การทำนายค่าสัญญาณอ่านกลับด้วยเทคนิคการเรียนรู้เครื่องในระบบการบันทึกข้อมูลแบบบิตแพทเทิร์นมีเดีย

Abstract

ความต้องการในการใช้พื้นที่สำหรับเก็บข้อมูลในรูปแบบดิจิทัลเพิ่มขึ้นอย่างต่อเนื่อง อุปกรณ์ ที่เป็นหนึ่งในตัวเลือกที่มีประสิทธิภาพสูงที่สุดในการเก็บข้อมูลดิจิตอล นั้นคือ ฮาร์ดดิสก์ไดรฟ์ซึ่งเป็น อุปกรณ์ที่ได้รับความนิยมในการใช้งานกันอย่างแพร่หลายในการเก็บข้อมูลเนื่องด้วยมีความจุสูง ราคา ถูก และมีความคงทนถาวรในการใช้งาน ซึ่งในปัจจุบันเทคโนโลยีเดิมที่ใช้ในการบันทึกข้อมูลเข้าใกล้ ขีดจำกัดทางการพัฒนาจาก “ข้อจำกัดทางซูเปอร์พาราแมกเนติก (Superparamagnetic limit)” จึง ทำให้การเพิ่มหน่วยความจุด้วยการใช้เทคโนโลยีรูปแบบเดิมนั้นเกิดข้อจำกัด เทคโนโลยีการบันทึกข้อมูลเชิงแม่เหล็กรูปแบบบิตแพทเทิร์นมีเดียหรือบีพีเอ็มอาร์ เป็นหนึ่ง ในเทคโนโลยีที่มีความน่าสนใจในการพัฒนาเป็นอย่างมาก เนื่องจากสามารถเพิ่มประสิทธิภาพของ ความหนาแน่นเชิงพื้นที่ของสื่อบันทึกได้มากกว่าเทคโนโลยีแบบเดิมหลายเท่า แต่การบันทึกข้อมูลลงบนเทคโนโลยีนี้ต้องเผชิญหน้ากับปัญหาหลายอย่าง ทั้งการแทรกสอดสอดระหว่างสัญลักษณ์ ( ISI), การแทรกสอดระหว่างแทร็ก (ITI) การอ่านออกนอกแทร็กของหัวอ่าน และความผันผวนของตำแหน่ง โดยในปัจจุบันการประยุกต์ใช้เทคนิคกระบวนการเรียนรู้ของเครื่องเข้ามาแก้ปัญหาในบริบทที่ หลากหลายได้เป็นอย่างดี จึงทำให้การนำเอาเทคนิคเหล่านี้เข้ามาใช้อุปกรณ์ฮาร์ดแวร์ เพื่อเพิ่ม สมรรถนะในการทำงานจึงเป็นเรื่องที่มีความน่าสนใจในการพัฒนา โดยการนำเทคนิคกระบวนการ เรียนรู้ของเครื่องเข้ามาใช้ในระบบการบันทึกข้อมูลเชิงแม่เหล็กแบบบีพีเอ็มอาร์ วิทยานิพนธ์ฉบับนี้ได้นำเสนอการใช้เทคนิคกระบวนการเรียนรู้ของเครื่องนำมาสร้างโมเดล ทำนายผลจากหลากหลายอัลกอริทึม สำหรับจำแนกประเภทข้อมูลบิตที่ออกจากช่องสัญญาณบีพีเอ็มอาร์จากการดำเนินงาน เราพบว่าการทดสอบโมเดลการทำนายผลที่ได้สร้างขึ้นทั้งหมด โมเดลที่ สามารถทนทานต่อปัญหาในช่องสัญญาณนั้นคือ กระบวนการเรียนรู้เชิงลึก ซึ่งมีค่าความแม่นยำและ มีความถูกต้องจากการทดสอบสูงที่สุด

The demand for digital storage spaces is constantly increasing and one of the most efficient options for storing data is a hard disk drive. The hard disk drive has been widely used in data storage because of its large capacity, low price per unit, and durability. However, conventional magnetic recording technology is approaching limited development because of superparamagnetic limit problems. Increasing storage capacity using conventional technology has become untenable. Bit-patterned media recording (BPMR) is one of the most exciting new technologies to be considered and developed because BPMR can increase areal density more than today’s technology. BPMR technology depends on multiple factors that can degrade its performance, such as inter-symbol interference (ISI), inter-track interference (ITI), track misregistration (TMR), and position fluctuation. Artificial intelligence and machine learning have demonstrated the ability to work effectively in distinctive contexts. It is interesting to develop and apply machine learning process techniques in BPMR systems to improve system performance. This study presents machine learning techniques for creating classification models from various algorithms to compute readback signals in the BPMR channel. From the result of the operation, it was found that all of prediction tests, the most efficient model is deep learning. Deep learning yields in the highest accuracy associated with the lowest loss.