CN118095384A - 一种基于机器学习的硬件电路校准方法与装置 - Google Patents

Abstract

本发明涉及应用于半导体测试领域的一种基于机器学习的硬件电路校准方法与装置，包括S1、获取器件在不同档位不同温度下指定工作范围内的输入值和输出值，作为训练样本；S2、从器件获取到足够的训练样本后，将样本先进行预处理和归一化处理，再输入到神经网络中进行训练；得到神经网络训练模型的参数。S3、根据对器件输出或测量的不同，选择相应的参数作为神经网络的输入，经过神经网络模型的计算，得到所需修正的结果，采用上述方法，实现同时学习所有档位与温度下各个输入对应的输出映射；还能够实现全档位范围内所有输入对应的线性与非线性输出工作区域的参数校准；同时，解决了原有校准方式易受温度影响的问题。

Description

一种基于机器学习的硬件电路校准方法与装置

技术领域

本发明涉及的一种电路校准方法与装置，特别是涉及应用于半导体测试领域的一种基于机器学习的硬件电路校准方法与装置。

背景技术

在集成电路测试设备（AutoTestEquipment,ATE)中有大量的需要进行校准的装置，例如：电压源，电流源，任意波形发生器等等，主要由AD,DA及运放等电路构成。该类装置因为需要给被测器件(DeviceUnderTest,DUT)提供精确的电压，电流等信号，但因为自身所包含的AD,DA,运放等组成元件存在线性或非线性误差，导致原始的电路装置无法满足高精度的信号发生能力，所以每个装置在实际使用前需要进行专门的校准。

传统的校准方法，是将AD,DA,运放等组成的电路装置看作一个线性信号发生装置，通过线性回归方法获得满足精度要求情况下装置的输入与输出所组成的线性***的增益(gain)与偏差(offset)，对输入x进行运算：gain*x+offset从而得到校准后的输出y。该方法存在以下几个问题：

1.实际电路装置在输出信号的部分参数区域可以视作线性工作区域，例如：电压源的输出每个档位的10%~90%的电压区间。而在档位两端存在非线性的情况，导致校准后的装置无法将每个输出或输入档位的相应参数区域完全利用。

2.每个装置往往具有多个工作模式，每个模式包含若干档位。传统模式下，仅使用gain与offset对装置进行校准。此方法的弊端在于，环境因素（如温度）对于装置也存在一定影响；若在某一温度T1下使用gain与offset对装置进行校准，实际使用时环境温度若存在变化时，修正后的输出精度难以保证。

3.若区分不同温度段使用gain与offset对装置进行校准，将会产生以温度和档位两个维度下的gain与offset。虽然可用，但其搭建环境控制温度较为困难，花费时间较长，需要保存的数据量较大，储存与使用均较为麻烦。

发明内容

针对上述现有技术，本发明要解决的技术问题是以何种方式获得有效的校准原始数据，如何需要建立合适的神经网络模型，实现所有档位与温度范围内输出精度预测达到万分之一以内的数据拟合，如何使神经网络校准能够消除环境等因素（温度）对于器件输出的影响。

为解决上述问题，本发明提供了一种基于机器学习的硬件电路校准方法，包括以下步骤：

S1、获取器件在不同档位不同温度下指定工作范围内的输入值和输出值，作为训练样本，训练样本中一条数据包含：用户指定的期望值、档位、温度、硬件电路最终实际输出、硬件电路测量值、万用表测量值；

S2、从器件获取到足够的训练样本后，将样本先进行预处理和归一化处理，再输入到神经网络中进行训练；得到神经网络训练模型的参数；

S3、根据对器件输出或测量的不同，选择相应的参数作为神经网络的输入，经过神经网络模型的计算，得到所需修正的结果。

在上述基于机器学习的硬件电路校准方法中，原有校准方式不考虑环境因素（温度）的影响，受温度影响明显，在其他温度下进行的校准与实际值相差较大；而利用神经网络进行校准可以有效减小环境因素的影响，并将输出修正在预期精度范围内。

作为本申请的进一步补充，S2中，使用神经网络模型对输入样本进行预测，再与输出标签值进行比较和反向传播，直到样本训练的精度达到要求后结束训练。

作为本申请的进一步补充，包括校准输出状态，在校准输出时，S1中所述的训练样本中一条数据包含：用户指定的期望值、档位、温度、硬件电路最终实际输出值；此时，神经网络模型的输入为：硬件电路实际输出值、档位、温度；神经网络的输出为：用户指定的期望值。

作为本申请的进一步补充，包括校准测量状态，在校准测量时，S1中所述的训练样本中一条数据包含：硬件电路测量值、档位、温度、万用表测量值；此时，神经网络模型输入为：硬件电路测量值、档位、温度；神经网络模型输出为：万用表测量值。

本发明还提供了一种基于机器学习的硬件电路校准装置，包括一上位机ATE，所述上位机ATE的软件控制端中搭载有神经网络模型，用于实现上述的校准硬件电路校准方法。

作为本申请的又一种改进，一种基于机器学习的硬件电路校准装置，包括一硬件电路FPGA，所述硬件电路FPGA中搭载有神经网络模型，用于实现上述的校准硬件电路校准方法。

综上所述，本发明通过神经网络机器学习的方法实现了一种新的校准方法。相比现有校准方法，具有如下的优点：

1.能够同时学习所有档位与温度下各个输入对应的输出映射；

2.能够实现全档位范围内所有输入对应的线性与非线性输出工作区域的参数校准；

3.能够解决原有校准方式易受温度影响的问题。

附图说明

图1为本申请实施方式的神经网络模型校准硬件电路数据流向示意图；

图2为本申请实施方式的两种不同方式对该板卡进行校准的示意图,其中（a）为Force Value=-0.05，（b）为Force Value=0.45；

图3为本申请第1种实施方式的神经网络校准流程图；

图4为本申请第1种实施方式的神经网络模型训练流程图；

图5为本申请实施方式的前向传播和反向传播流程图；

图6为本申请实施方式的上位机控制硬件电路流程图；

图7为本申请实施方式的校准神经网络参数修正电路器件输出流程图，其中（a）为以软件校准方式应用，（b）为以板卡FPGA应用；

图8为本申请实施方式的校准神经网络模型修正电路器件测量流程图，其中（a）为以软件校准方式应用；（b）为以板卡FPGA应用；

图9为本申请实施方式的数据收集流程图；

图10为本申请第3种实施方式的所用器件使用两种校准方式对比图，其中（a）为完整档位，（b）为放大非线性段；

图11为本申请实施方式的两种不同方式对板卡测量1V（a）和10V（b）档位进行校准图，其中（a）的Force Value=0.45V，（b）的Force Value=-8.5V。

具体实施方式

下面结合附图对本申请的4种实施方式作详细说明。

第1种实施方式：

本发明提供了一种基于机器学习的硬件电路校准方法与装置，本实施例为了更便于对本发明的理解，将以某一板卡实际使用此方法进行电压源神经网络校准与使用为例，分别从以下四个阶段（如附图3神经网络校准流程图所示的数据获取、模型训练、参数获取、校准修正）进行单独解释说明，具体如下：

S1、数据获取

参照图9，该阶段的实现方式如下：

准备需要校准的板卡所需参数，包括档位、各档位实际采样取点数量、各档位取值上下限、循环次数等。

在环境温度改变的条件下，根据设定的参数循环执行采样测试工程；执行过程中记录下期望值、档位、温度、实际输出值（即万用表测量值）。

将机器学习所需数据根据约定格式导出至.csv文件中。

S2、模型训练

参照图4，该阶段的实现方式如下：

具体实现上，神经网络模型采用三层全连接神经网络结构，各节点之间线性链接，并在输入层和隐藏层之间添加激活函数。

首先载入上一阶段所得训练数据，同时对数据进行预处理包括：使用StandardScaler方法将输入的数据转化为均值为0、标准差为1的正态分布的数据。

公式表示为：

其中，表示数据平均值，表示标准差。

将采集到的数据预处理后，随机均分为训练集和测试集两组，比例为8：2，测试集数据不参与训练过程。

定义神经网络的超参数学习速率为0.001，一次训练样本数量batch_size为64，使用优化器对训练集的数据进行训练，期间对测试集数据进行预测，并计算预测值的精度。此过程如图5所示。

在训练模型的过程中，描述拟合效果的是损失函数。但是在使用神经网络进行校准时更加关心的是所有的训练的结果是否在符合预期的精度范围内。所以在训练中计算以当前参数模型推导预测值与期望值之间的精度，判断是否在所处档位要求的通过精度范围之内，并以通过数量与测试集数量之比（此处称为通过率）作为训练停止条件之一。

上述模型训练过程中，每一次迭代都会计算损失函数和通过率。在训练迭代的过程中，损失函数在不断下降，通过率则不断提升。

S3、参数获取

在模型训练结束后，将会把神经网络的参数保存于文档中。

由于训练过程中使用的是归一化之后的数据进行训练，如果直接保存模型的参数（权重和偏置等），需要在实际应用时另外保存归一化的参数（对于StandardScaler方法归一需要保存平均值mean和标准差scale）。并且需要在前向传播前计算归一化的神经网络输入值并在前向传播计算得到输出结果后进行反归一化。

且实际校准修正时存在两种方法：软件校准和硬件FPGA校准。

考虑到后续神经网络模型参数的保存、FPGA使用所需占用的资源以及后续使用的方便，对其进行如下操作，以得到以原本数据尺度作为输入输出的神经网络模型参数。而不用保存归一化相关参数，也无需在实际使用中进行归一化和反归一化计算。

以三层神经网络为例，设输入层节点数为，根据前向传播公式，当我们使用 StandardScaler时，可以推出隐藏层节点的输出为：

同理，由于输出层节点只有一个，且输出层没有激活函数，设隐藏层的节点数为，则反归一化后的输出为：

因此，对于四种模型参数，我们有（StandardScaler）：

根据上述方法即可得到以原本数据尺度作为输入输出的神经网络模型参数，将其以文档的形式保存导出。

S4、校准修正

本实施例中是以软件校准的方式应用神经网络模型。

如图7（a）所示流程图，在执行用户指令时；在把原始的指令发送至电路器件前，会多一层软件修正的过程，具体如下：

软件首先读取文档将神经网络参数载入，在执行测试工程至发送指令前，将会读取一次当前温度，并将原本的用户指令中包含的期望输出（Force Value）、档位和温度作为神经网络的输入，通过前向传播计算经过神经网络修正的输出值（即电路器件的输入值）。

作为对比，同时也使用gain和offset的方式来对板卡进行校准，并且不将各档位gain和offset写入到板卡电路器件FPGA中，以软件校准的方式来对比两种校准的效果。

如附图2所示，这里横轴表示温度（Temperature：°C），纵轴表示输出电压（MeasureValue: V）。这里取的是此板卡1V档位两个输出值在不同温度下通过两种方式校准后测得的输出电压。可以看到使用神经网络的方式校准可以很大程度上修正温度对于电路器件的影响，并且将输出精度保持在预期范围之内。

第2种实施方式：

对比实施例1，本实施例中是以FPGA使用神经网络模型，对上位机发出用户指令进行处理，直接在FPGA层面使用神经网络模型对电路器件进行修正。

整个校准的流程与实施例1所示的附图3流程图一致。在校准修正的步骤中，参照图7（b）所示的流程图，会在电路器件上电时提前将神经网络模型参数传递到FPGA。

当上位机发送用户指令到测试设备时，FPGA将会读取温度，并将指令所包含的档位和期望输出一同作为神经网络的输入值，经过前向传播计算得到修正后的电路器件输入，并控制电路器件做指定输出。

如实施例1中的S3所述的参数获取，由于已经将机器学习训练得到的神经网络模型参数经过与归一化参数合并，在FPGA保存与计算时可以很大程度上减少FPGA的资源使用开销。

第3种实施方式：

为了更好地对本发明方法中采用的技术方法所得到的有益效果加以验证说明，本实施例中选择的电路器件在其使用档位中存在一段明显非线性输出关系，以验证本发明方法对于电路器件的非线性输出关系亦可加以校准修正。

使用原本的gain和offset的方式来对板卡进行校准时，只能使用该板卡线性关系段进行粗略修正，对于其非线性关系段在使用gain和offset校准方式时实际仍旧未满足期望精度。

与实施例1类似，经过数据获取、模型训练、参数获取、校准修正4个步骤后，得到并使用神经网络模型参数来对此器件进行修正，同时也使用原本的gain和offset的方式来对器件进行输出校准修正。

如图10（a）示出，为此板卡使用Gain-Offset方式进行校准与使用神经网络进行校准的对比，横坐标为期望输出（用户输入）纵坐标为实际输出（万用表测得）。由于Gain-Offset方式仍旧是对输出线性修正，故器件在正向0-6V之间存在明显的非线性输出关系无法被校准修正。在图10（b）中，将图表输出范围缩小后，可以更明显地观察到：应用了本发明方法中采用的神经网络模型后，可以对电路器件原本存在的非线性输出关系进行很好的校准修正。

第4种实施方式：

与实施例1类似，本实施例中，使用神经网络对电路器件在测量时的各档位进行校准。依照图3所示神经网络校准流程图进行校准，与实施例1中所不同的是在此实施例中由于是对测量档位进行校准，其训练数据、模型输入输出有所区别。

在S1数据获取中原始训练样本所需记录的数据变为：板卡自测值（即硬件电路测量值）、档位、温度、万用表测量值。在S2模型训练中作为神经网络模型的输入所需的是板卡自测值、档位和温度，万用表测量值作为神经网络的输出。

而后在S4校准修正时，使用附图8所示的流程对测量到的值进行校准修正。如实施例1和实施例2一样，在对测量档位使用神经网络校准修正时也可以使用软件校准或FPGA校准，具体流程见附图8（a）和附图8（b）所示。

此实施例中以软件校准为例，硬件电路得到的原始测量数据后，ATE控制软件通过应用神经网络模型，将原始测量值、档位和温度作为模型输入，即可得到修正后的测量值。

同时对比使用传统Gain-Offset校准方式得到的数据，见图11，图中横轴表示温度 （Temperature：°C），纵轴表示自测值精度（）。在图11（a）中使用1V 测量档位进行测量，输出电压为0.45V，在不同的环境温度下，对比Gain-Offset方式校准与 使用神经网络模型进行校准的精度差异。在图11（b）中使用10V测量档位进行测量，输出电 压为-8.5V，在不同的环境温度下的对比。

可以明显看到使用本发明方法所述的神经网络模型得到的自测值可以很好地排除温度的影响，并保持良好的精度。

图8（b）所示使用FPGA对电路测量档位进行校准的方式与本实施例大致相同，在此不多做赘述。

以实施例1板卡数据为例，相较于原有校准方式，利用神经网络进行修正后的实际输出与用户输入（期望输出）更加接近，即校准的精度更高。

表1 两种校准方式比较

Force	Gear	Temperature	Measure_GO	Measure_NN	Accuracy_GO	Accuracy_NN
							-0.85	7000	27.9266804	-0.85005582	-0.8500738	5.58E-05	7.38E-05
-0.45	7000	27.9266804	-0.4499151	-0.45006614	8.49E-05	6.61E-05
							-0.05	7000	27.91332876	-0.04978424	-0.05002187	0.00021576	2.19E-05
0.05	7000	27.9266804	0.05026214	0.04995179	0.00026214	4.82E-05
							0.45	7000	27.91332876	0.45039363	0.45008272	0.00039363	8.27E-05
0.85	7000	27.91332876	0.85052075	0.84999764	0.00052075	2.36E-06

原有校准方式不考虑环境因素（温度）的影响，在其他温度下进行的校准与实际值相差较大，而利用神经网络进行校准可以有效减小环境因素的影响。例如，附图2是该板卡中1V档位Force值为-0.05和0.45时由两种校准方式修正后的实际输出值与温度的关系散点图。

其中，中部水平线和上下两条水平线分别代表Force值（期望输出）和精度阈值范围。可以观察到，原有校准方式受温度影响明显，而神经网络校准方式可以有效减小其影响，并将输出修正在预期精度范围内

结合当前实际需求，本申请采用的上述实施方式，保护范围并不局限于此，在本领域技术人员所具备的知识范围内，不脱离本申请构思作出的各种变化，仍落在本发明的保护范围。

Claims (6)

1.一种基于机器学习的硬件电路校准方法，其特征在于：包括以下步骤：

S1、获取器件在不同档位不同温度下指定工作范围内的输入值和输出值，作为训练样本，所述训练样本中一条数据包含：用户指定的期望值、档位、温度、硬件电路最终实际输出、硬件电路测量值、万用表测量值；

S2、从器件获取到足够的训练样本后，将样本先进行预处理和归一化处理，再输入到神经网络中进行训练；得到神经网络训练模型的参数；

S3、根据对器件输出或测量的不同，选择相应的参数作为神经网络的输入，经过神经网络模型的计算，得到所需修正的结果。

2.根据权利要求1所述的一种基于机器学习的硬件电路校准方法，其特征在于：包括校准输出状态，在校准输出时，S1中所述的训练样本中一条数据包含：用户指定的期望值、档位、温度、硬件电路最终实际输出值；

此时，神经网络模型的输入为：硬件电路实际输出值、档位、温度；神经网络的输出为：用户指定的期望值。

3.根据权利要求1所述的一种基于机器学习的硬件电路校准方法，其特征在于：包括校准测量状态，在校准测量时，S1中所述的训练样本中一条数据包含：硬件电路测量值、档位、温度、万用表测量值；

此时，神经网络模型输入为：硬件电路测量值、档位、温度；神经网络模型输出为：万用表测量值。

4.根据权利要求1所述的一种基于机器学习的硬件电路校准方法，其特征在于：所述S2中，使用神经网络模型对输入样本进行预测，再与输出标签值进行比较和反向传播，直到样本训练的精度达到要求后结束训练。

5.一种基于机器学习的硬件电路校准装置，其特征在于：包括一上位机ATE，所述上位机ATE的软件控制端中搭载有神经网络模型，用于实现权利要求2或3任一所述的校准硬件电路校准方法。

6.一种基于机器学习的硬件电路校准装置，其特征在于：包括一硬件电路FPGA，所述硬件电路FPGA中搭载有神经网络模型，用于实现权利要求2或3任一所述的校准硬件电路校准方法。