Neuer Forschungsbeitrag veröffentlicht: Maschinelles Lernen zur Verbesserung der Datenvalidierung in der Signal- und Power-Integrität
In der modernen Elektronik sind die Signalintegrität (SI) und Power-Integrität (PI) entscheidend für die Leistungsfähigkeit elektronischer Systeme, wie etwa in Computern, Smartphones oder industriellen Anwendungen. Die Signalintegrität bezieht sich dabei auf die Qualität der Übertragung elektrischer Signale, während die Power-Integrität die Stabilität und Zuverlässigkeit der Stromversorgung in Schaltungen beschreibt. Die Überprüfung der Genauigkeit dieser Signale stellt jedoch eine komplexe Aufgabe dar. Traditionell erfolgt die Validierung häufig manuell durch erfahrene Ingenieurinnen und Ingenieure, die Simulationsergebnisse visuell anhand grafischer Darstellungen beurteilen.
Forscher der Technischen Universität Hamburg, Institut für Theoretische Elektrotechnik haben nun in Zusammenarbeit mit der Otto-von-Guericke-Universität Magdeburg, Lehrstuhl für Integrierte Elektronische Systeme einen innovativen Ansatz entwickelt, der den Validierungsprozess mithilfe von maschinellem Lernen automatisiert und deutlich effizienter gestaltet. Dieser neue Ansatz verspricht, den bisher zeitaufwändigen und subjektiven Prozess der Datenvalidierung in der Signal- und Power-Integrität zu optimieren und die Qualität der Ergebnisse zu erhöhen.
Die Ergebnisse dieser Forschung wurden unter dem Titel "Machine Learning Based Data Validation for Signal Integrity and Power Integrity Using Supervised Time Series Classification" [1] im renommierten Fachjournal IEEE Transactions on Electromagnetic Compatibility veröffentlicht und tragen dazu bei, den Einsatz von maschinellem Lernen in der Elektromagnetischen Verträglichkeit weiter voranzutreiben.
Schematische Darstellung des Verfahrens zur Datenvalidierung. Die Abbildung zeigt die Abläufe von der Simulation und Vorbereitung der Daten bis zur Klassifikation und Validierung der Ergebnisse.
© IEEE Reprinted with permission from [1]
[1]: Y. Hassab, T. Hillebrecht, F. Lurz and C. Schuster, "Machine Learning Based Data Validation for Signal Integrity and Power Integrity Using Supervised Time Series Classification," in IEEE Transactions on Electromagnetic Compatibility, doi: 10.1109/TEMC.2024.3474917
https://ieeexplore.ieee.org/document/10720353