba en comparación con los enfoques tradicionales de histograma de densidad de código.

Autores originales: Rongjie Li, Houjun Wang, Pu Pu, Jia Li, Guibing Zhu, Wanyu Yang

Publicado 2026-11-03

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rongjie Li, Houjun Wang, Pu Pu, Jia Li, Guibing Zhu, Wanyu Yang

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Dentro del vasto ecosistema de la electrónica moderna, el convertidor analógico-digital actúa como un traductor crítico. Toma las ondas suaves y continuas del mundo real —sonido, luz, temperatura— y las fragmenta en los pasos discretos y binarios que las computadoras pueden entender. Para que estos dispositivos funcionen correctamente, su traducción debe ser precisa. Si los pasos son desiguales, la versión digital de una onda sonora sonará distorsionada o una lectura de temperatura se desviará. Los ingenieros miden esta irregularidad utilizando una métrica específica llamada no linealidad integral. En términos sencillos, esta métrica revela cuánto se desvía el comportamiento real del dispositivo de una línea recta perfecta. El número más importante en esta medición es la desviación absoluta máxima, que nos indica el peor caso de error que el dispositivo podría producir.

Durante décadas, encontrar este número ha sido un proceso lento y costoso. Para medirlo con precisión, los ingenieros deben alimentar al dispositivo con una señal perfecta y de movimiento lento, y registrar miles, a veces millones, de puntos de salida para construir una imagen estadística de su comportamiento. A medida que los dispositivos se han vuelto más rápidos y complejos, el tiempo y el equipo requeridos para estas pruebas han crecido de manera prohibitiva, creando un cuello de botella en la fabricación. La pregunta que enfrentaba la industria era si existía una forma de predecir este error del peor caso sin realizar la prueba completa y lenta.

Un equipo de investigadores de la Universidad de Ciencia y Tecnología Electrónica de China ha propuesto un nuevo enfoque para resolver este problema. En lugar de esperar a que la prueba exhaustiva y lenta termine, sugieren observar el rendimiento dinámico del dispositivo —cómo reacciona a una señal rápida y estándar— para predecir el error estático. Tratan la relación entre estos dos tipos de rendimiento como un patrón que puede ser aprendido. Al alimentar un modelo computacional con datos sobre cómo un dispositivo maneja el ruido y la distorsión durante una prueba dinámica rápida, el modelo puede estimar el error estático máximo con una precisión sorprendente. Este método no reemplaza la necesidad de comprender la física del dispositivo, pero ofrece un atajo que podría acelerar significamente la prueba de nuevos chips.

Los investigadores comenzaron recopilando datos de cinco tipos diferentes de convertidores analógico-digitales, que van desde una resolución de 8 bits hasta 16 bits. Estos dispositivos provenían de los principales fabricantes y utilizaban diferentes diseños internos. Para cada chip, realizaron dos pruebas distintas. Primero, ejecutaron la prueba tradicional y lenta para obtener el valor real, o de verdad de campo, del error estático máximo. Segundo, realizaron una prueba dinámica mucho más rápida utilizando una onda senoidal pura. De esta prueba rápida, extrajeron varios números clave que describen la calidad de la señal, como la relación señal-ruido y el nivel de distorsión armónica. Estos números sirvieron como las características de entrada para su modelo de aprendizaje automático.

El núcleo de su trabajo fue construir un modelo que pudiera conectar estos números dinámicos rápidos con el error estático lento. Probaron varios enfoques matemáticos diferentes, incluyendo métodos estándar utilizados en la ciencia de datos y redes de aprendizaje profundo más complejas. Sin embargo, descubrieron que la solución más efectiva era un modelo híbrido que combinaba dos técnicas más simples. Una técnica sobresale al observar a los vecinos locales en los datos, mientras que la otra es mejor comprendiendo la forma general de los datos. Al combinar estas dos fortalezas, el modelo podía adaptarse a las peculiaridades específicas de cada tipo de chip diferente, ya fuera que los datos estuvieran distribuidos uniformemente o agrupados de una manera específica.

Los resultados mostraron que esta estrategia basada en datos funciona. Cuando los investigadores probaron el modelo en chips que no había visto antes, las predicciones fueron notablemente cercanas a las mediciones reales. Para los diferentes tipos de chips, el error promedio en la predicción osciló aproximadamente entre 0.03 y 0.21 unidades del bit menos significativo (LSB), que es el paso más pequeño que el dispositivo puede medir. En muchos casos, el modelo funcionó tan bien como o mejor que los sistemas de aprendizaje profundo más complejos, a pesar de utilizar una estructura mucho más simple. El modelo aprendió con éxito que cuando un chip muestra altos niveles de ruido o distorsión en una prueba dinámica rápida, es muy probable que también tenga un error estático mayor.

Los investigadores también analizaron qué números específicos de la prueba dinámica eran los más importantes para realizar la predicación. Descubrieron que la respuesta variaba según el tipo de chip. Para algunos dispositivos, la distorsión armónica total era el indicador más fuerte, mientras que para otros, la combinación de la relación señal-ruido y la distorsión era la pista más confiable. Esta variación confirmó que ningún número único podía contar toda la historia para cada chip, reforzando la necesidad de un modelo que pudiera ponderar múltiples factores simultáneamente. El estudio demostró que, al combinar estos diferentes parámetros dinámicos, el modelo podía capturar la compleja relación entre los comportamientos rápidos y lentos del dispositivo.

Si bien los resultados son prometedores, los autores advierten cuidadosamente sobre los límites de su método. El modelo fue entrenado y probado utilizando señales de baja frecuencia que cubrían todo el rango de entrada del dispositivo. Esto significa que el enfoque es actualmente más adecuado para pruebas bajo estas condiciones específicas y puede no funcionar tan bien si el dispositivo se utiliza con señales de muy alta frecuencia o señales que no llenan todo el rango de entrada. Además, el método está diseñado para estimar el error máximo, no para detectar cada código faltante ni para reemplazar la necesidad de realizar pruebas en todos los escenarios. Es una herramienta para la evaluación rápida, particularmente útil en líneas de producción donde la velocidad es esencial y el proceso de fabricación ya está bien comprendido.

Este trabajo representa un cambio en cómo los ingenieros podrían abordar el control de calidad de los componentes electrónicos. Al demostrar que una prueba dinámica rápida puede predecir de manera confiable un parámetro estático lento, los investigadores han abierto la puerta a flujos de trabajo de prueba más eficientes. El modelo híbrido que desarrollaron demuestra que una combinación de técnicas simples y complementarias puede a menudo superar a los sistemas más complejos, especialmente cuando se trata de los datos variados y a veces desordenados que se encuentran en la fabricación del mundo real. A medida que la demanda de electrónica más rápida y precisa continúa creciendo, tales atajos basados en datos pueden convertirse en una parte esencial para asegurar que los dispositivos que impulsan nuestro mundo sean tanto de alta calidad como disponibles a tiempo.

Resumen Técnico: Un enfoque basado en datos para la estimación indirecta de $INL_{max\_abs}$ utilizando parámetros dinámicos como características de entrada

Planteamiento del Problema
La prueba precisa de los convertidores analógico-digitales (ADC) es crítica para garantizar la calidad del producto, sin embargo, la caracterización de los parámetros estáticos, específicamente la No Linealidad Integral (INL), presenta desafíos significativos en términos de tiempo y costo. Las pruebas tradicionales de INL dependen de histogramas de densidad de código mediante señales de rampa o sinusoidales altamente lineales. A medida que la resolución del ADC aumenta, el número de muestras requeridas crece exponencialmente para asegurar suficientes impactos de código (code hits), lo que conduce a una sobrecarga sustancial en el tiempo de prueba y en los costos de equipamiento. Además, lograr una alta precisión de medición a menudo exige señales de excitación con niveles de pureza que exceden las capacidades del equipo de prueba estándar, introduciendo errores inducidos por el estímulo. Si bien las estrategias existentes han intentado optimizar los estímulos de prueba o reducir el recuento de muestras mediante técnicas como la Prueba de Histograma de Onda Sinusoidal Rápida (FSHT) o la reconstrucción por wavelets, muchas de ellas aún requieren procedimientos de prueba estática dedicados o luchan por capturar con precisión las variaciones locales de alta frecuencia en la curva de INL. En consecuencia, existe la necesidad de un método que pueda evaluar rápidamente el rendimiento de la INL sin la extensa adquisición de datos asociada con las pruebas estáticas tradicionales.

Metodología
Este artículo propone una estrategia de estimación indirecta basada en datos para el valor máximo absoluto de la INL ( $INL_{max\_abs}$ ). La premisa central es que existen correlaciones estadísticas entre los parámetros de rendimiento dinámico de un ADC y su no linealidad estática.

Extracción de Características: En lugar de realizar una prueba completa de INL estática para cada dispositivo, el método utiliza parámetros dinámicos extraídos del análisis espectral estándar de la salida del ADC. Las características de entrada incluyen la Relación Señal-Ruido (SNR), la Relación Señal-Ruido y Distorsión (SINAD), la Distorsión Armónica Total (THD), el Rango Dinámico Libre de Espurios (SFDR) y los componentes armónicos individuales.
Adquisición de Datos: El estudio utilizó datos de prueba de cinco conjuntos de datos de ADC distintos (que oscilan desde 8 hasta 16 bits de resolución, cubriendo arquitecturas tanto SAR como Pipelined) fabricados por Texas Instruments y Analog Devices. Las pruebas estáticas (usando histogramas de densidad de código) proporcionaron la verdad de referencia (ground truth) para la $INL_{max\_abs}$ , mientras que las pruebas dinámicas (usando ondas sinusoidales puras) proporcionaron las características de entrada.
Construcción del Modelo: Para abordar la variabilidad en las distribuciones de datos y los tamaños de muestra entre diferentes tipos de ADC, los autores desarrollaron un modelo híbrido KNN-SVR. Este modelo integra:
- k-Vecinos más Cercanos (KNN): Aprovechado por su fuerte capacidad de ajuste local en regiones densamente pobladas del espacio de características.
- Regresión de Vectores de Soporte (SVR): Aprovechado por su capacidad de ajuste global robusto, particularmente efectivo en regiones dispersas.
- Ponderación Adaptativa: Una función sigmoide ajusta dinámicamente el coeficiente de ponderación ( $\alpha$ ) basándose en la densidad de muestra local ( $\delta$ ) de las características de entrada. En regiones densas, el modelo depende más de KNN; en regiones dispersas, cambia su dependencia hacia SVR.
Validación: El modelo propuesto se comparó contra algoritmos de aprendizaje automático estándar, incluyendo KNN independiente, SVR, XGBoost y Redes Neuronales Artificiales (ANN). El rendimiento se evaluó utilizando $R^2$ , Error Cuadrático Medio (RMSE), Error Absoluto Medio (MAE) y Error Porcentual Absoluto Medio (MAPE) en conjuntos de prueba independientes derivados de los cinco conjuntos de datos.

Contribuciones Clave

Descubrimiento de Correlación Estadística: El trabajo establece que los parámetros dinámicos (SNR, SINAD, THD, SFDR) exhiben grados variables de correlación estadística con la $INL_{max\_abs}$ a través de diferentes arquitecturas de ADC. Aunque la fuerza de la correlación varía según el dispositivo, la combinación de múltiples parámetros dinámicos proporciona una base robusta para la estimación.
Estrategia de Estimación Indirecta: Se propone un marco basado en datos que estima la $INL_{max\_abs}$ únicamente a partir de los resultados de las pruebas dinámicas, eliminando la necesidad de un estímulo de prueba estática dedicado de alto recuento de muestras para cada dispositivo.
Modelo Híbrido KNN-SVR: El desarrollo de un modelo híbrido ligero que supera o iguala a modelos complejos como XGBoost y ANN. Crucialmente, este modelo demuestra una robustez superior a través de conjuntos de datos con distribuciones no uniformes y tamaños de muestra variables, un desafío común en los datos de prueba de producción.

Resultados Experimentales
El método propuesto fue validado en cinco conjuntos de datos de ADC con tamaños de muestra que oscilan entre 682 y 1,507.

Precisión: El modelo híbrido KNN-SVR logró valores de RMSE de 0.0532, 0.0607, 0.0301, 0.2006 y 0.2083 LSB en los cinco conjuntos de datos, respectivamente.
Comparación de Rendimiento: El modelo híbrido superó consistentemente a los modelos base individuales de KNN y SVR. En cuatro de los cinco conjuntos de datos (AD0832, AD1674, AD7658, AD9245), demostró un rendimiento comparable o mejor que XGBoost y ANN. En el conjunto de datos ADS8509, tuvo un rendimiento comparable a estos modelos complejos.
Generalización: El modelo mostró fuertes capacidades de generalización, con distribuciones de valores estimados que coinciden estrechamente con las distribuciones medidas tanto en los conjuntos de entrenamiento como en los de prueba, lo que indica que no hay un sobreajuste (overfitting) significativo.
Importancia de las Características: El análisis SHAP reveló que la importancia de las características específicas varía según el tipo de dispositivo. Sin embargo, el SINAD (que contabiliza tanto el ruido como la distorsión) emergió consistentemente como una característica altamente importante en todos los conjuntos de datos.

Significancia y Limitaciones
El artículo afirma que este enfoque proporciona una base valiosa para la evaluación rápida del rendimiento de la INL, potencialmente reduciendo el tiempo de prueba y la sobrecarga de adquisición de datos en entornos de producción al aprovechar los datos de prueba dinámica existentes. El modelo híbrido KNN-SVR ofrece una solución robusta para escenarios con conjuntos de datos pequeños a medianos con distribuciones no uniformes.

Los autores señalan explícitamente varias limitaciones:

Restricciones del Estímulo de Prueba: El método depende de una excitación de baja frecuencia y de escala completa. Su efectividad en frecuencias de entrada más altas o bajo condiciones de no escala completa requiere mayor validación.
Alcance de la Estimación: El método estima la $INL_{max\_abs}$ , pero actualmente no aborda la estimación indirecta de la No Linealidad Diferencial (DNL) ni la detección de códigos faltantes (missing codes). Por lo tanto, se posiciona como una herramienta de estimación suplementaria para procesos de fabricación bien validados, en lugar de un reemplazo completo para las pruebas dedicadas de DNL o de códigos faltantes.
Rango de Dispositivos: La validación se limitó a ADC con tasas de muestreo de hasta 50 Msps y resoluciones de hasta 16 bits. La aplicabilidad a dispositivos más rápidos o de mayor resolución aún debe investigarse.

Más como este