Adaptive Symboldetektion für mobile Festplattenlesesysteme Ingo Dahm, Stefan Schmermbeck, Uwe Schwiegelshohn 04.04.2019

Motivation Steigende Datendichten bei Festplatten Bisher: Wachsender Aufwand bei der Signalverarbeitung Hoher Leistungsbedarf Bisher: Optimierung der Einzelkomponenten auf geringe Hardware-Komplexität und geringe Verlustleistung Neuer Lösungsansatz: Weitere Reduktion der Verlustleistung durch eine systemweite Optimierung 04.04.2019

Systemweite Optimierung Ansatz: Veränderung einzelner Komponenten kann eine Komplexitätsreduktion abhängiger Komponenten ermöglichen. Beispiel: Eine leichte Erhöhung der Komplexität des Detektors zur Extraktion von Soft-Informationen wird zugelassen. Eine effizientere Low-Power-Fehlerkorrektureinheit kann eingesetzt werden. Ziel: Reduktion des Leistungsbedarfs im Gesamtsystem 04.04.2019

Signalraumdetektion Vorteile: Nachteil: Besonders leistungsarm Effiziente Extraktion der Zuverlässigkeitsinformation Nachteil: Re-Design erforderlich Adaption an tatsächliche Signalraumkonstellation zeitvariante Kanalparameter schnelle Entwicklungszyklen Kompensation von Fertigungstoleranzen c0 r0 r1 „1“ „0“ c1 r2 04.04.2019

Adaptive Detektion Abbildung der Detektorarchitektur durch künstliches neuronales Netz Verwendung modifizierter Perceptronen für Equalizer Ebenengleichungen Festlegen des zugehörigen Unterraumes Perceptron: p=A(w·r) Multiplikation eines Gewichtsvektors w mit Eingangsvektor r Gewichtung durch Aktivierungsfunktion A 04.04.2019

Extraktion von Soft-Informationen Modifiziertes Perceptron Skalare Multiplikation und Aktivierungsfunktion Handling der Soft-Information Ports zur Ein-/Ausgabe der Soft-Information (L) p ( r ) k A MIN ∑ r = ( r , r ) 1 2 w 3 Konventionelles Perzeptron Auswahl L(i ) η σ 2b 04.04.2019

Ergebnisse: Adaptiver Equalizer Adaptiver Equalizer: nahezu identische Ergebnisse wie bei einem Equalizer mit vorberechneten Filterkonstanten Abweichung aufgrund nichtlinearer Aktivierungsfunktion kurze Trainingsphase (<<100 MBit) ASSD Signalraum WSSD Signalraum 04.04.2019

Ergebnisse: Detektionsgüte Vergleich: Statischer WSSD ON-ASSD OF-ASSD Variation von: Bauteile-Toleranzen Transitionsrauschen Pulsweite Nötiger SNR zum Erzielen BER=10-5 Jitter WSSD offline adaptiv online adaptiv 0.00 27.2 26.8 27.0 0.02 27.2 27.0 27.0 0.04 27.6 27.3 27.5 0.06 28.6 28.2 28.5 0.08 31.4 30.2 30.2 Adaptive Versionen: bessere Detektionsgüte 04.04.2019

Ergebnisse: Adaptionsfähigkeit SNR (dB) Pulsweite PW50 04.04.2019

Ergebnisse: Fehlerdetektion SNR (db) Referenz-Detektor (WSSD) richtig falsch Adaptiver Detektor 23 24 25 26 27 28 28.5 62.2 77.2 82.0 85.5 90.3 32.6 24.6 19.1 12.0 6.1 3.5 29.2 60.3 71.8 74.0 77.1 78.6 31.9 24.5 19.6 12.6 6.9 4.2 04.04.2019

Zusammenfassung und Ausblick Adaptive Detektorarchitektur Hohe Adaptions- und Detektionsgüte bei Bauteile-Toleranzen Hohen Datendichten (Transitionsrauschen) Veränderungen der Pulsweite Verbesserte Leistungsfähigkeit unter realen Bedingungen Gleiche Fehlerrate bei einfacherer Fehlerkorrektureinheit Ausblick: Komplexitätsanalyse des Gesamtsystems Mobile Verwendung des im Netzbetrieb optimierten Detektors 04.04.2019