特許ウォッチ

公開番号2024074289
公報種別公開特許公報(A)
公開日2024-05-30
出願番号2023196478
出願日2023-11-20
発明の名称試験測定装置及び試験測定のための機械学習の利用方法
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G01R 13/20 20060101AFI20240523BHJP(測定;試験)
要約【課題】機械学習ネットワークをトレーニングするための、より効率の高いテンソル画像を作成する。
【解決手段】試験測定装置10は、波形データを受信するために被試験デバイス(DUT)30に接続されるポート14と、機械学習ネットワーク26への接続部と、1つ以上のプロセッサ12とを有する。プロセッサ12は、3次元(3D)テンソル画像に関する1つ以上の入力を受信し、3Dテンソル画像内に収まるように波形データをスケール調整し、3Dテンソル画像を構築し、3Dテンソル画像を機械学習ネットワーク26に送り、機械学習ネットワーク26から予測結果を受けるよう構成される。
【選択図】図1
特許請求の範囲【請求項１】
試験測定装置であって、
該試験測定装置を被試験デバイス（ＤＵＴ）に接続して波形データを受信できるようにするポートと、
機械学習ネットワークへの接続部と、
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、
３次元（３Ｄ）テンソル画像に関する１つ以上の入力を受信する処理と、
上記３Ｄテンソル画像の大きさの範囲内に収まるように波形データをスケール調整する処理と、
上記１つ以上の入力に従って上記３Ｄテンソル画像を構築する処理と、
上記３Ｄテンソル画像を上記機械学習ネットワークに送信する処理と、
上記機械学習ネットワークから予測結果を受ける処理と
を上記１つ以上のプロセッサに行わせるプログラムを実行するよう構成される試験測定装置。
続きを表示（約 2,100 文字）【請求項２】
上記１つ以上のプロセッサに上記３Ｄテンソル画像を構築させるプログラムは、
基準パラメータの１セットそれぞれについて１つの３Ｄテンソル画像として３つの３Ｄテンソル画像を構築する処理と、
上記３つの３Ｄテンソル画像の夫々を赤-緑-青のカラー画像から成る別々のカラー・チャンネルに配置する処理と
を上記１つ以上のプロセッサに行わせる請求項１に記載の試験測定装置。
【請求項３】
上記３Ｄテンソル画像を構築する処理を上記１以上のプロセッサに行わせるプログラムは、
上記波形データが上記３Ｄテンソル画像で利用可能な幅よりも多くのサンプルを有する場合に、上記波形データを複数のセグメントに分割する処理と、
上記複数のセグメントの夫々を上記３Ｄテンソル画像中の複数の行の別々の行に、時間はｘ軸に沿って、上記複数の行はｙ軸に沿って、上記セグメント夫々の大きさはｚ軸に沿った状態で配置する処理と
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に記載の試験測定装置。
【請求項４】
上記３Ｄテンソル画像を構築する処理を上記１以上のプロセッサに行わせるプログラムは、
Ｓパラメータの波形データである上記波形データを受信する処理と、
上記Ｓパラメータの波形データを実数波形と虚数波形に分離する処理と、
上記実数波形の夫々及び上記虚数波形の夫々を上記３Ｄテンソル画像の別々の行に、周波数はｘ軸に沿って、上記複数の行はｙ軸に沿って、上記波形夫々の大きさはｚ軸に沿った状態で配置する処理と
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に記載の試験測定装置。
【請求項５】
上記実数波形の夫々及び上記虚数波形の夫々を別々の行に配置する処理を上記１以上のプロセッサに行わせるプログラムは、上記実数波形及び上記虚数波形の夫々を、上記機械学習ネットワーク中の内部ニューラル・ネットワーク畳み込みフィルタのサイズに基づいて、上記実数波形及び上記虚数波形の中の他方の波形から所定の行数だけ離して別々の行に配置する処理を上記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４に記載の試験測定装置。
【請求項６】
上記３Ｄテンソル画像を構築する処理を上記１以上のプロセッサに行わせるプログラムは、
上記３Ｄテンソル画像に関する上記１つ以上の入力によって特定されるショート・パターン波形の複数の反復を捕捉する処理と、
上記ショート・パターン波形の上記反復の夫々を、ｘ軸に沿った時間、ｙ軸に沿った複数の行、ｚ軸に沿った大きさを有する上記３Ｄテンソル画像の１つの行に配置して、行の間に空きのない複数の行から成るグループを形成する処理と
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に記載の試験測定装置。
【請求項７】
１つ以上の被試験デバイス（ＤＵＴ）から波形データを受信する処理と、
３次元（３Ｄ）テンソル画像に関する１つ以上の入力を受ける処理と、
上記３Ｄテンソル画像の大きさの範囲内に収まるように上記波形データをスケール調整する処理と、
上記１つ以上の入力に従って上記３Ｄテンソル画像を構築する処理と、
上記３Ｄテンソル画像を事前学習された機械学習ネットワークに送信する処理と、
上記機械学習ネットワークから予測結果を受信する処理と
を具える試験測定装置のための機械学習の利用方法。
【請求項８】
基準パラメータの１セットそれぞれについて１つの３Ｄテンソル画像として、３つの３Ｄテンソル画像を構築する処理と、
上記３つの３Ｄテンソル画像の夫々を赤-緑-青のカラー画像から成る別々のカラー・チャンネルに配置する処理と
を更に具える請求項７に記載の試験測定装置のための機械学習の利用方法。
【請求項９】
上記３Ｄテンソル画像を構築する処理は、
波形データが上記３Ｄテンソル画像の利用可能な幅よりも多くのサンプルを有する場合に、上記波形データを複数のセグメントに分割する処理と、
上記複数のセグメントの夫々を上記３Ｄテンソル画像中の複数の行の中の１つの行に、時間はｘ軸に沿って、上記複数の行はｙ軸に沿って、上記セグメント夫々の大きさはｚ軸に沿った状態で配置する処理と
を有する請求項７に記載の試験測定装置のための機械学習の利用方法。
【請求項１０】
上記３Ｄテンソル画像を構築する処理は、
Ｓパラメータ波形データである上記波形データを受信する処理と、
上記Ｓパラメータ波形データ夫々の上記波形データを実数波形と虚数波形に分割する処理と、
上記実数波形の夫々及び上記虚数波形の夫々を上記３Ｄテンソル画像の別々の行に、周波数はｘ軸に沿って、上記複数の行はｙ軸に沿って、上記波形夫々の大きさはｚ軸に沿った状態で配置する処理と
を有する請求項７に記載の試験測定装置のための機械学習の利用方法。

発明の詳細な説明【技術分野】
【０００１】
本開示は、試験測定システム及び方法、より詳細には、機械学習を利用する試験測定システムに関する。
続きを表示（約 2,700 文字）【背景技術】
【０００２】
２０２２年５月１８日に出願された米国特許出願第１７/７４７,９５４号（特許文献１参照）、発明の名称「ショート・パターン波形データベースに基づく測定用機械学習」（以下、「'９５４出願」）は、ショート・パターン波形のデータベースから構築されたテンソル画像を、機械学習システムへの入力として利用することを説明している。'９５４出願の内容は、参照により、本開示に援用される。
【０００３】
２０２３年５月１９日に出願された米国特許出願第１８/１９９,８４６号、発明の名称「機械学習を用いた自動キャビティ・フィルタ・チューニング」（以下「'８４６出願」）は、その内容が参照により本願に援用されるが、被試験デバイスの測定されたＳパラメータのプロットから構築されたテンソル画像を機械学習システムへの入力として利用することを説明している。
【０００４】
２０２２年７月２９日に出願された米国特許出願第１７/８７７,８２９号（特許文献２参照）、発明の名称「機械学習を用いた複合ＴＤＥＣＱ測定及びトランスミッタ・チューニング」（以下、「'８２９出願」）は、その内容の全体が参照により本開示に援用されるが、機械学習コンポーネントを利用した試験システムについて記載しており、これは、例えば、光トランシーバやトランスミッタなどの被試験デバイス（ＤＵＴ）の最適なチューニング・パラメータを予測するために使用できる。'８２９出願に記載の試験システムは、例えば、ＴＤＥＣＱ測定など、ＤＵＴの性能測定値又は属性を予測するための機械学習コンポーネントも採用しても良い。どちらの予測セットも、トレーニング済みの深層学習ニューラル・ネットワークによって支援される。'８２９出願に記述された試験システムは、深層学習ネットワークへの入力として'９５４出願に記述されたテンソル画像などのテンソル画像を構築するためのテンソル画像ビルダを有していても良い。深層学習ネットワークは、ソフトウェア・アプリケーションのコンポーネントであってもよく、これは、本開示では、ＯｐｔａＭＬ
TM
アプリケーション、ＯｐｔａＭＬ
TM
Ｐｒｏアプリケーション又は単に「ＯｐｔａＭＬ」若しくは「ＯｐｔａＭＬＰｒｏ」と言い換えて呼ぶことがある。
【先行技術文献】
【特許文献】
【０００５】
米国特許出願公開第２０２２／０３７３５９８号明細書
米国特許出願公開第２０２３／００５０３０３号明細書
特開２０２２－１７９４５９号公報
特開２０２３－０２６４０２号公報
【非特許文献】
【０００６】
「resnet18 ResNet-18 畳み込みニューラルネットワーク」、The MathWorks, Inc.、［online］、［２０２３年１１月１７日検索］、インターネット<https://jp.mathworks.com/help/deeplearning/ref/resnet18_ja_JP.html>
【発明の概要】
【発明が解決しようとする課題】
【０００７】
上述のように、機械学習ネットワークは、光トランスミッタ（送信器）のチューニング・パラメータを予測し、ＴＤＥＣＱ測定値を予測するために使用される。はるかに短いエンジニアリング時間でより正確な結果を得るには、機械学習ネットワークをトレーニングするための基準チューニング・パラメータやＳパラメータ又はその他のタイプのデータを組み込んだ、より効率的なテンソル画像を作成することが望まれる。
【課題を解決するための手段】
【０００８】
本開示技術の実施形態は、概して、３つのチャンネルの基準チューニング・パラメータ又はＳパラメータ又は他のタイプのデータを組み込んだ、より高効率の３次元（３Ｄ）ＲＧＢ画像テンソルを作成する方法を含む。ＲＧＢ画像テンソルの以前の実現形態、例えば、'９５４出願及び'８２９出願で記述されたものでは、Ｘ対Ｙ波形データに関する２次元画像を使用し、第３の次元は、ショート波形パターンを反復して重ねたもののヒストグラムであった。対照的に、本開示技術の実施形態は、多くのＳパラメータ・ベクトルを単一の画像内に配置することを可能とし、これは、以前の実現形態では実現不可能であった。加えて、本開示技術の実施形態によれば、画像の幅よりも長い波形を画像内に配置することが可能になる。これが重要なのは、それぞれ２４４ピクセル×２４４ピクセル×２５６ピクセル（明るさ/強度レベル）の３つのカラー・チャンネルの画像空間サイズを持つResNet18などの事前学習済み（pretrained：事前トレーニング済み）ネットワークを転移学習で利用できることである。これは、業界最高性能のニューラル・ネットワークで波形を処理するという競争上の大きな優位性をもたらす重要な要素である。これにより、より正確な結果が得られ、これらの結果を達成するためのエンジニアリング時間が大幅に短縮される。
【０００９】
概して、本開示技術の実施形態に従って作成されたテンソル画像は、多数の新規な特性を有する。これらには、被試験デバイス（ＤＵＴ）の３つの異なる基準チューニングから生じる波形の３つのカラー・チャンネル、温度やノイズなどのパラメータを画像内の棒グラフとして表現すること、ＸＹＺ画像空間での波形の配置が含まれる。このとき、Ｘは、時間又は周波数を表し、Ｚは、データの大きさを表し、Ｙは、別の波形又はＳパラメータ・ベクトルを表し、これは、行（row）の個数として表されることがある。
【００１０】
その他の新しい特性としては、１つの画像で多数のＳパラメータを表現すること、画像幅よりも長い波形を表現することがある。更に、データ・ベクトルの行（row）は、ニューラルネット相関フィルタの大きさ（demension）以上の最小間隔を有していても良いし、又は、波形セグメントが繰り返される場合には、ニューラルネット相関フィルタがこれら波形セグメントと重なるように、１の行間隔を有していても良い。この１の間隔は、どのような場合にも適用できる。更に、画像内の個々のカラー・チャンネルが、ＸＹ画像平面で互いに重なり合っていないショート・パターン（短いパターン）波形を多数含んでいても良い。
（【００１１】以降は省略されています）

関連特許