特許ウォッチ

公開番号2024059588
公報種別公開特許公報(A)
公開日2024-05-01
出願番号2023176871
出願日2023-10-12
発明の名称製造システム及び製造システムで使用される方法
出願人テクトロニクス・インコーポレイテッド,TEKTRONIX,INC.
代理人個人,個人
主分類G06N 3/08 20230101AFI20240423BHJP(計算;計数)
要約【課題】試験測定システムの性能と機能を強化する。
【解決手段】製造システムは、ニューラル・ネットワーク(NN)及びトレーニング済みNNに関連付けられた設定ファイルを有する機械学習(ML)システム50と、MLシステム50とのインタフェースを有する構造化データ・ストア30と、試験自動化アプリケーション20と、を制御して、トレーニング・データ32を受信及び格納し、NNをトレーニングするためにMLシステムをトレーニング・データにアクセス可能とし、基準パラメータを受信及び格納して基準パラメータにアクセスし、最適なチューニング・パラメータ及び関連データに関する予測要求を受信して通信ストア内に格納してMLシステムに供給し、MLシステムがトレーニング済みNNをトレーニング済みモデル・ストア38に格納可能とし、トレーニング済みNNを呼び出し、試験自動化アプリケーション20に予測を提供する。
【選択図】図2
特許請求の範囲【請求項１】
製造システムであって、
１つ以上のニューラル・ネットワーク及び動作のためのトレーニング済みニューラル・ネットワークに関連する情報を含む設定ファイルを有する機械学習システムと、
該機械学習システムへのインタフェース及び被試験デバイス（ＤＵＴ）の試験に使用される試験自動化アプリケーションへのインタフェースを有し、上記機械学習システムに接続された構造化データ・ストアと、
１つ以上のプロセッサと
を具え、
該１つ以上のプロセッサが、上記構造化データ・ストアを制御して、
上記試験自動化アプリケーションから上記ＤＵＴの試験で得られたトレーニング・データを受信して上記構造化データ・ストア内のトレーニング・ストアに格納する共に、上記機械学習システムが上記トレーニング・データにアクセスして、上記機械学習システム内の１つ以上のニューラル・ネットワークのうちの少なくとも１つをトレーニング可能にする処理と、
上記試験自動化アプリケーションから上記ＤＵＴの基準パラメータを受信して基準パラメータ・ストアに記憶し、上記機械学習システムが上記基準パラメータにアクセス可能にする処理と、
上記試験自動化アプリケーションから上記ＤＵＴ及び関連データの最適なチューニング・パラメータの予測値要求を受信して上記構造化データ・ストア内の通信ストア内に格納し、上記機械学習システムに上記予測値要求を供給する処理と、
上記機械学習システムが、上記１つ以上のニューラル・ネットワークの中のトレーニング済みニューラル・ネットワークを上記構造化データ・ストア内のトレーニング済みモデル・ストアに記憶できるようにする処理と、
上記機械学習システムが、選択されたトレーニング済みニューラル・ネットワーク及び関連する設定ファイルを呼び出し、上記試験自動化アプリケーションに１つ以上の予測値を提供できるようにする処理と
を行わせるプログラムを実行するよう構成される製造システム。
続きを表示（約 1,900 文字）【請求項２】
上記構造化データ・ストアを制御して予測値要求を受信及び格納する処理を上記１つ以上のプロセッサに行わせるプログラムが、上記試験自動化アプリケーションによって試験される被試験デバイスからの入力データを受信する処理を上記１つ以上のプロセッサに行わせるプログラムを含む請求項１記載の製造システム。
【請求項３】
上記構造化データ・ストアが、上記製造システム内の複数のコンピューティング・デバイスによってアクセス可能なグローバル・サーバ上に記憶されたグローバル部分と、上記製造システム内の複数のコンピューティング・デバイス上に記憶されたローカル部分とを有する請求項１記載の製造システム。
【請求項４】
上記グローバル部分が、上記トレーニング・ストア、上記基準パラメータ・ストア及び上記トレーニング済みモデル・ストアを含む請求項３記載の製造システム。
【請求項５】
上記１つ以上のプロセッサのうちの少なくとも１つが、上記機械学習システム内に存在して、１つ以上のニューラル・ネットワークをトレーニングし、該１つ以上のニューラル・ネットワークを展開して上記試験自動化アプリケーションのための予測を行うプログラムを実行する請求項１記載の製造システム。
【請求項６】
上記１つ以上のプロセッサのうちの少なくとも１つが、テンソル配列を生成し、展開中の予測のためのトレーニング・データ及び入力データの両方について特徴抽出を行い、トレーニング及びランタイムの両方に一貫性をもたらすように更に構成される請求項５記載の製造システム。
【請求項７】
上記構造化データ・ストアが、
被試験デバイスの試験パラメータの各値に関するサブ・ストアを有するトレーニング・データ・ストアと、
上記被試験デバイスから取得した基準パラメータと該基準パラメータと関連付けられた波形を格納するための基準パラメータ・ストアと、
１つ以上のトレーニング済みニューラル・ネットワーク、クラス変数及び上記トレーニング済みニューラル・ネットワークの他の設定情報を格納するためのトレーニング済みモデル・ストアと、
上記試験自動化アプリケーション及び上記機械学習システムから受信した情報を格納し、上記試験自動化アプリケーション及び上記機械学習システムが上記情報にアクセスできるように構成された通信ストアと
を有する請求項１記載の製造システム。
【請求項８】
試験自動化アプリケーションから試験するＤＵＴから得られたトレーニング・データを受信して構造化データ・ストア内のトレーニング・ストアに格納する処理と、
上記トレーニング・ストアにアクセスして上記トレーニング・データを取得し、該トレーニング・データを使用して機械学習システム内の１つ以上のニューラル・ネットワークをトレーニングする処理と、
１つ以上のトレーニング済みニューラル・ネットワーク及び設定ファイルを構造化データ・ストアに格納する処理と、
上記試験自動化アプリケーションから上記ＤＵＴの基準パラメータを受信して基準パラメータ・ストアに格納する処理と、
上記基準パラメータ・ストアにアクセスして上記基準パラメータを取得し、該基準パラメータを使用して上記ＤＵＴの最適なチューニング・パラメータを生成する処理と、
上記最適なチューニング・パラメータを上記構造化データ・ストアに格納する処理と、
上記試験自動化アプリケーションが上記最適なチューニング・パラメータを取得できるようにする処理と
を具える製造システムで使用される方法。
【請求項９】
上記試験自動化アプリケーションによって上記ＤＵＴから得られるＳパラメータを受信して上記構造化データ・ストアに格納する処理と、
上記構造化データ・ストアにアクセスして上記Ｓパラメータを取得し、該Ｓパラメータを使用して上記ＤＵＴの予測性能パラメータを生成する処理と、
上記予測性能パラメータを上記構造化データ・ストアに格納する処理と
を更に具える請求項８記載の製造システムで使用される方法。
【請求項１０】
上記トレーニング・データ、上記基準パラメータ及び上記トレーニング済みニューラル・ネットワークを中央に位置するグローバル・ストアに格納する処理と、
製造システム内の複数のローカル・コンピューティング・デバイス夫々上のローカル・ストアに予測要求及び予測データを格納する処理と
を更に具える請求項８記載の製造システムで使用される方法。

発明の詳細な説明【技術分野】
【０００１】
本開示は、電子デバイスの試験に関し、より具体的には、電子デバイスの試験測定のための機械学習モデルを開発するためのシステム及び方法に関する。
続きを表示（約 2,700 文字）【背景技術】
【０００２】
米国特許出願公開第２０２３／００９８３７９号明細書（特許文献１、その内容は、参照により本開示に援用される）は、試験測定システムにおいて使用するための機械学習モデルの容易かつ迅速な実験、プロトタイプ作成及び開発を可能にするシステム及び方法を記載する。このような開発プラットフォーム又はツール・キットを使用して作成された機械学習モデルは、様々な目的で試験測定システムにおいて使用できる。典型的には、主な用途の１つは、光トランシーバに関するＴＤＥＣＱ（Transmitter Dispersion Eye Closure Quaternary）測定値の予測など、被試験デバイス（ＤＵＴ）の関心のある信号の測定を実行することである。
【先行技術文献】
【特許文献】
【０００３】
米国特許出願公開第２０２３／００９８３７９号明細書
特開２０２３－０５５６６７号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
特許文献１に記載されるシステム及び方法の性能及び能力を更に強化することが望まれている。
【課題を解決するための手段】
【０００５】
本願の実施形態は、特許文献１に記載されるシステム及び方法の性能及び能力を強化する。本願における実施形態の説明では、機械学習（machine learning：ＭＬ）モデル開発システムを、ＯｐｔａＭＬ
TM
「機械学習（ＭＬ）ツール」アプリケーション又はソフトウェアと呼ぶことがある。機械学習ツール・ソフトウェアは、構造化データ・ストアと連携して動作し、製造ラインの被試験デバイス（ＤＵＴ）の試験で使用される顧客の自動化ソフトウェアとインタフェースを介して接続される。
【図面の簡単な説明】
【０００６】
図１は、製造試験環境内の試験自動化アプリケーションと機械学習システムのブロック図を描いたユーザ・インタフェースを示す。
図２は、試験自動化アプリケーションと機械学習システムとの間で共有構造化データ・ストアを有する製造システムの実施形態のブロック図を示す。
図３は、グローバル・ストア部分とローカル・ストア部分とを含む、試験自動化アプリケーションと機械学習システムとの間で共有構造化データ・ストアを有する製造システムの実施形態のブロック図を示す。
図４は、製造システムの構成の実施形態の例を示す。
図５は、製造システムの構成の実施形態の別の例を示す。
【発明を実施するための形態】
【０００７】
図１は、製造（ＭＦＧ）システムの構成要素を示すユーザ・インタフェース１０の実施形態を示す。「システム」タブ・メニューは、光チューニング・システム全体の高レベルのブロック図を描いている。このシステムは、製造ライン１２で使用されるユーザ（又は顧客）の試験自動化ソフトウェア・アプリケーション、波形（wfms）などのデータを取得するためのオシロスコープ又は他の試験測定装置１６、ＯｐｔａＭＬ
TM
Ｐｒｏ機械学習支援型チューニング予測ソフトウェア又は「機械学習（ＭＬ）ツール」１８を含む。光トランスミッタ・チューニング・システムの実施形態の例は、チューニング及び試験を受けるトランスミッタ又は他のＤＵＴ１４も含む。
【０００８】
以下の説明では、光トランスミッタ/トランシーバ・チューニング・システムの例示的な状況を利用し、ＯｐｔａＭＬ
TM
Ｐｒｏアプリケーションに言及するが、これは、ユーザの試験自動化ソフトウェアと連携して、トランスミッタのチューニング・パラメータを予測する。光チューニング環境の例は、この環境に限定された例として利用できる。この説明では、ユーザの被試験デバイスのチューニング・パラメータのトレーニング用に構成されたシステムを使用する。これは、複数のアプリケーションに応用でき、これには、例えば、光トランスミッタとそのチューニング・パラメータなどがあり、これは、波形データを何らかの形のテンソルに変換した後、深層学習ネットワークへの入力として使用する。別の例としては、システムが、ワイヤレス通信市場において、ダイプレクサ（diplexer）中のキャビティ・フィルタ（cavity filter）の自動（ロボット）チューニングに使用される場合があり、この場合、深層学習（ディープ・ラーニング）ネットワークへの入力のためにＳパラメータがテンソルに変換される
【０００９】
この汎用システムは、ＤＵＴのパラメータをチューニングするのではなく、単に測定を行う又はＤＵＴからの出力を分類する他のアプリケーションに適合させることができることに注意されたい。従って、フォルダ・モデルを構成する正確なフォルダ構造は、同じ汎用概念を組み込んだまま変更することができ、従って、本発明の特許請求の範囲内に入る。
【００１０】
構造化データ・ストアは、機械学習ツール・アプリケーションの一部として使用され、トレーニング要件とランタイム予測要件との間の一貫性の維持などのいくつかの目的を実現する。この構造化データ・ストアは、ユーザのカスタム自動化試験ソフトウェア・アプリケーションとテクトロニクスのＯｐｔａＭＬ機械学習ツール環境ソフトウェア・アプリケーションとの間のインタフェースに必要な機能も提供する。構造化データ・ストアは、過去のトレーニング・データを保持しているが、これは、将来あり得るトレーニングのアップデートのために、もっと多くのデータで拡張しても良い。これは、また、迅速かつ容易に将来のトレーニングのアップデートをサポートすると共に、顧客が構築することを選択する可能性のある複数のトレーニング済みモデルもサポートする。トレーニング、予測、検証などのプロセス制御の全ての段階が、ユーザ自動化ソフトウェアと、機械学習ツール・ソフトウェアとの間のインタフェース構造であるこのフォルダ構造を通過する。データ・ストアの構造には、様々な情報が格納され、これらには、階層があっても良い。これは、フォルダ構造として見ることができ、複数のメイン・フォルダがあり、これらメイン・フォルダに複数のサブ・フォルダがある。このことは、図２及び図３を参照することで、明確になるであろう。
（【００１１】以降は省略されています）

関連特許