⚡ 电气工程

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

本文提出了一种基于数据驱动的 $INL_{max\_abs}$ 间接估计方法，该方法在混合 KNN-SVR 机器学习模型中利用动态参数作为输入特征，在多个 ADC 数据集上实现了高精度和高鲁棒性，同时与传统的码密度直方图方法相比，显著提高了测试效率。

原作者： Rongjie Li, Houjun Wang, Pu Pu, Jia Li, Guibing Zhu, Wanyu Yang

发布于 2026-11-03

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Rongjie Li, Houjun Wang, Pu Pu, Jia Li, Guibing Zhu, Wanyu Yang

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代电子设备的庞大生态系统中，模数转换器（ADC）扮演着关键翻译者的角色。它将现实世界中平滑、连续的波形——声音、光线、温度——切割成计算机能够理解的离散二进制阶梯。为了让这些设备正常工作，其翻译过程必须极其精确。如果阶梯不均匀，声音波形的数字版本就会出现失真，或者温度读数会发生漂移。工程师使用一种称为积分非线性（integral nonlinearity）的特定指标来衡量这种不均匀性。简单来说，这个指标揭示了设备的实际行为偏离完美直线多少。在这项测量中，最重要的数值是最大绝对偏差（maximum absolute deviation），它告诉我们设备可能产生的最坏情况误差。

几十年来，寻找这个数值一直是一个缓慢且昂贵的过程。为了准确测量它，工程师必须向设备输入一个完美的、移动缓慢的信号，并记录成千上万甚至数百万个输出点，以构建其行为的统计图景。随着设备变得越来越快且越来越复杂，进行此类测试所需的时间和设备也变得异常庞大，从而在制造业中形成了瓶颈。业界面临的问题在于，是否存在一种方法，可以在不运行完整的、耗时的测试的情况下，预测出这种最坏情况下的误差。

来自电子科技大学的研究团队提出了一种新方法来解决这个问题。他们建议，与其等待缓慢且详尽的测试完成，不如观察设备的动态性能——即它对标准、快速移动信号的反应——来预测其静态误差。他们将这两种性能类型之间的关系视为一种可以被学习的模式。通过向计算机模型输入关于设备在快速动态测试中如何处理噪声和失真的数据，该模型可以以惊人的准确度估算出最大静态误差。这种方法并非要取代对设备物理特性的理解，而是提供了一种捷径，可以显著加快新芯片的测试速度。

研究人员首先从五种不同类型的模数转换器中收集数据，分辨率从8位到16位不等。这些设备来自主要制造商，并采用了不同的内部设计。对于每块芯片，他们进行了两项截然不同的测试。首先，他们运行了传统的、缓慢的测试，以获得最大静态误差的真实值（ground-truth value）。其次，他们使用纯正弦波运行了一次更快的动态测试。通过这次快速测试，他们提取了几个描述信号质量的关键数值，例如信噪比和总谐波失真水平。这些数值作为其机器学习模型的输入特征。

他们的核心工作是建立一个能够将这些快速动态数值与缓慢静态误差联系起来的模型。他们测试了几种不同的数学方法，包括数据科学中使用的标准方法以及更复杂的深度学习网络。然而，他们发现最有效的解决方案是一个结合了两种较简单技术的混合模型。一种技术擅长观察数据的局部邻域，而另一种则更擅长理解数据的整体形状。通过融合这两者的优势，该模型可以适应每种不同芯片类型的特定特性，无论数据是均匀分布还是聚集在特定区域。

结果表明，这种数据驱动的策略是有效的。当研究人员在未见过的芯片上测试该模型时，预测结果与实际测量值非常接近。对于不同的芯片类型，预测的平均误差范围大约在0.03到0.21个最低有效位（LSB，即设备能测量的最小阶梯）之间。在许多情况下，尽管使用了更简单的结构，该模型的表现仍能达到甚至超过复杂的深度学习系统。该模型成功地学习到，当芯片在快速动态测试中表现出高水平的噪声或失真时，其具有较大静态误差的可能性也非常高。

研究人员还分析了动态测试中哪些特定数值对于做出预测最为重要。他们发现，答案因芯片类型而异。对于某些设备，总谐波失真是最强的指标；而对于另一些设备，信噪比与失真的组合则是最可靠的线索。这种差异证实了没有任何单一的数值可以为每种芯片讲述完整的故事，这进一步强调了使用能够同时权衡多个因素的模型的重要性。该研究表明，通过结合这些不同的动态参数，模型可以捕捉到设备快速行为与缓慢行为之间复杂的联系。

虽然结果令人鼓舞，但作者也谨慎地指出了该方法的局限性。该模型是在覆盖设备输入全范围的低频信号下进行训练和测试的。这意味着该方法目前最适用于这些特定条件下的测试，如果设备用于极高频信号或无法填满整个输入范围的信号，效果可能不会那么好。此外，该方法旨在估算最大误差，而不是为了检测每一个缺失的代码，也不是为了取代所有场景下的测试需求。它是一种快速评估工具，特别适用于对速度要求极高且制造工艺已经非常成熟的生产线。

这项工作代表了工程师看待电子元件质量控制方式的一种转变。通过展示快速动态测试可以可靠地预测缓慢静态参数，研究人员为更高效的测试流程打开了大门。他们开发的混合模型证明，结合简单的互补技术通常可以超越复杂的系统，尤其是在处理现实制造中常见的多样化且有时杂乱的数据时。随着对更快、更精密电子设备需求的不断增长，这种数据驱动的捷径可能会成为确保支撑我们世界的设备既高质量又按时供应的重要组成部分。

技术摘要：一种利用动态参数作为输入特征间接估计 $INL_{max\_abs}$ 的数据驱动方法

问题陈述
模数转换器（ADC）的精确测试对于确保产品质量至关重要，然而，表征静态参数（特别是积分非线性，INL）在时间与成本方面面临着重大挑战。传统的 INL 测试依赖于使用高线性度斜坡信号或正弦信号的代码密度直方图法。随着 ADC 分辨率的提高，为确保足够的代码命中次数，所需的样本数量呈指数级增长，从而导致了巨大的测试时间开销和设备成本。此外，实现高测量精度通常需要超出标准测试设备能力的纯度水平的激励信号，从而引入了由激励引起的误差。虽然现有的策略尝试通过快速正弦波直方图测试（FSHT）或小波重构等技术来优化测试激励或减少样本量，但许多方法仍需要专门的静态测试程序，或者难以准确捕捉 INL 曲线中的高频局部变化。因此，需要一种能够快速评估 INL 性能的方法，而无需进行与传统静态测试相关的广泛数据采集。

方法论
本文提出了一种数据驱动的间接估计策略，用于估计 $INL_{max\_abs}$ 的最大绝对值。其核心前提是：ADC 的动态性能参数与其静态非线性之间存在统计相关性。

特征提取： 该方法并非对每个器件都进行完整的静态 INL 测试，而是利用从 ADC 输出的标准频谱分析中提取的动态参数。输入特征包括信噪比（SNR）、信噪失真比（SINAD）、总谐波失真（THD）、无杂散动态范围（SFDR）以及单个谐波分量。
数据采集： 本研究使用了来自五个不同 ADC 数据集（分辨率范围从 8 位到 16 位，涵盖了 SAR 和流水线架构）的测试数据，这些数据由德州仪器（Texas Instruments）和亚德司（Analog Devices）制造。静态测试（使用代码密度直方图）提供了 $INL_{max\_abs}$ 的地面真值（ground truth），而动态测试（使用纯正弦波）则提供了输入特征。
模型构建： 为了应对不同 ADC 类型之间数据分布和样本量差异性的问题，作者开发了一种 混合 KNN-SVR 模型。该模型集成了：
- k-最近邻（KNN）： 利用其在特征空间密集区域强大的局部拟合能力。
- 支持向量回归（SVR）： 利用其强大的全局拟合能力，在稀疏区域表现尤为出色。
- 自适应加权： 使用 Sigmoid 函数根据输入特征的局部样本密度 ( $\delta$ ) 动态调整权重系数 ( $\alpha$ )。在密集区域，模型更多地依赖于 KNN；在稀疏区域，则转向依赖于 SVR。
验证： 将所提出的模型与包括独立 KNN、SVR、XGBoost 和人工神经网络（ANN）在内的标准机器学习算法进行了对比。使用 $R^2$ 、均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）在来自五个数据集的独立测试集上评估了性能。

主要贡献

统计相关性发现： 本研究证实了动态参数（SNR、SINAD、THD、SFDR）在不同 ADC 架构下与 $INL_{max\_abs}$ 表现出不同程度的统计相关性。虽然相关强度因器件而异，但多种动态参数的组合为估计提供了稳健的基础。
间接估计策略： 提出了一种数据驱动框架，仅通过动态测试结果即可估计 $INL_{max\_abs}$ ，从而消除了为每个器件进行专门的高样本量静态测试激励的需求。
混合 KNN-SVR 模型： 开发了一种轻量级混合模型，其性能优于或匹配复杂的 XGBoost 和 ANN 模型。至关重要的是，该模型在处理具有非均匀分布和不同样本量的测试数据时，展现出了卓越的鲁棒性，而这正是生产测试数据中常见的挑战。

实验结果
所提方法在五个样本量从 682 到 1,507 不等的 ADC 数据集上得到了验证。

准确度： 混合 KNN-SVR 模型在五个数据集上的 RMSE 值分别为 0.0532、0.0607、0.0301、0.2006 和 0.2083 LSB。
性能比较： 所提混合模型始终优于单独的 KNN 和 SVR 基准模型。在四个数据集（AD0832、AD1674、AD7658、AD9245）上，其表现与或优于 XGBoost 和 ANN。在 ADS8509 数据集上，其表现与这些复杂模型相当。
泛化能力： 该模型表现出强大的泛化能力，估计值的分布与训练集和测试集中测得的分布高度吻合，表明不存在显著的过拟模型现象。
特征重要性： SHAP 分析显示，特定特征的重要性随器件类型而变化。然而，SINAD（综合了噪声和失真）在所有数据集中一致地表现为高度重要的特征。

意义与局限性
论文声称，这种方法为快速评估 INL 性能提供了有价值的基础，通过利用现有的动态测试数据，有望在生产环境中减少测试时间和数据采集开销。混合 KNN-SVR 模型为涉及小到中型数据集及非均匀分布的场景提供了稳健的解决方案。

作者明确指出了以下几点局限性：

测试激励约束： 该方法依赖于低频、全量程的激励。其在更高输入频率或非全量程条件下的有效性仍需进一步验证。
估计范围： 该方法旨在估计 $INL_{max\_abs}$ ，目前尚未涉及微分非线性（DNL）的间接估计或缺失代码（missing codes）的检测。因此，它被定位为经过验证的制造工艺的补充估计工具，而非专门的 DNL 或缺失代码测试的完全替代品。
器件范围： 验证过程仅限于采样率高达 50 Msps 且分辨率高达 16 位的 ADC。该方法对更快或更高分辨率器件的适用性仍有待研究。

类似论文