מבוא: התפקיד הרחב של Machine Learning ב- ADC Data Analysis

אלגוריתמים אנליסטים (ADCs) הם כלוביקוויטריים באלקטרוניקה המודרנית, המשרתים כגשר קריטי בין אותות פיזיים רצופים לבין התחום הדיגיטלי דיסקרטי במהירות גבוהה ודימות רפואית לאוטומציה תעשייתית ומכשור מדעי, את הדלפקות של שינוי מערכתי מתקדם (ADC) קובע באופן ישיר את ביצועי המערכת הליניבית.

בעיות איכות נתונים ADC

הבנת פגמים של ADCs היא חיונית לפני החלת תיקונים ב-ML.הקטגוריות העיקריות של טעות כוללות:

  • (ב) ,0) ,התקבל שגיאות: FLT:1 שינויים סטטיים בפונקציה העברה שגורמת להטיה שיטתית.
  • (בלטינית:0) ⁇ (INLIR): מחיקת תפקוד ההעברה בפועל משורה קדמית אידיאלית, אשר לעיתים קרובות נגרמת על ידי תקלות רכיב בסולםים מנוגדים או מערכי קיבול.
  • (הופנה מהדף DNLIRECT:0) ,0 (הרחבה ללא סודיות (DNL): גודל שלב בין קודים סמוכים, אשר יכול להוביל לקודים חסרים או להתנהגות לא מונוטונית.
  • (ב) ⁇ :0) ⁇ : ⁇ 1 (הופנה מהדף תהליך ההמרה, אך ניתן לנצל את הקשר המרחבי והזמני שלו באמצעות מודלים של ML.
  • (ב) ⁇ :0) פיתוי ווולטראז ד"ר צ'רצט: שינויים דינמיים כי קלברציה סטטית אינה יכולה לעקוב.
  • (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

גישות מסורתיות, כגון טבלאות של חיפוש (LUTs) המבוססות על סוללת המפעל, לטפל שגיאות אלה רק בנקודה הפעלה אחת.נגד, מודלים למידת מכונה יכולים ללכוד את התלות הרב-ממדית - לדוגמה, כיצד אי-לינימיות משתנה עם ספוג קלט, קצב הדגימה, וטמפרטורה.זה הופך את ה-ML כלי משכנע להשגת דיוק מתמשך ללא קלמנטציה ידנית.

מדוע שיטות תיקון מסורתיות נופלות קצרות

רוב טכניקות תיקון ADC קונבנציונליות מסתמכות על מדידות חד פעמיות במהלך הייצור.קלבריציה נתונים מאוחסנים בזיכרון וליישם באופן מכריע.בעוד יעיל בסביבות יציבות, שיטות אלה יש כמה מגבלות:

  • (ב) [15] ,0) ,0 (לא) של הסתגלות: 1FLT:1 Agroughing, תרמי רכיבה על אופניים ותנוחות מתח לגרום לפרופילי שגיאות להיסחף.
  • (הופנה מהדף High Calibration Cost:FLT:1, איור מלא של כל ADC יקר וזמני-consuming, במיוחד עבור מכשירים ברזולוציה גבוהה.
  • (FLT:0) טעויות מובנות: FLT:1 פשוט מודלים פולינומיים או לעג-לינאריים לא יכולים ללכוד קומפלקסים מורכבים או אפקטים זיכרון המופיעים ב-ADCs המהיר המודרני.
  • (FLT:0) One-Size-Fits-Fits-All Asture:FLT 1:1 חלק-to-part וריאציות אומר כי מודל קלברציה יחיד הוא תת-אופטימי עבור כל ערכת הייצור.

למידת מכונה מתייחסת לחסרונות אלה על ידי לימוד פונקציית השגיאה ישירות מהנתונים שנאספו במהלך המבצע.במקום להניח טופס מתמטי קבוע, המודל מגלה את המיפוי הבסיסי בין קוד ADC הגולמי לבין קלט אנלוגי אמיתי.

Machine Learning as a Dynamic Solution

אלגוריתמים של ML מתאימים במיוחד לתיקון ADC מכיוון שתפקוד השגיאה הוא לעתים קרובות מיפוי מתמשך, לא ליניארי, ופוטנציאלי למיפוי תלוי בהקשר.3 פרדיגמות למידה מוחלות בדרך כלל:

  • (FLT:0) Supervised Learningeur: 1FLT) הגישה הישירה ביותר. Pairs of known אנלוגי קלט (מנקודת התייחסות מדויקת) ופלט ADC גולמי משמשים להכשיר מודל רגרסיה לחיזוי התפוקה הדיגיטלית האמיתית.
  • (FLT:0) Unvised Learning:FLT:1hil כאשר אמת הקרקעית מועתדת אינה זמינה, טכניקות כגון autoencoders יכולים ללמוד ייצוג קומפקטי של הפלט ADC ולזהות אנומליות או דפוסים מתוחים המציינים את צרכי התיקון.
  • (FLT:0) Reinforcement Learning:FLT:1Buildive Systems שבה אלגוריתם התיקון חייב לשמור על דיוק על הסביבה המשתנה, למידה חיזוק יכול להתאים את הפרמטרים של המודל בזמן אמת באמצעות אותות מתגמל ממשימות מטה הזרם.

בפועל, למידה בפיקוח עם אות הכשרה מעוצב בקפידה (למשל, באמצעות גל חטא מ גנרטור בעל פרופיל נמוך ידוע) היא נקודת ההתחלה הנפוצה ביותר.בחירה של אלגוריתם תלויה בהחלטה ADC, המורכבות הלא לינארית הצפויה, ומקורות תואמים זמינים.

מפתח Machine Learning Algorithms for ADC תיקון

כמה ארכיטקטורות ML הוכיחו יעילות עבור מודלים ותיקון שגיאות ADC:

רשתות ניאל (FN)

FNs עם שכבה אחת או שתיים מוסתרת יכול להיות משוער כל פונקציה רציפה. עבור ADC לא לינאריות, רשת עם 10-50 נוירונים לשכבה מוסתרת והפעלה טנגנטית היפרבולית יכול ללמוד את הצורה INL /DNL עם דיוק גבוה.תכונות קלט הם בדרך כלל קוד ADC גולמי משתנה כמו טמפרטורה או מתח אספקה.

רשתות ערפיליות מהפכתיות (CNN)

כאשר הנתונים ADC נאספים כסדרה זמן (למשל, בצנרת ADC שבו דגימות צמודות יש שגיאות תואמים), 1D CNN יכול ללכוד תלות זמנית.זה שימושי במיוחד לתיקון ג'ייטר או אפקטים זיכרון. CNN לוקח חלון של דגימות גלם רצופים ופלט מדגם מתוקן יחיד.

תמיכה ב-Vctor Regression (SVR)

עבור תרחישים עם נתונים הכשרה מוגבלת, SVR עם פונקציה רדיונית בסיס הליבה מספק הכללה מעולה.זה מתאים היטב ADCs אשר לא לינאריות נשלט על ידי כמה מקורות שגיאה (למשל, מורד ולהשיג רק). SVR מייצרת מודל ספאר, אשר הוא יתרון עבור מערכות משובצות זיכרון.

תהליך גאוסיאני (GPR)

GPR מספק פלט פרוביביליסטי, נותן ערך תיקון והערכה אי הוודאות.זה יקר עבור יישומים קריטיים בטיחות שבו יש לדעת את האמון של התיקון.היד גבוהה יותר חישובי, מה שהופך אותו מתאים יותר לניתוח לא מקוון או תיקון פוסט-תיקון ולא בזמן אמת.

שלב-בי-שלב אינטגרציה מסגרת

שילוב ML לתוך צינור ניתוח נתונים ADC עוקב אחר זרימת עבודה מובנית. להלן מסגרת מפורטת המותאמים לתיקון ADC.

1. רכישת נתונים ולייבל

כדי להכשיר מודל בפיקוח, אתה צריך קלטות אנלוגיות ידועות. שיטה נפוצה היא ליישם גל חטא מדויק מ גנרטור אות מחיקה נמוך ולכידת את הפלט ADC.האידיאל (תיקון) פלט דיגיטלי מושג על ידי התאמת גל חטא לנתונים הנתפסים (למשל, באמצעות תקן IEEE 1241).

2.הפיקה של ADC Outputs

קודים של Raw ADC בלבד עשויים להיות לא מספיקים עבור דפוסי שגיאה מורכבים.

  • (ב) ויקרא י"א: ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) , ⁇ ⁇ (השווה בין קודים רצופים) לדגם שגיאות תלויות-הגירה.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ויקרא ויקרא ויקרא ויקרא י' (הטבע, מתח) אם יהיה זמין.

גישות למידה עמוקות מודרניות יכולות ללמוד תכונות אלה ישירות מהזרם נתונים גולמי, אך הנדסה תכונה לעתים קרובות משפרת את הביצועים עם נתונים קטנים יותר.

מודל בחירת ועיצוב אדריכלות

בחר את האלגוריתם בהתבסס על מגבלות. עבור ADC בעל רעש נמוך ובינוני ב- INL, FN עם שתי שכבות נסתרות (32 ו-16 נוירונים) הוא נקודת התחלה בטוחה יותר (ברמה גבוהה יותר) כאשר אי לינאריות היא יותר עדינה, לשקול תהליכים גאוסיים או שיטות הרכב כמו יער אקראי.

4.אימון, אימות, ו Hyperparameter Tuning

נתונים מפוצלים לאימון (70%), אימות (15%) ומבחן (15%) משתמשים מוקדם כדי למנוע התאמה יתר של Hyperparameters כגון שיעור למידה, מספר נוירונים, פרמטרים של הקרנל (עבור SVR), או כוח סדירה חייב להיות מכוון (FLT:0Recent מחקר מדגים את FLT:1 כי אופטימיזציה Bayesian עבור פיזור יתר של תפוקה יכול להיות 20% טוב יותר מאשר תיקון ידני.

5. אמת-Time Deployment and Inference Pipeline

(המודל המוכשר על חומרת היעד.לתיקון בזמן אמת, הכדאיות הניתוק במדד ADC או הפלט של ADC, למשל, 100 MS/s ADC דורש חישוב גלם מתחת ל-10 ns, אשר מאתגר עבור תוכנה ML (במקרים כאלה), השתמש סינתזזה ברמת גבוהה (HLS) כדי ליישם רשתות עצביות קטנות על גבי תבנית של FPGA.

שיקולים מעשיים ל Deployment

מעבר לזרימת העבודה המרכזית, כמה היבטים מעשיים דורשים תשומת לב:

  • (FLT:0) חישוב משאבים: FLT:1ua הקטנת המורכבות של המודל על ידי לכמת משקולות ל 8 סיביות או 16 סיביות Integer מודל להשתמש בריצה כדי להסיר נוירונים מקודמים. עבור FPGAs, למזער את השימוש DSP על ידי בחירת פונקציות הפעלה (למשל, ReLU במקום שיזוף).
  • (FLT:0) עצלות לעומת דרך חישוב: צנרת 1:1 יכול לעזור אם המודל יש מספר שכבות, כל שכבה יכולה לפעול על מדגם אחר בו זמנית, סחר בכבדות עבור דרך לוח.
  • (FLT:0)Model Retraining:FLT:1hilloy מנגנון לאיסוף נתונים חדשים של קיטור במהלך זמני מערכת idle.לדוגמה, הזרקת טון מבחן ידוע ולהשוות את התפוקה המתוקנת.
  • (FLT:0) רגולציה ובטיחות Aspects:BuildFLT:1) ביישומים רפואיים או רכב, תיקון ה-ML חייב להיות מאומת נגד תקני בטיחות פונקציונליים.

מקרה מחקר: תיקון רשת נילי של INL ב-16-Bit SAR ADC

כדי להמחיש את ההשפעה המעשית, לשקול 16 סיביות מוצלח-upximation-register (SAR) ADC פועל ב 1 MS/s. טיפוסי INL הוא ±3 LSB, אשר מגביל את ההחלטה היעילה ל 13.5 ביטים.שימוש בשני שכבות של ⁇ -FN (16 נוירונים) היה מאומן על 50,000 דגימות גלימות, הפלט מתוקן שהושג מתחת ל-0.5 סיביות, שיפור משמעותי של 8B2 היה יעיל ברזולוציה של 8.

אתגרים ומייגים

אימוץ ML לתיקון ADC אינו ללא קשיים:

  • (FLT:0) איכות נתונים: איור FLT:1) יש לסמן במדויק את נתוני האימון.שגיאות בסימן ההתייחסות (למשל, הרמוניות מהגנרטור) יילמדו כחלק מהתיקון, ביצוע משפיל. השתמש במקורות אולטרה-דיסקרטיות ולכידתים מרובים כדי להפחית את הרעש.
  • (FLT:0)Model Interpretability: FLT:1 מהנדסים לעתים קרובות צריך להבין מדוע תיקון הוא מיושם.טכניקות כמו ערך הדבקה או ערכי SHAP יכולים לחשוף אילו תכונות קלט מסתמך על.עבור מערכות קריטיות בטיחות, לשקול מודלים מפרשים באופן אטי כמו מודלים כלליים של תוספים (GAMs).
  • (FLT:0) מתאים ו- Domain Shift:FLT:1 מודל מאומן על יחידה מסוימת ADC לא יכול להכלל ליחידה אחרת, אפילו מאותה אצווה. השתמש ביחידות ספציפיות יחידה או שיטות הסתגלות דומיין.
  • (FLT:0)Computational Overhead:FLT:1 מודלים מתקדמים כמו CNN עמוקים עשויים להיות כבדים מדי עבור ADCs מהירות גבוהה (GS / טווח) גישות היברידיות - שימוש פשוט תיקון ליניארי שגיאות קוארזה מודל ML קל עבור שאריות - יכול להכות איזון.

כיוונים עתידיים

התחום מתפתח במהירות.מגמות מפתח כוללות:

  • (FLT:0) Online and Continual Learning:FLT:1 Models להסתגל בזמן אמת באמצעות הזרמת נתונים ללא אימון מלא. Algorithms כמו SVR או עצירות משקל גמיש עבור רשתות עצביות לאפשר הסתגלות מתמשכת לסחף.
  • (FLT:0) אינטגרציה מלאכותית:FLT:1ir כוח נמוך יותר מאיץ ML (למשל, Google Coral, NVIDIA Jetson Nano) הופכים אותו לזמין לנהל רשתות עצביות בינוניות ישירות על צמתים חיישן, המאפשרת כיבוד אוטונומי ללא התערבות מארחת.
  • (FLT:0) Hybrid Analog-Digital תיקון:FLT:1 שילוב ML עם מעגלים אנלוגיים של משולשים - כגון calibration DACs נשלט דיגיטלית - יכול להאריך את טווח התיקון מעבר לקודים דיגיטליים בלבד.
  • מחקר אחד:0 (סוף-סוף למד המרים: אנדרל 1) כמה מחקרים חוקרים להחליף חלקים של אדריכלות ADC (כמו ה- נספח או DAC) עם ייצוגים עצביים נלמדים.

מסקנה

הגדלת למידת מכונה לניתוח נתונים ADC ותיקון כבר אינה סקרנות מחקרית - זוהי אסטרטגיה הנדסית מעשית המספקת שיפורים משמעותיים דיוק, הסתגלות, ותוחלת החיים התפעולית. על ידי ביצוע זרימת עבודה שיטתית של איסוף נתונים, הנדסת תכונה, בחירת מודל, פריסה בזמן אמת, מהנדסים יכולים להתגבר על המגבלות של אלגוריתם סטנדרטי של ריצוף מערכת ההפעלה, כלומר, כדי לאפשר את היכולת של כל אמצעי בקרה גמישה, כמו גם תכונות של מערכת הפעלה של חומרת של חומרת HD, כדי להמשיך באופן עצמאיות יותר, כמו גם כן, כדי לפתח תכונות מתקדמות יותר, כמו גם אלגוריתם של מערכת אבטחה.