A Data-Driven Approach for Indirect Estimation of INLmax_abs Using Dynamic Parameters as Input Features
Dit artikel stelt een datagestuurde indirecte schattingsmethode voor voor INLmax_abs die dynamische parameters gebruikt als inputkenmerken binnen een hybride KNN-SVR machine learning-model, waarbij een hoge nauwkeurigheid en robuustheid bereikt wordt over meerdere ADC-datasets terwijl de testefficiëntie aanzienlijk wordt verbeterd in vergelijking met traditionele code-densiteit histogrambenaderingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Binnen het uitgestrekte ecosysteem van moderne elektronica fungeert de analoge-naar-digitale converter als een cruciale vertaler. Het neemt de vloeiende, continue golven van de echte wereld — geluid, licht, temperatuur — en hakt deze in de discrete, binaire stappen die computers kunnen begrijpen. Voor een correcte werking van deze apparaten moet hun vertaling precies zijn. Als de stappen ongelijkmatig zijn, zal de digitale versie van een geluidsgolf vervormd klinken, of zal een temperatuurmeting gaan afwijken. Ingenieurs meten deze ongelijkmatigheid met een specifieke metriek genaamd integrale niet-lineariteit. In eenvoudige termen onthult deze metriek hoeveel het werkelijke gedrag van het apparaat afwijkt van een perfecte, rechte lijn. Het belangrijkste getal in deze meting is de maximale absolute afwijking, die ons vertelt wat de slechtst denkbare fout is die het apparaat zou kunnen produceren.
Decennialang was het vinden van dit getal een traag en kostbaar proces. Om het nauwkeurig te meten, moeten ingenieurs het apparaat een perfect, langzaam bewegend signaal voeren en duizenden, soms miljoenen, outputpunten registreren om een statistisch beeld van het gedrag op te bouwen. Naarmate apparaten sneller en complexer zijn geworden, zijn de tijd en de apparatuur die nodig zijn voor dit testen onhoudbaar groot geworden, wat een flessenhals creëert in de productie. De vraag die de industrie bezighoudt, is of er een manier bestaat om deze slechtst denkbare fout te voorspellen zonder de volledige, tijdrovende test uit te voeren.
Een team onderzoekers van de University of Electronic Science and Technology of China heeft een nieuwe aanpak voorgesteld om dit probleem op te lossen. In plaats van te wachten tot de trage, uitputtende test is voltooid, stellen zij voor om naar de dynamische prestaties van het apparaat te kijken — hoe het reageert op een standaard, snel bewegend signaal — om de statische fout te voorspellen. Ze behandelen de relatie tussen deze twee soorten prestaties als een patroon dat geleerd kan worden. Door een computermodel data te voeren over hoe een apparaat omgaat met ruis en vervorming tijdens een snelle dynamische test, kan het model de maximale statische fout met verrassende nauwkeurigheid schatten. Deze methode vervangt niet de noodzaak om het fysieke gedrag van het apparaat te begrijpen, maar biedt een kortere weg die de testprocedure van nieuwe chips aanzienlijk kan versnagen.
De onderzoekers begonnen met het verzamelen van data van vijf verschillende typen analoge-naar-digitale converters, variërend van 8-bit tot 16-bit resolutie. Deze apparaten kwamen van grote fabrikanten en gebruikten verschillende interne ontwerpen. Voor elke chip voerden zij twee onderscheidende tests uit. Eerst voerden zij de traditionele, trage test uit om de ware, werkelijke waarde van de maximale statische fout te verkrijgen. Vervolgens voerden zij een veel snellere dynamische test uit met een zuivere sinusgolf. Uit deze snelle test extraheerden zij verschillende kerngetallen die de kwaliteit van het signaal beschrijven, zoals de signaal-ruisverhouding en het niveau van harmonische vervorming. Deze getallen dienden als de inputkenmerken voor hun machine learning-model.
De kern van hun werk was het bouwen van een model dat de snelle dynamische getallen kon verbinden met de trage statische fout. Ze testten verschillende wiskundige benaderingen, waaronder standaardmethoden die in data science worden gebruikt en complexere deep learning-netwerken. Ze ontdekten echter dat de meest effectieve oplossing een hybride model was dat twee eenvoudigere technieken combineerde. De ene techniek blinkt uit in het bekijken van lokale buren in de data, terwijl de andere beter is in het begrijpen van de algemene vorm van de data. Door deze twee sterktes te combineren, kon het model zich aanpassen aan de specifieke eigenaardigheden van elk verschillend type chip, of de data nu gelijkmatig verspreid was of geclusterd in een specifiek gebied.
De resultaten toonden aan dat deze datagestuurde strategie werkt. Wanneer de onderzoekers het model testten op chips die ze nog niet eerder hadden gezien, waren de voorspellingen opmerkelijk dicht bij de werkelijke metingen. Voor de verschillende chiptypen varieerde de gemiddelde fout in de voorspelling van ongeveer 0,03 tot 0,21 eenheden van de minst significante bit (LSB), wat de kleinste stap is die het apparaat kan meten. In veel gevallen presteerde het model even goed als of zelfs beter dan de complexere deep learning-systemen, ondanks het gebruik van een veel eenvoudigere structuur. Het model leerde succesvol dat wanneer een chip hoge niveaus van ruis of vervorming vertoont tijdens een snelle dynamische test, het zeer waarschijnlijk ook een grotere statische fout heeft.
De onderzoekers analyseerden ook welke specifieke getallen uit de dynamische test het belangrijkst waren voor het doen van de voorspelling. Ze ontdekten dat het antwoord varieerde afhankelijk van het type chip. Voor sommige apparaten was de totale harmonische vervorming de sterkste indicator, terwijl voor andere de gecombineerde signaal-ruisverhouding en vervorming de meest betrouwbare aanwijzing was. Deze variatie bevestigde dat geen enkel getal het hele verhaal kon vertellen voor elke chip, wat het belang van een model dat meerdere factoren simultaan kan wegen, onderstreepte. De studie demonstreerde dat door deze verschillende dynamische parameters te combineren, het model de complexe relatie tussen het snelle en langzame gedrag van het apparaat kon vatten.
Hoewel de resultaten veelbelovend zijn, zijn de auteurs voorzichtig in het benoemen van de grenzen van hun methode. Het model werd getraind en getest met behulp van laagfrequente signalen die het volledige bereik van de input van het apparaat beslaan. Dit betekent dat de aanpak momenteel het best geschikt is voor testen onder deze specifieke omstandigheden en mogelijk minder goed werkt als het apparaat wordt gebruikt met zeer hoogfrequente signalen of signalen die niet het volledige inputbereik vullen. Bovendien is de methode ontworpen om de maximale fout te schatten, niet om elke enkele ontbrekende code te detecteren of om de noodzaak van testen in alle scenario's te vervangen. Het is een instrument voor snelle beoordeling, met name nuttig in productielijnen waar snelheid essentieel is en het productieproces al goed begrepen is.
Dit werk vertegenwoordigt een verschuiving in de manier waarop ingenieurs de kwaliteitscontrole van elektronische componenten kunnen benaderen. Door aan te tonen dat een snelle dynamische test betrouwbaar een trage statische parameter kan voorspellen, hebben de onderzoekers de deur geopend naar efficiëntere testworkflows. Het hybride model dat zij ontwikkelden, bewijst dat een combinatie van eenvoudige, complementaire technieken vaak beter presteert dan complexere systemen, vooral bij het omgaan met de diverse en soms ongeordende data die men in de echte wereld van productie tegenkomt. Naarmate de vraag naar snellere en preciezere elektronica blijft groeien, kunnen dergelijke datagestuurde kortere wegen een essentieel onderdeel worden van het waarborgen dat de apparaten die onze wereld aandrijven zowel van hoge kwaliteit zijn als tijdig beschikbaar zijn.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.