对串行器/解串器模型建模和制造串行器/解串器的方法技术

一种用于对串行器/解串器(SerDes)模型建模的方法，包括：生成包括SerDes模型的噪声模拟数据和实际SerDes的输出测量数据的多个数据集；基于多个数据集来训练机器学习模型；以及将训练后的机器学习模型和估计模型应用于包括在SerDes模型中的模型。估计模型提供噪声模拟数据作为对训练后的机器学习模型的输入。模拟数据作为对训练后的机器学习模型的输入。模拟数据作为对训练后的机器学习模型的输入。

【技术实现步骤摘要】
对串行器/解串器模型建模和制造串行器/解串器的方法
[0001]相关申请的交叉引用
[0002]本申请基于在韩国知识产权局于2021年11月11日提交的第10
‑
2021
‑
0155149号韩国专利申请和于2022年5月9日提交第10
‑
2022
‑
0056877号韩国专利申请并要求其优先权，这些韩国专利申请的公开内容通过引用整体合并于此。


[0003]本公开涉及一种电子设备，更具体地，涉及一种用于对串行器/解串器(SerDes)模型建模的方法和一种用于制造SerDes的方法。

技术介绍

[0004]近来，已经积极进行了对机器学习的研究，并且用于实现机器学习的平台的数量已经增加。因此，由于机器学习的高技术可及性，任何人都可以容易地触及机器学习。特别地，因为在机器学习中使用的神经网络(NN)可以在数学上近似任何函数，所以只要有足够的数据可用于建模，就可以使用神经网络技术类似地模拟任何模型。
[0005]一般而言，可以通过使用串行器/解串器(SerDes)在电子设备之间发送和接收信号。需要一种以简单的方式对SerDes建模以匹配实际SerDes的方法。

技术实现思路

[0006]一方面在于提供一种用于以简单易行的方式对串行器/解串器(SerDes)模型建模的方法和一种制造SerDes的方法。
[0007]根据一些实施例的一方面，提供了一种在计算机上实施的用于对串行器/解串器(SerDes)模型建模的方法，该方法包括：生成包括SerDes模型的噪声模拟数据和实际SerDes的输出测量数据的多个数据集；基于所述多个数据集来训练机器学习模型；以及将训练后的机器学习模型和估计模型应用于包括在SerDes模型中的模型，估计模型配置为提供噪声模拟数据作为对训练后的机器学习模型的输入。
[0008]根据一些实施例的另一方面，提供了一种用于制造串行器/解串器(SerDes)的方法，该方法包括：在计算机上对包括发送模型、通道模型和接收模型的SerDes模型建模；以及制造与SerDes模型对应的SerDes芯片。SerDes模型的建模包括生成包括SerDes模型的噪声模拟数据和实际SerDes的输出测量数据的多个数据集、基于所述多个数据集来训练机器学习模型、以及将训练后的机器学习模型和估计模型应用于发送模型、通道模型和接收模型中的一个，估计模型配置为提供噪声模拟数据作为对训练后的机器学习模型的输入。
[0009]根据一些实施例的另一方面，提供了一种存储计算机程序的计算机可读记录介质，该计算机程序当由计算机运行时使计算机生成包括串行器/解串器(SerDes)模型的噪声模拟数据和实际SerDes的输出测量数据的多个数据集、基于所述多个数据集来训练机器学习模型、以及将训练后的机器学习模型和估计模型应用于包括在SerDes模型中的模型，估计模型配置为提供噪声模拟数据作为对训练后的机器学习模型的输入。
附图说明
[0010]实施例将从以下结合附图的详细描述被更清楚地理解，附图中：
[0011]图1是示出根据实施例的串行器/解串器(SerDes)的框图；
[0012]图2是根据实施例的SerDes模型的图；
[0013]图3是示出根据实施例的用于制造SerDes的方法的流程图；
[0014]图4是示出根据实施例的用于对SerDes模型建模的方法的流程图；
[0015]图5是示出根据实施例的用于生成并存储数据集的方法的流程图；
[0016]图6是示出根据实施例的用于训练机器学习模型的方法的流程图；
[0017]图7A和图7B是示出根据实施例的用于处理训练数据的方法的图；
[0018]图8是示出根据实施例的用于评估神经网络(NN)的准确度的方法的图；
[0019]图9是示出根据实施例的神经网络图；
[0020]图10是示出根据实施例的接收模型的图；
[0021]图11是示出根据实施例的对其应用SerDes芯片的电子设备的框图；
[0022]图12是示出根据实施例的对其应用SerDes芯片的电子设备的透视图；
[0023]图13是示出根据实施例的对其应用SerDes芯片的电子设备的框图；以及
[0024]图14是示出根据实施例的对其应用SerDes芯片的电子设备的框图。
具体实施方式
[0025]如上所讨论的，一般而言，可以通过使用串行器/解串器(SerDes)在电子设备之间发送和接收信号。为了制造SerDes，设计者可以通过使用模拟设备等来构建SerDes模型。就此而言，当SerDes模型非常接近实际SerDes使得SerDes模型与实际SerDes一致时是有利的。然而，实际SerDes根据各种操作环境而操作，并且在各种操作环境中实现的SerDes为模拟SerDes模型所花费的时间增加了。随着模拟时间的增加，难以确定实际SerDes和SerDes模型之间的一致性是否得到满足，特别是在各种操作环境下。因此，需要一种用于对SerDes模型建模从而以简单的方式在各种操作环境下匹配实际SerDes的方法。
[0026]在一些实施例中，提供了一种使用机器学习技术(诸如，例如，神经网络)对串行器/解串器(SerDes)模型的至少一部分建模的方法以及一种基于建模的SerDes模型来制造SerDes的方法。
[0027]在下文中，将参照附图详细描述各种实施例。
[0028]图1是示出根据实施例的串行器/解串器(SerDes)100的框图。
[0029]参照图1，SerDes 100可以是支持一个设备和另一设备之间通信的接口。SerDes 100可以将并行数据转换为串行数据，或者可以将串行数据转换为并行数据。本说明书中的SerDes 100也可以被称为“收发器”。并行数据可以是包括并行化比特的数据，串行数据可以是包括串行化比特的数据。
[0030]在实施例中，SerDes 100可以包括串行器110和解串器120。
[0031]串行器110可以向解串器120发送数据(或信号)。随着集成电路的引脚等的数量增加，实现集成电路的成本会增加。为了降低这样的实现成本，串行器110可以向解串器120发送包括串行化比特的数据。串行器110可以从外部接收并行数据，并将串行数据输出到解串器120。例如，在一些实施例中，串行器110可以以单端信令方式向解串器120发送信号。作为
另一示例，在一些实施例中，串行器110可以以双端信令方式或差分信令方式向解串器120发送一对信号。串行器110可以被称为“发射器”或“TX”。
[0032]解串器120可以接收从串行器110发送的数据(或信号)。解串器120可以从串行器110接收串行数据，并输出并行数据。解串器120可以包括放大器和均衡器，以恢复传输信号或补偿通道损耗。
[0033]尽管未示出，但SerDes 100还可以包括通道。该通道本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种在计算机上实现的用于对串行器/解串器(SerDes)模型建模的方法，所述方法包括：生成包括SerDes模型的噪声模拟数据和实际SerDes的输出测量数据的多个数据集；基于所述多个数据集来训练机器学习模型；以及将训练后的机器学习模型和估计模型应用于包括在SerDes模型中的模型，估计模型配置为提供噪声模拟数据作为对训练后的机器学习模型的输入。2.根据权利要求1所述的方法，其中SerDes模型包括发送模型、通道模型和接收模型，包括在SerDes模型中的所述模型是发送模型、通道模型和接收模型之一。3.根据权利要求2所述的方法，其中包括在SerDes模型中的所述模型是接收模型。4.根据权利要求1所述的方法，其中实际SerDes包括SerDes芯片，以及其中生成并存储包括：在改变SerDes模型的特征的同时，模拟估计模型以获得根据SerDes模型的特性的噪声模拟数据；获得从SerDes芯片测量的输出值作为输出测量数据，SerDes芯片具有与SerDes模型的特征相同的特征；以及通过根据特征聚集噪声模拟数据和输出测量数据来生成所述多个数据集。5.根据权利要求4所述的方法，其中所述模拟估计模型包括通过经由预设算法从输入信号输出单比特响应(SBR)和残余噪声来获得噪声模拟数据，所述输入信号被输入到估计模型。6.根据权利要求5所述的方法，其中预设算法包括线性脉冲拟合算法。7.根据权利要求1所述的方法，其中输出测量数据包括眼图张开大小值和误码率(BER)中的至少一种。8.根据权利要求1所述的方法，其中所述训练机器学习模型包括：将所述多个数据集当中的第一数据集组处理为训练数据；通过使用训练数据来训练神经网络(NN)；基于所述多个数据集当中的第二数据集组来评估NN的准确度，第二数据集组不包括第一数据集组；以及根据准确度的评估结果来训练NN或完成训练。9.根据权利要求8所述的方法，其中包括在第一数据集组的数据集中的噪声模拟数据包括单比特响应(SBR)和残余噪声值，以及所述处理包括：将SBR成像为包括多个像素的图像；以及通过将残余噪声值代入所述多个像素中的每个来生成训练数据。10.根据权利要求8所述的方法，其中评估包括：将包括在第二数据集组中的噪声模拟数据提供给NN的输入层；将从NN的输出层输出的第一值与包括在第二数据集组中的输出测量数据的第二值进行比较；以及输出比较结果作为准确度的评估结果。11.一种用于制造串行器/解串器(SerDes)的方法，所述方法包括：
在计算机上对包括发送模型、通道模型和接收模型的SerDes模型建模；以及制造与SerDes模型对应的S...

【专利技术属性】
技术研发人员：金郁，权纯圆，宋仁焕，徐范圭，任东赫，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：