半导体器件验证需要测量的范围越来越广：增益带宽、转换速率、谐波失真、相位噪声等等。随着设计复杂性的增加，测试团队面临着越来越大的压力，需要在更短的时间内表征更多的器件，同时还要保证测量的准确性。
传统方法依赖于成排的固定功能仪器，每台仪器都有自己的驱动程序、校准周期和线缆。从单个被测设备 (DUT) 扩展到多个被测设备，通常意味着硬件数量的成倍增长，随之而来的是成本、工作台空间和维护负担的增加。更糟糕的是，即使增加了更多仪器，测试执行通常仍然是顺序进行的，每个 DUT 都需要等待轮到自己使用共享资源。
本白皮书介绍了一种不同的方法：将基于 Python 的测试自动化与基于 FPGA 的仪器化相结合，以实现真正的并行设备测试。通过将时间关键型操作卸载到可重构硬件，并使用 Python 作为轻量级编排层，工程团队可以显著缩短测试时间，同时提高测试结果的可重复性和跨通道的同步性。
图 1：使用 Moku:Delta 和频率响应分析仪进行多通道 DUT 测试
规模化挑战
单设备测试方法并非线性扩展。当验证团队试图通过增加被测设备 (DUT) 的数量来提高吞吐量时，他们会在硬件和软件两方面都遇到叠加的障碍。
硬件瓶颈
- 顺序重配置：在传统配置中，每个仪器都必须针对每个被测设备 (DUT) 进行重配置，这会在测量之间增加显著的开销。随着设备数量的增加，这种死区时间会迅速累积。
- 仪器争用：当多个测量任务共享信号发生器或数字化仪等资源时，它们会形成队列。一个测量任务必须完成，下一个测量任务才能访问硬件，即使测试计划要求并发操作，也会降低有效的并行性。
- 成本和灵活性：PXI机架和台式仪器价格昂贵且难以重新配置。添加新功能通常意味着需要购买额外的卡、重新布线和重新校准，而不仅仅是更新配置。
软件和时序问题 - 操作系统抖动：当主机 CPU 管理测试时序时，操作系统会引入不确定的延迟。后台进程或系统更新可能会从测量中“窃取”几毫秒的时间，从而降低通道间的同步性。
- 驱动程序冲突：通过 PXI 机箱或 VISA 资源管理器连接来自多个供应商的仪器经常会导致驱动程序和资源锁定冲突，尤其是在复杂的设置中。
- 时序漂移：如果没有共享时钟参考和确定性触发，跨通道的测量值可能会漂移，产生难以比较且不可靠的通过/失败决策数据。
为什么FPGA是并行测试的基础
许多测试仪器内部已经内置了FPGA，通常用于处理时序分配或基本触发。Liquid Instruments公司的Moku平台更进一步，将FPGA作为测量、信号生成和实时数字信号处理的主要执行引擎。
图 2：使用单个硬件设备 Moku:Delta 扩展至多个 DUT
确定性计时
FPGA 严格按照硬件时钟周期执行操作，精度可达亚微秒级。与基于 CPU 的系统（由操作系统决定任务执行时间）不同，FPGA 会以可预测的固定间隔处理每条指令。这对于同步多通道采集至关重要，因为这类采集的数据集必须从完全相同的采样点开始。
真正的硬件并行性
FPGA 通过将芯片的不同区域分配给不同的任务，可以同时处理多个通道和控制回路。由于每个操作都有其专用的逻辑，因此不存在资源争用问题。Moku 平台正是利用了这一特性，在单个设备上同时运行多达八个仪器，并在仪器模块之间进行 80 Gbps 的数字通信，从而实现无损实时反馈回路。
可重构性
与固定功能仪器不同，FPGA 可以在几秒钟内重新配置以执行完全不同的操作。芯片上原本用作示波器的部分，只需一次 API 调用即可转换为频谱分析仪或频率响应分析仪，无需任何硬件更改。
可扩展架构
Moku:Delta 提供 8 个模拟输入、8 个模拟输出、32 个数字 I/O 通道，以及最多 8 个可同时连接的仪器插槽。由于仪器部署采用软件定义，因此从两个被测设备 (DUT) 扩展到八个只需增加线缆并更改 Python 脚本中的参数即可。无需购买、校准或维护任何额外的硬件。
节省时间
假设一个验证序列包含四个被测器件 (DUT) 和三个测试，每个测试耗时 10 分钟。串行方法需要依次对每个器件运行每个测试：4 个 DUT x 3 个测试 x 10 分钟，总共需要两个小时。而基于 FPGA 的并行执行方式，可以将所有四个 DUT 同时运行，从而将总测试时间缩短至约 30 分钟；如果所有三个测试都能利用多个仪器插槽同时运行，则甚至可以缩短至 10 分钟。
图 3：使用 Python 作为编排层的顺序测试处理（包含一个或多个测试单元）与并行 DUT 测试的对比
Python + FPGA：软硬件架构
并行测试架构清晰地划分了软件和硬件的职责，使二者各司其职，发挥各自优势。其结果是更低的延迟、更高的吞吐量，以及对测量各个环节更严格的控制。
Python 作为编排层
由于 FPGA 负责信号生成、触发、滤波和实时 DSP 处理，主机 PC 则专注于高级配置、测试顺序、数据聚合和报告生成。Moku Python API 允许工程师从单一的、版本控制的代码库配置仪器、设置参数并启动测量。其丰富的分析工具生态系统（NumPy、SciPy、Matplotlib）使其成为后处理和可视化的理想选择。对于已在 MATLAB 和 LabVIEW 环境中建立工作流程的团队，Moku 也提供了相应的 API。
四阶段工作流程
案例研究：并行运算放大器验证
为了在实践中演示这些概念，可以考虑验证半导体运算放大器集成电路，这是模拟电路设计和测试团队的常见任务。其目标是表征器件在多种规格下的性能，并生成经过验证的数据手册。
传统方法
即使只是进行几项测试，典型的台式测试平台也需要四到五台独立的仪器：一台用于产生激励信号的任意波形发生器、一台用于输出信号的示波器和频谱分析仪，以及一台用于增益和相位测量的频率响应分析仪。每台仪器都价值数万美元，拥有各自的接口和驱动程序，并且需要专用的线缆。如果要测试多个被测器件 (DUT)，则需要复制整套设备或按顺序运行测试。
基于FPGA的并行方法
使用单个 Moku:Delta，即可在多个被测设备 (DUT) 上同时运行相同的测试，无需在测量之间更换任何物理电缆。多仪器模式可在同一 FPGA 上部署多达八个软件定义仪器，所有仪器共享一个公共参考时钟，以实现时间一致的数据采集和可靠的相位校准。
在现场演示中，同时测试了两个运算放大器评估板（THS4211EVM 和 OPA862DEVM）的四个关键参数：
- 输出摆幅：频谱分析仪内部内置波形发生器产生正弦波激励信号。频域响应显示谐波成分存在削波现象，同时示波器视图显示了时域特性，如图 4 和图 5 所示。
- 转换速率：施加方波输入，并测量捕获输出的上升沿/下降沿斜率。
- 闭环带宽：频率响应分析仪扫描整个频率范围内的正弦波，并测量其幅度响应。Python 会自动识别 -3 dB 截止点。
- 总谐波失真：施加一个固定频率的正弦波，频谱分析仪会捕获谐波成分。Python 会根据测得的频谱计算总谐波失真 (THD)。
所有仪器均通过自定义 Python 图形用户界面 (GUI) 调用 Python API 进行程序化重新配置（图 4）。无需技术人员干预，两个被测器件 (DUT) 的整个测试流程在正常测试单个器件所需的时间内完成。系统还生成了一份 PDF 规格表，其中汇总了所有测量结果和捕获的图表。图 5 展示了图 4 所示输出摆幅测量对应的 Moku 应用程序配置。
图 4：Python GUI 显示同时测量两个被测器件（OPA862EVM 和 THS4211EVM）的输出摆幅结果
图 5：Moku 应用中显示的与图 4 对应的输出摆幅测试配置
结语
对硅器件进行全面表征需要涵盖时域、频域和混合信号测量的各种测试设备。将这些仪器集成到一个可重构的测量平台中，可以解决测试团队在从单器件验证扩展到并行生产测试时面临的成本、刚性和吞吐量等核心挑战。
通过将 Python 作为灵活的编排层与基于 FPGA 的硬件的确定性、真正的并行执行相结合，工程团队可以实现以前不切实际的测试时间，同时保持半导体验证所需的测量完整性和同步性。
Moku 平台提供高达 2 GHz 的实时带宽、低于 10 nV/√Hz 的输入噪声、GPS 同步计时，以及在单个设备上同时部署多达 8 台仪器的能力，为下一代并行测试系统提供了强大而灵活的基础。
了解更多
访问 liquidinstruments.com 免费下载 Moku软件，探索 半导体测试资源中心 或 请求演示 使用 Moku:Delta 进行并行测试。