DE102022106908A1 - Abstimmen optischer transceiver durch maschinelles lernen - Google Patents
Abstimmen optischer transceiver durch maschinelles lernen Download PDFInfo
- Publication number
- DE102022106908A1 DE102022106908A1 DE102022106908.7A DE102022106908A DE102022106908A1 DE 102022106908 A1 DE102022106908 A1 DE 102022106908A1 DE 102022106908 A DE102022106908 A DE 102022106908A DE 102022106908 A1 DE102022106908 A1 DE 102022106908A1
- Authority
- DE
- Germany
- Prior art keywords
- transceiver
- parameters
- waveform
- operating parameters
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 51
- 230000003287 optical effect Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 77
- 238000012360 testing method Methods 0.000 claims abstract description 56
- 238000005259 measurement Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000004399 eye closure Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/40—Transceivers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/073—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an out-of-service signal
- H04B10/0731—Testing or characterisation of optical devices, e.g. amplifiers
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B6/00—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings
- G02B6/24—Coupling light guides
- G02B6/42—Coupling light guides with opto-electronic elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/077—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using a supervisory or additional signal
- H04B10/0771—Fault location on the transmission path
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/077—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using a supervisory or additional signal
- H04B10/0775—Performance monitoring and measurement of transmission parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/077—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using a supervisory or additional signal
- H04B10/0777—Monitoring line amplifier or line repeater equipment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/077—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using a supervisory or additional signal
- H04B10/0779—Monitoring line transmitter or line receiver equipment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
- H04B10/564—Power control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
- H04B10/572—Wavelength control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
- H04B10/58—Compensation for non-linear transmitter output
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Optical Communication System (AREA)
Abstract
Eine Test- und Messvorrichtung hat einen Anschluss, der es der Test- und Messvorrichtung ermöglicht, sich mit einem optischen Transceiver zu verbinden, einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren dazu veranlasst: anfängliches Einstellen von Betriebsparametern für den optischen Transceiver auf Durchschnittsparameter, Erfassen einer Wellenform von dem optischen Transceiver, Messen der erfassten Wellenform und Bestimmen, ob der Betrieb des Transceivers erfolgreich ist oder fehlschlägt, Senden der Wellenform und der Betriebsparameter an ein maschinelles Lernsystem, um geschätzte Parameter zu erhalten, wenn der Transceiver durchfällt, Anpassen der Betriebsparameter auf der Grundlage der geschätzten Parameter, und Wiederholen des Erfassens, Messens, Sendens und Anpassen nach Bedarf, bis der Transceiver besteht. Ein Verfahren zum Abstimmen optischer Transceiver umfasst das Verbinden eines Transceivers mit einer Test- und Messvorrichtung, das Einstellen von Betriebsparametern für den Transceiver auf einen Durchschnittssatz von Parametern, das Erfassen einer Wellenform von dem Transceiver, das Messen der Wellenform, um zu bestimmen, ob der Transceiver besteht oder durchfällt, das Senden der Wellenform und der Betriebsparameter an ein maschinelles Lernsystem, wenn der Transceiver durchfällt, das Verwenden des maschinellen Lernsystems, um angepasste Betriebsparameter bereitzustellen, das Einstellen der Betriebsparameter auf die angepassten Parameter und das Wiederholen des Erfassens, Messens, Sendens, Verwendens und Einstellens, bis der Transceiver besteht.
Description
- VERWANDTE ANMELDUNGEN
- Diese Offenbarung beansprucht den Nutzen der vorläufigen
US-Patentanmeldung Nr. 63/165,698 - TECHNISCHES GEBIET
- Diese Offenbarung bezieht sich auf Test- und Messsysteme und insbesondere auf Systeme und Verfahren zum Abstimmen optischer Transceiver, z. B. während der Herstellung.
- STAND DER TECHNIK
- Die Hersteller optischer Transceiver benötigen im schlimmsten Fall bis zu zwei Stunden für die Abstimmung ihrer optischer Transceiver. In der Regel erreichen sie dies, indem sie die Abstimmungsparameter sweepen. In einigen Fällen kann es im schlimmsten Fall 200 Iterationen und im besten Fall drei bis fünf Iterationen dauern. Durch die Beschleunigung dieses Prozesses kann die Anzahl der Iterationen für die Abstimmung des Transceivers verringert werden, was sowohl die Zeit als auch die Kosten für die Herstellung reduziert.
- Ausführungsformen der beschriebenen Geräte und Verfahren beheben Mängel des Standes der Technik.
- Figurenliste
-
-
1 zeigt ein Beispiel für einen Fertigungsablauf zur Abstimmung der Parameter von optischen Transceivern. -
2 zeigt eine Test- und Messvorrichtung, die zur Abstimmung optischer Transceiver verwendet werden kann. -
3 zeigt ein Flussdiagramm einer Ausführungsform eines Prozesses zum Trainieren eines maschinellen Lernsystems für die Abstimmung optischer Transceiver. -
4 zeigt ein Flussdiagramm einer Ausführungsform eines Prozesses zur Verwendung von maschinellem Lernen zur Abstimmung optischer Transceiver. -
5 zeigt ein Flussdiagramm einer Ausführungsform eines Teils eines Prozesses zur Verwendung von maschinellem Lernen zur Abstimmung optischer Transceiver. -
6 zeigt Beispiele von Tensorbildern, die aus Wellenformen abgeleitet wurden und in einem maschinellen Lernsystem verwendet werden können. - AUSFÜHRLICHE BESCHREIBUNG
- Derzeit wird bei der Abstimmung von optischen Transceivern keine Art von maschinellem Lernen eingesetzt, um den Zeitaufwand für die Abstimmung und Prüfung der Transceiver zu verringern. Der Zeitaufwand für das Training der Geräte erhöht die Gesamtkosten der Transceiver. Ein typischer Arbeitsablauf des Herstellers ist in
1 dargestellt. Bei 10 schließt der Benutzer den optischen Transceiver an eine Test- und Messvorrichtung an. Der hier verwendete Begriff „Test- und Messvorrichtung“ umfasst jede Vorrichtung, die in der Lage ist, Tests durchzuführen und den daraus resultierenden Betrieb des optischen Transceivers als zu testende Vorrichtung (DUT) zu messen. - Der Benutzer stellt eine Temperatur bei 12 ein und wartet, bis sich die Temperatur stabilisiert. Dann stellt der Benutzer die Spannung bei 14 ein. Der Benutzer stellt die Betriebsparameter für das DUT bei 16 ein, betreibt das DUT und misst dann seinen Betrieb. Die Messung kann auf vielfältige Weise erfolgen, wie später noch näher erläutert wird. Bei 18 bestimmt das System, ob die Messung anzeigt, dass das Teil innerhalb eines gewünschten Bereichs der gemessenen Werte arbeitet. Wenn es innerhalb des gewünschten Bereichs oder der gewünschten Bereiche arbeitet, bei 20, dann besteht der Transceiver bei 22. Die endgültige Temperatur und Spannung, die bei der Prüfung verwendet wurden, können gespeichert und bei 24 für den nächsten Transceiver verwendet werden, so dass der Test für dieses Teil abgeschlossen ist.
- Wenn das DUT bei 22 nicht abgestimmt ist, kann der Benutzer die Parameter bei 16 anpassen und den Test erneut durchlaufen lassen 22. Dieser Vorgang kann so oft wiederholt werden, bis das DUT den Test entweder besteht oder nicht besteht und der Test bei 26 abgeschlossen ist.
- Dies ist ein zeitintensiver und letztlich teurer Prozess. Bei den hier vorgestellten Modellen wird maschinelles Lernen eingesetzt, um sowohl einen genaueren Ausgangspunkt zu schaffen als auch die Parameter effizienter anzupassen.
- Der Einsatz eines maschinellen Lernprozesses kann den Zeitaufwand für die Abstimmung, Prüfung und Feststellung, ob ein Teil besteht oder durchfällt, verringern.
2 zeigt eine Ausführungsform eines Test- und Messsystems oder einer Test- und Messvorrichtung, das bzw. die ein maschinelles Lernsystem zur Bestimmung der Betriebsparameter für die Teile verwendet. Die Ausgabemessungen, für die der Benutzer eine Abstimmung vornehmen kann und die zur Messung des Betriebs verwendet werden, können u. a. Sender und Dispersion Eye Closure Penalty Quaternary (TDECQ), Extinktionsverhältnis, durchschnittliche optische Leistung, optische Modulationsamplitude und Pegelabstandsfehlanpassungsverhältnis umfassen. Zu den Abstimmungsparametern der optischen Transceiver, die geändert oder angepasst werden können, gehören u. a. der Bias-Strom und die Modulationsspannung. - Die Test- und Messvorrichtung 30 kann viele verschiedene Komponenten enthalten.
2 zeigt eine mögliche Ausführungsform und kann mehr oder weniger Komponenten enthalten. Die Vorrichtung in2 ist mit dem DUT, in diesem Fall einem optischen Transceiver 32, verbunden. Die Test- und Messvorrichtung, z. B. ein Oszilloskop, kann ein optisches/elektrisches (O/E-) Umwandlungsmodul 34 enthalten, das über eine Verbindung wie 36 mit der Test- und Messvorrichtung verbunden ist. Der Prozessor 38 stellt einen oder mehrere Prozessoren dar und ist so ausgebildet, dass er Code ausführt, der den Prozessor veranlasst, verschiedene Aufgaben auszuführen, einschließlich des Testautomatisierungscodes 40 des Herstellers. Der Testautomatisierungscode könnte aber auch Teil einer anderen, von der Test- und Messvorrichtung 30 getrennten Datenverarbeitungsvorrichtung sein, mit dem der Prozessor 38 interagiert.2 zeigt das maschinelle Lernsystem 42 als Teil der Test- und Messvorrichtung. Das maschinelle Lernsystem kann sich auch auf einem separaten Gerät wie einem Computer befinden, der mit der Test- und Messvorrichtung kommuniziert. - Für die Zwecke dieser Erörterung schließt der Begriff „Test- und Messvorrichtung“, wie er hier verwendet wird, diejenigen Ausführungsformen ein, die eine externe Datenverarbeitungsvorrichtung als Teil der Test- und Messvorrichtung umfassen. Der Speicher 44 kann sich auf der Test- und Messvorrichtung befinden oder zwischen der Test- und Messvorrichtung und der Datenverarbeitungsvorrichtung verteilt sein. Wie später noch näher erläutert wird, kann der Speicher Trainingsdaten und Laufzeitdaten enthalten, die von dem maschinellen Lernsystem verwendet werden. Die Test- und Messvorrichtung kann auch eine Benutzeroberfläche 46 enthalten, die einen oder mehrere Touchscreens, Videobildschirme, Knöpfe, Tasten, Lichter, eine Tastatur, eine Maus usw. umfassen kann.
- Im Betrieb ist der optische Transceiver 32 über den O/E-Wandler 34 und den Anschluss 36 mit der Test- und Messvorrichtung verbunden. Ein Testautomatisierungsprozess 40 sendet die Transceiver-Abstimmungsparameter an den Transceiver. Die Transceiver-Parameter werden vom maschinellen Lernsystem 42 empfangen und können auf durchschnittlichen Parametern basieren, die durch Testen und Training entwickelt wurden. Das Test- und Messgerät erfasst eine Wellenform vom Transceiver-DUT und sendet die Wellenform an den Prozessor. Das System misst die Wellenform und stellt fest, ob der Transceiver für diesen Satz von Abstimmungsparametern bestanden hat oder durchgefallen ist.
- Eine der oben erwähnten Messungen ist TDECQ, bei der ein PAM4-Augendiagramm verwendet wird. Wie bereits erwähnt, handelt es sich hierbei um eine der Leistungsmessungen, auf die der Transceiver abgestimmt werden kann, neben anderen wie Extinktionsverhältnis (ER; extinction ratio), mittlere optische Leistung (AOP; average optical power), optische Modulationsamplitude (OMA), Verhältnis der Pegelabweichung (RLM; level separation mismatch) und andere.
- Das maschinelle Lernsystem 42 führt die Auswahl und Anpassung der Abstimmparameter während der Laufzeit auf der Grundlage seines Trainings durch. Der Trainingsprozess erstellt einen Trainingssatz von Abstimmparametern und zugehörigen Wellenformen, die dann die Auswahl der Abstimmparameter auf der Grundlage der vom DUT erfassten Wellenform beeinflussen können.
3 zeigt ein Verfahren zum Trainieren eines maschinellen Lernsystems, das auch Startparameter für einen Laufzeittestprozess liefert. - In der folgenden Diskussion haben mehrere Begriffe eine spezifische Bedeutung. Für das Training des maschinellen Lernsystems benötigt der Prozess einen Satz von Parametern und zugehörigen Wellenformen für das Training. Wie weiter unten im Detail erläutert, stimmt der Benutzer eine große Anzahl von Transceivern optimal ab, was zu einem Satz von Parametern führt, der hier als „optimierte Parameter“ bezeichnet wird und die optimierten Parameter für jeden der großen Zahl von Transceivern enthält. Der Begriff „Durchschnittsparameter“ bezieht sich auf einen Satz von Parametern, von denen jeder den Durchschnitt des jeweiligen Parameters darstellt.
- In einem ersten iterativen Teilprozess schließt der Benutzer einen optischen Transceiver an die Test- und Messvorrichtung bei 50 an. In der Regel umfasst dieser Prozess die Stabilisierung der Temperatur des Transceivers. Der Transceiver wird bei 52 einer Standardabstimmung unterzogen, d.h. einem beliebigen aktuellen Abstimmungsverfahren, das vor der Umsetzung der vorliegenden Ausführungsformen verwendet wurde. Sobald ein bestimmter Transceiver eine Abstimmung durchläuft, um seinen abgestimmten Zustand zu erreichen, sind die in diesem Zustand verwendeten Parameter die optimierten Parameter für diesen Transceiver. Die optimierten Parameter aus jeder dieser Iterationen werden gesammelt, z.B. in einem Histogramm, bei 56, und ein Durchschnitt wird bei 58 bestimmt.
- Wie in
4 und in der Laufzeitumgebung noch näher erläutert wird, dienen diese Durchschnittswerte als anfängliche Startparameter für den Laufzeitprozess. Dieser Prozess wird so lange fortgesetzt, bis eine ausreichende Anzahl von Transceivern der in 54 festgelegten Abstimmung unterzogen wurden. Die Bestimmung, wie viele Sender ausreichend sind, kann von der Architektur des maschinellen Lernsystems abhängen und davon, wie viele das System benötigt, um genaue Ergebnisse zu erzielen. - Ein zweiter iterativer Teilprozess beginnt bei 60. Der Benutzer schließt den Transceiver an und lässt die Temperatur sich stabilisieren. Der Transceiver wird bei 62 auf einen „nächsten“ Satz von Parametern abgestimmt, der für die erste Iteration einen anfänglichen Satz von Parametern umfasst. Das System zeichnet auch diese Parameter auf, die an das maschinelle Lernsystem gesendet werden. Bei jeder Iteration werden die Parameter gesweept, d. h. das System stellt jeden Parameter auf die nächste Einstellung für diesen Parameter ein, bis alle Einstellungen für diesen Parameter abgeschlossen sind.
- Das System erfasst die Wellenform bei 64 für jeden Satz von Parametern und sendet die Wellenform auch an das maschinelle Lernsystem. Im Rahmen der Erfassung der Wellenform kann das System eine Taktrückgewinnung durchführen und ein partielles Augendiagramm erzeugen, das auch als kurzes Muster-Overlay bezeichnet wird. In einer Ausführungsform kann das partielle Augendiagramm nur Einzelpegelübergänge enthalten, wobei ein Einzelpegelübergang einen Übergang von nur einem Pegel zu einem anderen Pegel bedeutet, einen Übergang von niedrig zu hoch, hoch zu niedrig usw., wie die getrennten partiellen Augendiagramme mit einem Pegel, die in
U.S. Pat. App. Nr. 17/592,437 beschrieben sind. Diese resultierende Überlagerung kann die Wellenform umfassen, die an das maschinelle Lernsystem gesendet wird, obwohl die Wellenform in anderen Formaten oder Vektorräumen in anderen Ausführungsformen dargestellt werden kann. In einer Ausführungsform berechnet das System als Teil der Wellenformerfassung auch eine Reihe von Messungen, wie TDECQ, OMA, ER, AOP, RLM, wie oben erwähnt. Bei 66 sendet das System die gesammelten Informationen, einschließlich der Histogramme, Mittelwerte und der für jede Iteration spezifischen Informationen, wie z. B. die Wellenform, die Überlagerung von Kurzmustern, Messungen, die mit jedem Satz von Parametern verknüpft werden sollen, zur Verarbeitung an das maschinelle Lernsystem. Das maschinelle Lernsystem verknüpft all diese Informationen mit der Wellenform, um sie zu trainieren und die genauesten Parameter für die nächste Iteration zu ermitteln. Dieser Prozess wird so lange wiederholt, bis alle Iterationen für den zu überprüfenden Parameter abgeschlossen sind (siehe 68). - Im Rahmen des Trainingsprozesses für maschinelles Lernen wird das System getestet und validiert. Das System stellt dem maschinellen Lernsystem Testwellenformen zur Verfügung, um Vorhersagen für den nächsten Satz von Parametern zu erstellen, und testet dann diese Parameter, um festzustellen, ob das maschinelle Lernsystem eine genaue Vorhersage getroffen hat. Der Trainingsprozess wird so lange fortgesetzt, bis genügend Transceiver bei 70 getestet wurden, bis das maschinelle Lernsystem Ergebnisse mit der gewünschten Genauigkeit liefert. Sobald dies erreicht ist, wird der Trainingsprozess bei 72 abgeschlossen und das System kann zur Laufzeit eingesetzt werden. Es ist zu beachten, dass das System bei Bedarf zum Trainingsprozess zurückkehren kann, z. B. wenn die Vorhersagegenauigkeit abnimmt oder sich die Art des getesteten Transceivers ändert.
-
4 zeigt eine Ausführungsform eines Verfahrens zum Testen optischer Transceiver in der Laufzeitumgebung. Bei 80 schließt der Benutzer den Transceiver an Die Test- und Messvorrichtung an und lässt die Temperatur sich stabilisieren. Die Temperatur kann eine der vorgenommenen Einstellungen sein, und mehrere Iterationen können unterschiedliche Temperaturen umfassen. Das System stimmt den Transceiver auf eine Reihe von Betriebsparametern ab, bei 82. Der Begriff „Betriebsparameter“ bezieht sich hier auf die für den Transceiver eingestellten Parameter. Die Betriebsparameter können sich je nach Zeitpunkt des Prozesses ändern. Zu Beginn des Prozesses werden die Betriebsparameter auf die im ersten Teil des Trainingsprozesses entwickelten Durchschnittsparameter eingestellt. Die Test- und Messvorrichtung erfasst eine Wellenform vom Transceiver bei 84. Wie beim Trainingsprozess kann dies die Wiederherstellung des Taktes und die Erstellung eines partiellen Augendiagramms mit nur einzelnen Pegelübergängen umfassen. Das System mag auch Messungen wie TDECQ, ER, AOP, OMA, RLM und andere in 86 durchführen. Wenn die Ergebnisse darauf hindeuten, dass der Betrieb des Transceivers in einem gewünschten Bereich liegt (88), hat der Transceiver in 90 bestanden. - In einer Ausführungsform, der Messung und Bestimmung des Bestehens bzw. Durchfallens, wie in
4 gezeigt, führt der Prozess die Taktwiederherstellung 110 durch und erzeugt daraus Tensor-Bilder bei 111, wie in5 gezeigt. Ein Beispiel für ein Tensorbild ist in6 dargestellt.6 zeigt die Eingangswellenformen auf der linken Seite, wobei die drei Kanäle die Eingangswellenformen auf dem Roten Kanal 120, dem Blauen Kanal 122 und dem Grünen Kanal 124 zeigen. Der Tensor 130 und die Tensoren in der gleichen Position quer durch die Abbildung entsprechen dem Roten Kanal, die Position des Tensors 132 entspricht dem Blauen Kanal und die Position des Tensors 134 entspricht dem Grünen Kanal. Aus der erfassten Wellenform erstellte Kurzmuster können in allen drei Farbkanälen platziert werden. Verschiedene Codesequenzen können in verschiedenen Farbkanälen platziert werden. Es sind viele Kombinationen von Mustern und Kanälen möglich. - Die Tensorbilder werden an das maschinelle Lernsystem als die Wellenformbilder gesendet, die in dem maschinellen Lernsystem verwendet werden. Der Prozess misst dann die Wellenformen bei 112 in
5 und diese werden dann überprüft, um zu sehen, ob sie, bei 114, im Bereich liegen. Der Prozess kehrt dann zu4 bei88 zurück. - Zurück zu
3 : Bei dieser Ausführungsform würde dieser Prozess der Erfassung der Wellenform die Erzeugung eines Bildes und von Tensoren beinhalten, die im maschinellen Lernsystem verwendet werden sollen. Das maschinelle Lernsystem würde mit diesen Arten von Tensorbildern trainiert werden. Dies ermöglicht es dem System, die Tensorbilder im maschinellen Lernsystem zur Laufzeit zu verwenden. - Wenn die Ergebnisse zeigen, dass der Transceiver nicht innerhalb des gewünschten Bereichs der verwendeten Messung(en) arbeitet, fällt der Transceiver durch. Das System kann prüfen, wie oft der Transceiver den Prozess bei 92 durchlaufen hat. Liegt die Anzahl der Durchläufe unter einer vorgegebenen Zahl, werden die Ergebnisse an das maschinelle Lernsystem bei 94 gesendet, um einen nächsten Satz von Betriebsparametern zu bestimmen. Das maschinelle Lernsystem liefert dann die geschätzten Parameter für die nächste Iteration. In einer Ausführungsform umfassen die Betriebsparameter für den Transceiver in der nächsten Iteration „angepasste Parameter“, die sich aus der Subtraktion der geschätzten Parameter von den vorherigen Betriebsparametern ergeben, um eine Differenz zu ermitteln, und dann die Differenz wieder zu den Durchschnittsparametern zu addieren, um neue Betriebsparameter zu erzeugen.
- Kehren wir zu 92 zurück: Wenn sich der maschinelle Lernprozess einige Male wiederholt hat und der Transceiver weiterhin ausfällt, wendet das System das „Standard“-Verfahren für die Abstimmung bei 96 an. Dies umfasst alle Abstimmungsverfahren, die vor der Umsetzung der vorliegenden Ausführungsformen verwendet wurden. Das Verfahren wird dann so lange fortgesetzt, bis der Betrieb des Transceivers den gewünschten Messwerten entspricht (bei 98) und der Transceiver die Prüfung bei 90 besteht. Kann der Transceiver jedoch auch nach dem Standardabstimmungsverfahren nicht so eingestellt werden, dass er innerhalb des gewünschten Bereichs arbeitet, ist der Transceiver durchgefallen 100.
- Auf diese Weise kann ein maschinelles Lernsystem die Effizienz des Abstimmungsprozesses erhöhen. Dadurch kann das System die Transceiver schneller zulassen oder nicht zulassen und sowohl den Zeit- als auch den Kostenaufwand für den Herstellungsprozess verringern.
- Aspekte der Offenlegung können auf einer speziell entwickelten Hardware, auf Firmware, digitalen Signalprozessoren oder auf einem speziell programmierten Allzweckcomputer mit einem Prozessor, der nach programmierten Anweisungen arbeitet, arbeiten. Die hier verwendeten Begriffe „Controller“ oder „Prozessor“ sollen Mikroprozessoren, Mikrocomputer, anwendungsspezifische integrierte Schaltungen (ASICs) und spezielle Hardware-Controller umfassen. Ein oder mehrere Aspekte der Offenbarung können in computerverwendbaren Daten und computerausführbaren Befehlen verkörpert sein, beispielsweise in einem oder mehreren Programmmodulen, die von einem oder mehreren Computern (einschließlich Überwachungsmodulen) oder anderen Geräten ausgeführt werden. Im Allgemeinen umfassen Programmmodule Routinen, Programme, Objekte, Komponenten, Datenstrukturen usw., die bestimmte Aufgaben ausführen oder bestimmte abstrakte Datentypen implementieren, wenn sie von einem Prozessor in einem Computer oder einem anderen Gerät ausgeführt werden. Die computerausführbaren Anweisungen können auf einem nicht transitorischen, computerlesbaren Medium wie einer Festplatte, einer optischen Platte, einem Wechseldatenträger, einem Festkörperspeicher, einem Random Access Memory (RAM) usw. gespeichert werden. Wie dem Fachmann klar sein wird, kann die Funktionalität der ProgrammModule in verschiedenen Aspekten beliebig kombiniert oder verteilt werden. Darüber hinaus kann die Funktionalität ganz oder teilweise in Firmware oder Hardware-Äquivalenten wie integrierten Schaltungen, FPGA und dergleichen verkörpert sein. Bestimmte Datenstrukturen können verwendet werden, um einen oder mehrere Aspekte der Offenbarung effektiver zu implementieren, und solche Datenstrukturen werden im Rahmen der hier beschriebenen computerausführbaren Anweisungen und computerverwendbaren Daten in Betracht gezogen.
- Die offengelegten Aspekte können in einigen Fällen in Hardware, Firmware, Software oder einer Kombination davon implementiert werden. Die offengelegten Aspekte können auch in Form von Befehlen implementiert werden, die auf einem oder mehreren nicht-übertragbaren computerlesbaren Medien gespeichert sind, die von einem oder mehreren Prozessoren gelesen und ausgeführt werden können. Solche Anweisungen können als Computerprogrammprodukt bezeichnet werden. Computerlesbare Medien, wie hier beschrieben, sind alle Medien, auf die ein Computer zugreifen kann. Computerlesbare Medien können zum Beispiel Computerspeichermedien und Kommunikationsmedien umfassen, ohne darauf beschränkt zu sein.
- Computerspeichermedien sind alle Medien, die zur Speicherung von computerlesbaren Informationen verwendet werden können. Zu den Computerspeichermedien gehören beispielsweise RAM, ROM, EEPROM (Electrically Erasable Programmable Read-Only Memory), Flash-Speicher oder andere Speichertechnologien, CD-ROM (Compact Disc Read Only Memory), DVD (Digital Video Disc) oder andere optische Plattenspeicher, Magnetkassetten, Magnetbänder, Magnetplattenspeicher oder andere magnetische Speichervorrichtungen sowie alle anderen flüchtigen oder nicht flüchtigen, entfernbaren oder nicht entfernbaren Medien, die in beliebigen Technologien eingesetzt werden. Computerspeichermedien schließen Signale als solche und vorübergehende Formen der Signalübertragung aus.
- Kommunikationsmedien sind alle Medien, die für die Übertragung von computerlesbaren Informationen verwendet werden können. Zu den Kommunikationsmedien gehören beispielsweise Koaxialkabel, Glasfaserkabel, Luft oder jedes andere Medium, das für die Übertragung von elektrischen, optischen, Hochfrequenz- (HF), Infrarot-, akustischen oder anderen Signalen geeignet ist.
- Außerdem wird in dieser schriftlichen Beschreibung auf bestimmte Merkmale verwiesen. Es ist davon auszugehen, dass die Offenbarung in dieser Spezifikation alle möglichen Kombinationen dieser besonderen Merkmale umfasst. Wenn zum Beispiel ein bestimmtes Merkmal im Zusammenhang mit einem bestimmten Aspekt offenbart wird, kann dieses Merkmal, soweit möglich, auch im Zusammenhang mit anderen Aspekten verwendet werden.
- Auch wenn in dieser Anmeldung auf ein Verfahren mit zwei oder mehr definierten Schritten oder Vorgängen Bezug genommen wird, können die definierten Schritte oder Vorgänge in beliebiger Reihenfolge oder gleichzeitig ausgeführt werden, sofern der Kontext diese Möglichkeiten nicht ausschließt.
- BEISPIELE
- Im Folgenden werden Beispiele für die offengelegten Technologien aufgeführt. Eine Ausführungsform der Technologien kann eines oder mehrere und jede Kombination der unten beschriebenen Beispiele umfassen.
- Beispiel 1 ist ein Verfahren zum Abstimmen optischer Transceiver, das Folgendes umfasst: Verbinden eines Transceivers mit einer Test- und Messvorrichtung; Einstellen von Betriebsparametern für den Transceiver auf einen Durchschnittssatz von Parametern; Erfassen einer Wellenform von dem Transceiver; Messen der Wellenform, um zu bestimmen, ob der Transceiver besteht oder durchfällt; Senden der Wellenform und der Betriebsparameter an ein maschinelles Lernsystem, wenn der Transceiver durchfällt; Verwenden des maschinellen Lernsystems, um angepasste Betriebsparameter bereitzustellen; Einstellen der Betriebsparameter auf die angepassten Parameter; und Wiederholen des Erfassens, Sendens, Verwendens und Einstellens, bis der Transceiver besteht.
- Beispiel 2 ist das Verfahren von Beispiel 1, das außerdem das Einstellen einer Temperatur für den Transceiver umfasst.
- Beispiel 3 ist das Verfahren aus Beispiel 2, wobei das Verfahren mehrmals bei jeweils unterschiedlichen Temperaturen wiederholt wird.
- Beispiel 4 ist das Verfahren nach einem der Beispiele 1 bis 3, wobei das Bereitstellen angepasster Betriebsparameter Folgendes umfasst: Subtrahieren geschätzter Parameter, die von dem maschinellen Lernsystem bereitgestellt werden, von den Betriebsparametern, um eine Differenz zu ermitteln; und Addieren der Differenz zu den Betriebsparametern, um neue Betriebsparameter zu erzeugen.
- Beispiel 5 ist das Verfahren nach einem der Beispiele 1 bis 4, wobei ein Testen des Transceivers abgeschlossen wird, wenn der Transceiver besteht.
- Beispiel 6 ist das Verfahren nach einem der Beispiele 1 bis 5, wobei das Wiederholen des Erfassens und Sendens folgendes umfasst: Wiederholen des Erfassens und Sendens, bis eine vorbestimmte Anzahl von Malen erreicht ist, ohne dass das Sende-Empfangsgerät besteht; und Testen des Sende-Empfangsgeräts unter Verwendung eines anderen Verfahrens.
- Beispiel 7 ist das Verfahren nach einem der Beispiele 1 bis 6, wobei die Wellenform als Augendiagramm dargestellt wird, das aus Einzelpegelübergängen besteht.
- Beispiel 8 ist eines der Beispiele 1 bis 7, wobei das Messen der Wellenform das Messen eines quaternären Wertes für den Senderdispersionsaugenschluss (TDECQ; transmitter dispersion eye closure quaternary) umfasst.
- Beispiel 9 ist eine Test- und Messvorrichtung, die Folgendes umfasst: eine Verbindung, die es der Test- und Messvorrichtung ermöglicht, eine Verbindung zu einem optischen Transceiver herzustellen; und einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, Folgendes zu tun: anfängliche Betriebsparameter für den optischen Transceiver auf Durchschnittsparameter einzustellen; eine Wellenform von dem optischen Transceiver zu erfassen; die erfasste Wellenform zu messen und zu bestimmen, ob der Betrieb des Transceivers besteht ist oder durchfällt; die Wellenform und die Betriebsparameter an ein maschinelles Lernsystem zu senden, um geschätzte Parameter zu erhalten, wenn der Transceiver durchfällt; die Betriebsparameter basierend auf den geschätzten Parametern anzupassen; und das Erfassen, Messen, Senden und Anpassen bei Bedarf zu wiederholen, bis der Transceiver besteht.
- Beispiel 10 ist die Vorrichtung aus Beispiel 9, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie Code ausführen, um den einen oder die mehreren Prozessoren zu veranlassen, eine Temperatur für den Transceiver einzustellen.
- Beispiel 11 ist die Vorrichtung aus Beispiel 10, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie den einen oder die mehreren Prozessoren veranlassen, die Ausführung des Codes mehrfach zu wiederholen, jeweils für eine andere Temperatur.
- Beispiel 12 ist die Vorrichtung aus Beispiel 10, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, die Betriebsparameter anzupassen, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, die geschätzten Parameter von den Betriebsparametern zu subtrahieren, um eine Differenz zu finden, und die Differenz zu den durchschnittlichen Parametern zu addieren, um neue Betriebsparameter zu erzeugen.
- Beispiel 13 ist ein Verfahren zum Trainieren eines maschinellen Lernsystems zur Bestimmung von Betriebsparametern für optische Transceiver, das Folgendes umfasst: Verbinden des Transceivers mit einer Test- und Messvorrichtung; Abstimmen des Transceivers mit einem Satz von Parametern; Erfassen einer Wellenform von dem Transceiver; Senden der Wellenform und des Satzes von Parametern an ein maschinelles Lernsystem; und Wiederholen des Abstimmens, Erfassens und Sendens, bis eine ausreichende Anzahl von Samples gesammelt ist.
- Beispiel 14 ist das Verfahren von Beispiel 13, das außerdem folgendes umfasst: Einstellen einer Temperatur für den Transceiver; Warten, bis sich die Temperatur stabilisiert; und Aufzeichnen der Parameter.
- Beispiel 15 ist das Verfahren von Beispiel 14, das ferner das Hinzufügen des Satzes von Parametern zu einem Histogramm von Parametern für die Temperatur umfasst.
- Beispiel 16 ist das Verfahren von Beispiel 14, das ferner das Hinzufügen des Satzes von Parametern zu einem Histogramm von Parametern für die Temperatur umfasst.
- Beispiel 17 ist das Verfahren des Beispiels 14, das ferner die Wiederholung des Einstellens, Wartens und Aufzeichnens umfasst, bis eine ausreichende Anzahl von Samples gesammelt ist.
- Beispiel 18 ist das Verfahren nach einem der Beispiele 13 bis 17, wobei das Erfassen der Wellenform ferner das Erzeugen eines Augendiagramm-Overlays umfasst, das nur Einzelpegelübergänge enthält.
- Beispiel 19 ist das Verfahren nach einem der Beispiele 13 bis 18, wobei die Wiederholung nach dem Ändern der Parameter erfolgt, um einen Bereich für jeden Parameter im Satz von Parametern sweepen.
- Alle in der Beschreibung, einschließlich der Ansprüche, der Zusammenfassung und der Zeichnungen, offengelegten Merkmale und alle Schritte in jedem offengelegten Verfahren oder Prozess können in jeder Kombination kombiniert werden, mit Ausnahme von Kombinationen, bei denen sich zumindest einige dieser Merkmale und/oder Schritte gegenseitig ausschließen. Jedes in der Beschreibung, einschließlich der Ansprüche, der Zusammenfassung und der Zeichnungen, offenbarte Merkmal kann durch alternative Merkmale ersetzt werden, die dem gleichen, gleichwertigen oder ähnlichen Zweck dienen, sofern nicht ausdrücklich etwas anderes angegeben ist.
- Obwohl bestimmte Ausführungsformen zum Zwecke der Veranschaulichung dargestellt und beschrieben wurden, können verschiedene Änderungen vorgenommen werden, ohne vom Geist und Umfang der Offenbarung abzuweichen. Dementsprechend sollte die Erfindung nicht eingeschränkt werden, außer wie durch die beigefügten Ansprüche.
- ZITATE ENTHALTEN IN DER BESCHREIBUNG
- Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
- Zitierte Patentliteratur
-
- US 63165698 [0001]
- US 592437 [0019]
Claims (19)
- Ein Verfahren zum Abstimmen optischer Transceiver, das Folgendes umfasst: Anschließen eines Transceivers an eine Test- und Messvorrichtung; Einstellen der Betriebsparameter für den Transceiver auf einen Durchschnittssatz von Parametern; Erfassen einer Wellenform vom Transceiver; Messen der Wellenform, um festzustellen, ob der Transceiver besteht oder durchfällt; Senden der Wellenform und der Betriebsparameter an ein maschinelles Lernsystem, wenn der Transceiver durchfällt; Verwenden des maschinellen Lernsystems um angepasste Betriebsparameter bereitzustellen; Einstellen der Betriebsparameter auf die angepassten Parameter; und Wiederholen des Erfassens, Messens, Sendens, Verwendens und Einstellens, bis der Transceiver besteht.
- Das Verfahren nach
Anspruch 1 , das ferner das Einstellen einer Temperatur für den Transceiver umfasst. - Das Verfahren nach
Anspruch 2 , das ferner die mehrfache Wiederholung des Verfahrens bei jeweils unterschiedlichen Temperaturen umfasst. - Das Verfahren nach einem der
Ansprüche 1 bis3 , wobei das Bereitstellen angepasster Betriebsparameter Folgendes umfasst: Subtrahieren von geschätzten Parametern, die von dem maschinellen Lernsystem bereitgestellt werden, von den Betriebsparametern, um eine Differenz zu ermitteln, und Addieren der Differenz zu den Betriebsparametern, um neue Betriebsparameter zu erhalten. - Das Verfahren nach einem der
Ansprüche 1 bis4 , bei dem ein Testen des Transceivers abgeschlossen wird, wenn der Transceiver den Test besteht. - Das Verfahren nach einem der
Ansprüche 1 bis5 , wobei das Wiederholen des Erfassens und Sendens umfasst: Wiederholen des Erfassens und Sendens, bis eine vorgegebene Anzahl von Malen erreicht ist, ohne dass der Transceiver besteht; und Testen des Transceivers mit einem anderen Verfahren. - Das Verfahren nach einem der
Ansprüche 1 bis6 , wobei die Wellenform als Augendiagramm dargestellt wird, das aus Einzelpegel-Signalübergängen besteht. - Das Verfahren nach einem der
Ansprüche 1 bis7 , wobei das Messen der Wellenform das Messen eines quaternären Wertes für den Senderdispersionsaugenschluss (TDECQ) umfasst. - Eine Test- und Messvorrichtung, umfassend: einen Anschluss, der es der Test- und Messvorrichtung ermöglicht, sich mit einem optischen Transceiver zu verbinden; und einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren zu Folgendem veranlasst: Anfängliches Einstellen der Betriebsparameter für den optischen Transceiver auf Durchschnittsparameter; Erfassen einer Wellenform vom optischen Transceiver; Messen der erfassten Wellenform und Feststellen, ob ein Betrieb des Transceivers besteht oder durchfällt; Senden der Wellenform und der Betriebsparameter an ein maschinelles Lernsystem, um geschätzte Parameter zu erhalten, wenn der Transceiver durchfällt; Anpassen der Betriebsparameter auf der Grundlage der geschätzten Parameter; und Wiederholen des Erfassens, Messens, Sendens und Anpassens bei Bedarf, bis der Transceiver besteht.
- Die Vorrichtung nach
Anspruch 9 , wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, um den einen oder die mehreren Prozessoren zu veranlassen, eine Temperatur für den Transceiver einzustellen. - Die Vorrichtung nach
Anspruch 10 , wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie den einen oder die mehreren Prozessoren veranlassen, die Ausführung des Codes mehrfach zu wiederholen, jeweils für eine unterschiedliche Temperatur. - Die Vorrichtung nach
Anspruch 10 oder11 , wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, die Betriebsparameter anzupassen, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, die geschätzten Parameter von den Betriebsparametern zu subtrahieren, um eine Differenz zu ermitteln, und die Differenz zu den Durchschnittsparametern zu addieren, um neue Betriebsparameter zu erzeugen. - Ein Verfahren zum Trainieren eines maschinellen Lernsystems zur Bestimmung von Betriebsparametern für optische Transceiver, umfassend: Anschließen des Transceivers an eine Test- und Messvorrichtung; Abstimmen des Transceivers mit einem Satz von Parametern; Erfassen einer Wellenform vom Transceiver; Senden der Wellenform und des Satzes von Parametern an ein maschinelles Lernsystem; und Wiederholen des Abstimmens, Erfassens und Sendens, bis eine ausreichende Anzahl von Samples gesammelt wurde.
- Das Verfahren nach
Anspruch 13 , das ferner umfasst: Einstellen einer Temperatur für den Transceiver; Warten, bis sich die Temperatur stabilisiert; und Aufzeichnen der Parameter. - Das Verfahren nach
Anspruch 14 , das ferner ein Hinzufügen des Satzes von Parametern zu einem Histogramm von Parametern für die Temperatur umfasst. - Das Verfahren nach
Anspruch 14 oder15 , das ferner ein Hinzufügen des Satzes von Parametern zu einem Histogramm von Parametern für die Temperatur umfasst. - Das Verfahren nach einem der
Ansprüche 14 bis16 , wobei das Einstellen, Warten und Aufzeichnen wiederholt wird, bis eine ausreichende Anzahl von Samples gesammelt ist. - Das Verfahren nach einem der
Ansprüche 13 bis17 , wobei das Erfassen der Wellenform ferner das Erzeugen eines Augendiagramm-Overlays umfasst, das nur Einzelpegelübergänge enthält. - Das Verfahren nach einem der
Ansprüche 13 bis18 , wobei das Wiederholen nach dem Ändern der Parameter erfolgt, um einen Bereich für jeden Parameter in dem Satz von Parametern sweepen.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163165698P | 2021-03-24 | 2021-03-24 | |
US63/165,698 | 2021-03-24 | ||
US17/701,411 | 2022-03-22 | ||
US17/701,411 US11923896B2 (en) | 2021-03-24 | 2022-03-22 | Optical transceiver tuning using machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022106908A1 true DE102022106908A1 (de) | 2022-09-29 |
Family
ID=83192746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022106908.7A Pending DE102022106908A1 (de) | 2021-03-24 | 2022-03-23 | Abstimmen optischer transceiver durch maschinelles lernen |
Country Status (5)
Country | Link |
---|---|
US (1) | US11923896B2 (de) |
JP (1) | JP2022162978A (de) |
CN (1) | CN115133984A (de) |
DE (1) | DE102022106908A1 (de) |
TW (1) | TW202247618A (de) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220247648A1 (en) * | 2021-02-03 | 2022-08-04 | Tektronix, Inc. | Eye classes separator with overlay, and composite, and dynamic eye-trigger for humans and machine learning |
US11923895B2 (en) * | 2021-03-24 | 2024-03-05 | Tektronix, Inc. | Optical transmitter tuning using machine learning and reference parameters |
US11940889B2 (en) * | 2021-08-12 | 2024-03-26 | Tektronix, Inc. | Combined TDECQ measurement and transmitter tuning using machine learning |
US11907090B2 (en) | 2021-08-12 | 2024-02-20 | Tektronix, Inc. | Machine learning for taps to accelerate TDECQ and other measurements |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US592437A (en) | 1897-10-26 | Peter oberhammer |
Family Cites Families (103)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69120594T2 (de) | 1990-04-26 | 1997-01-09 | Fujitsu Ltd | Wellenformentzerrer mit Neuronalnetzwerk |
US5594655A (en) | 1993-08-20 | 1997-01-14 | Nicolet Instrument Corporation | Method and apparatus for frequency triggering in digital oscilloscopes and the like |
US5397981A (en) | 1994-02-28 | 1995-03-14 | Fluke Corporation | Digital storage oscilloscope with automatic time base |
US6715112B2 (en) | 2000-11-29 | 2004-03-30 | Agilent Technologies, Inc. | Method and apparatus for displaying triggered waveform on an error performance analyzer |
US7181146B1 (en) * | 2001-01-17 | 2007-02-20 | Optical Communication Products, Inc. | Self-adjusting data transmitter |
US7298463B2 (en) * | 2001-04-23 | 2007-11-20 | Circadiant Systems, Inc. | Automated system and method for optical measurement and testing |
US6975642B2 (en) * | 2001-09-17 | 2005-12-13 | Finisar Corporation | Optoelectronic device capable of participating in in-band traffic |
USRE43685E1 (en) * | 2002-01-08 | 2012-09-25 | Tecey Software Development Kg, Llc | Apparatus and method for measurement for dynamic laser signals |
US6892150B2 (en) | 2002-05-24 | 2005-05-10 | Tektronix, Inc. | Combined analog and DSP trigger system for a digital storage oscilloscope |
US6885685B2 (en) * | 2002-06-11 | 2005-04-26 | Sumitomo Electric Industries, Ltd. | Control system for a laser diode and a method for controlling the same |
TW524969B (en) | 2002-07-25 | 2003-03-21 | Faztec Optronics Corp | Rapid testing system for optical transmission module and the testing method |
KR100516662B1 (ko) * | 2003-01-04 | 2005-09-22 | 삼성전자주식회사 | 에스씨엠 아날로그 광전송시 레이저다이오드의 바이어스를최적화하기 위한 광전송 시스템 |
US6836493B2 (en) * | 2003-01-15 | 2004-12-28 | Agilent Technologies, Inc. | Laser initialization in firmware controlled optical transceiver |
US6909731B2 (en) * | 2003-01-23 | 2005-06-21 | Cheng Youn Lu | Statistic parameterized control loop for compensating power and extinction ratio of a laser diode |
US20040236527A1 (en) | 2003-05-21 | 2004-11-25 | Felps Jimmie Doyle | Method and apparatus for synchronous viewing of asynchronous waveforms |
US7467336B2 (en) | 2004-02-02 | 2008-12-16 | Synthesys Research, Inc | Method and apparatus to measure and display data dependent eye diagrams |
US20050222789A1 (en) | 2004-03-31 | 2005-10-06 | West Burnell G | Automatic test system |
US7245828B2 (en) * | 2004-10-29 | 2007-07-17 | Finisar Coporation | Extinction ratio determination using duty cycle modulation |
US20080126001A1 (en) | 2006-09-01 | 2008-05-29 | Murray David W | Equipment testing system and method having scaleable test line limits |
JP2008158391A (ja) * | 2006-12-26 | 2008-07-10 | Nec Corp | 光送信器および光送信制御方法 |
US8526821B2 (en) * | 2006-12-29 | 2013-09-03 | Finisar Corporation | Transceivers for testing networks and adapting to device changes |
US8583395B2 (en) | 2007-07-23 | 2013-11-12 | Finisar Corporation | Self-testing optical transceiver |
US8040391B2 (en) | 2007-08-06 | 2011-10-18 | Panasonic Corporation | White balance adjustment device, image capture device, white balance adjustment method, storage medium, and integrated circuit |
CN101355404B (zh) * | 2008-09-04 | 2011-04-06 | 中兴通讯股份有限公司 | 一种优化调整发射机参数的装置和方法 |
JP5359760B2 (ja) * | 2009-10-09 | 2013-12-04 | 住友電気工業株式会社 | 光トランシーバ |
JP5706910B2 (ja) | 2009-11-12 | 2015-04-22 | ポール リード スミス ギターズ、リミテッド パートナーシップ | デジタル信号処理のための方法、コンピュータ可読ストレージ媒体および信号処理システム |
US20110286506A1 (en) | 2010-01-29 | 2011-11-24 | Lecroy Corporation | User Interface for Signal Integrity Network Analyzer |
US9059803B2 (en) | 2012-09-28 | 2015-06-16 | Intel Corporation | Mechanism for facilitating an optical instrumentation testing system employing multiple testing paths |
US8938164B2 (en) * | 2012-09-28 | 2015-01-20 | Intel Corporation | Optical link auto-setting |
US9709605B2 (en) | 2012-12-12 | 2017-07-18 | Tektronix, Inc. | Scrolling measurement display ticker for test and measurement instruments |
US20140343883A1 (en) | 2013-05-15 | 2014-11-20 | Teledyne Lecroy, Inc. | User Interface for Signal Integrity Network Analyzer |
US8861578B1 (en) | 2013-06-25 | 2014-10-14 | Intel Corporation | Transition time measurement of PAM4 transmitters |
US9264270B2 (en) | 2013-06-27 | 2016-02-16 | Intel Corporation | Transition time measurement of PAM4 transmitters |
US9049075B2 (en) | 2013-08-21 | 2015-06-02 | Avago Technologies General Ip (Singapore) Pte. Ltd. | Adaptive modal PAM2/PAM4 in-phase (I) quadrature (Q) phase detector for a receiver |
US9742689B1 (en) | 2013-12-27 | 2017-08-22 | Inphi Corporation | Channel negotiation for a high speed link |
US9136952B2 (en) | 2014-01-17 | 2015-09-15 | Tektronix, Inc. | Pulse amplitude modulation (PAM) bit error test and measurement |
US9866928B2 (en) | 2014-11-21 | 2018-01-09 | Nec Corporation | Intra-transceiver optical superchannel switching via RF sub-band multiplexing technique |
US20160328501A1 (en) | 2015-05-05 | 2016-11-10 | Fractal Audio Systems | Automatic AMP Matching |
KR102356890B1 (ko) | 2015-06-11 | 2022-01-28 | 삼성전자 주식회사 | 온도 조절 장치 제어 방법 및 장치 |
US9548858B1 (en) | 2016-01-18 | 2017-01-17 | Inphi Corporation | Skew management for PAM communication systems |
US9699009B1 (en) | 2016-06-30 | 2017-07-04 | International Business Machines Corporation | Dual-mode non-return-to-zero (NRZ)/ four-level pulse amplitude modulation (PAM4) receiver with digitally enhanced NRZ sensitivity |
JP6717082B2 (ja) * | 2016-06-30 | 2020-07-01 | 富士通オプティカルコンポーネンツ株式会社 | 光送信モジュールおよび光送信モジュールの制御方法 |
US10585121B2 (en) | 2016-09-12 | 2020-03-10 | Tektronix, Inc. | Recommending measurements based on detected waveform type |
US10956500B2 (en) | 2017-01-19 | 2021-03-23 | Google Llc | Dynamic-length stateful tensor array |
WO2018162048A1 (en) | 2017-03-07 | 2018-09-13 | Advantest Corporation | Test apparatus and method for characterizing a device under test |
CN107342810B (zh) | 2017-07-03 | 2019-11-19 | 北京邮电大学 | 基于卷积神经网络的深度学习智能眼图分析方法 |
US20190038387A1 (en) | 2017-08-07 | 2019-02-07 | Dentsply Sirona Inc. | Integrated porcelain system for a dental prosthesis |
US10749594B1 (en) | 2017-08-18 | 2020-08-18 | DeepSig Inc. | Learning-based space communications systems |
US11032022B1 (en) | 2017-10-11 | 2021-06-08 | Genghiscomm Holdings, LLC | Detection, analysis, and countermeasures for automated and remote-controlled devices |
US10270527B1 (en) * | 2017-11-22 | 2019-04-23 | Mellanox Technologies, Ltd. | Method for testing optical transmitters |
US10236982B1 (en) * | 2017-12-21 | 2019-03-19 | Ciena Corporation | Fiber parameter identification |
US10608672B2 (en) | 2017-12-22 | 2020-03-31 | Massachusetts Institute Of Technology | Decoding concatenated codes by guessing noise |
CN111630936A (zh) | 2017-12-30 | 2020-09-04 | 英特尔公司 | 用于无线通信的方法和设备 |
CN110213678B (zh) * | 2018-02-28 | 2020-09-08 | 上海诺基亚贝尔股份有限公司 | 无源光网络中的通信方法、设备和计算机可读介质 |
US10592141B2 (en) | 2018-03-06 | 2020-03-17 | Western Digital Technologies, Inc. | Error characterization for control of non-volatile memory |
US10396897B1 (en) | 2018-04-17 | 2019-08-27 | General Electric Company | Systems and methods for predicting defects in optical transceiver devices |
US10171161B1 (en) * | 2018-04-23 | 2019-01-01 | Ciena Corporation | Machine learning for link parameter identification in an optical communications system |
US11238346B2 (en) | 2018-04-25 | 2022-02-01 | Qualcomm Incorproated | Learning a truncation rank of singular value decomposed matrices representing weight tensors in neural networks |
JP6560793B1 (ja) | 2018-06-15 | 2019-08-14 | 株式会社フジクラ | 光モジュールの検査システム、検査方法及び製造方法 |
US10903204B2 (en) | 2018-07-24 | 2021-01-26 | Amazing Microelectronic Corp. | Lateral transient voltage suppressor device |
US11335238B2 (en) * | 2018-07-27 | 2022-05-17 | Chongqing Boe Optoelectronics Technology Co., Ltd. | Signal transmission method and apparatus, and display device |
US11468206B2 (en) | 2018-08-20 | 2022-10-11 | Sri International | Machine learning system for building renderings and building information modeling data |
US11181552B2 (en) | 2018-11-28 | 2021-11-23 | Tektronix, Inc. | Categorization of acquired data based on explicit and implicit means |
CN111327367B (zh) * | 2018-12-14 | 2022-01-18 | 上海诺基亚贝尔股份有限公司 | 光网络中的光发射器、方法和存储介质 |
US10852323B2 (en) | 2018-12-28 | 2020-12-01 | Rohde & Schwarz Gmbh & Co. Kg | Measurement apparatus and method for analyzing a waveform of a signal |
US11237190B2 (en) | 2019-01-21 | 2022-02-01 | Tektronix, Inc. | Automatic detection of logical path segments in a measurement population |
US11595289B2 (en) | 2019-03-29 | 2023-02-28 | Barefoot Networks, Inc. | Network testing using a programmable packet engine |
US10863255B2 (en) | 2019-04-17 | 2020-12-08 | Cisco Technology, Inc. | Method and system for optical path restoration |
US10727973B1 (en) * | 2019-04-19 | 2020-07-28 | Fujitsu Limited | Apparatus and method for self-learning and predictive DWDM network |
US10935603B1 (en) | 2019-08-07 | 2021-03-02 | Seagate Technology Llc | Data channel optimization with smart black box algorithms |
US11494608B2 (en) | 2019-08-14 | 2022-11-08 | Intel Corporation | Methods and apparatus to tile walk a tensor for convolution operations |
CN115441944A (zh) * | 2019-08-31 | 2022-12-06 | 华为技术有限公司 | 一种获取发射机测试参数的方法和装置以及存储介质 |
US11005697B2 (en) | 2019-09-03 | 2021-05-11 | Cisco Technology, Inc. | Orthogonal frequency-division multiplexing equalization using deep neural network |
US11133865B2 (en) * | 2019-10-08 | 2021-09-28 | Nec Corporation | Optical network performance evaluation using a hybrid neural network |
WO2021092156A1 (en) | 2019-11-05 | 2021-05-14 | Georgia Tech Research Corporation | Devices, systems, and methods for processing optical components |
KR20210063721A (ko) | 2019-11-25 | 2021-06-02 | 삼성전자주식회사 | 뉴로모픽 장치 및 이를 포함하는 뉴로모픽 시스템 |
US11323184B2 (en) | 2019-11-29 | 2022-05-03 | Maxim Integrated Products, Inc. | Chromatic dispersion equalizer adaption systems and methods |
MX2022009652A (es) | 2020-02-14 | 2022-09-07 | Commscope Technologies Llc | Metodo para medicion del ancho de banda en una fibra optica. |
CN113518271B (zh) | 2020-04-10 | 2024-02-13 | 上海诺基亚贝尔股份有限公司 | 无源光网络中用于信道管理的方法、装置和系统 |
US11336378B2 (en) | 2020-04-17 | 2022-05-17 | Cisco Technology, Inc. | Techniques for applying equalization to signals received over multimode fiber links |
CN115667947A (zh) | 2020-06-11 | 2023-01-31 | 特克特朗尼克公司 | 用于测量和机器学习的多电平信号循环环路图像表示的系统和方法 |
US20220070040A1 (en) | 2020-08-25 | 2022-03-03 | Qualcomm Incorporated | Machine Learning Based Nonlinearity Mitigation Using Peak Reduction Tones |
KR20220032925A (ko) | 2020-09-08 | 2022-03-15 | 삼성전자주식회사 | 펄스 진폭 변조 기반 dq 신호를 생성하는 메모리 장치, 메모리 컨트롤러 및 이들을 포함하는 메모리 시스템 |
KR20220050317A (ko) | 2020-10-16 | 2022-04-25 | 삼성전자주식회사 | 멀티 레벨 시그널링을 이용하는 메모리 장치의 테스트용 신호 생성 방법 및 이를 수행하는 메모리 장치 |
US11177986B1 (en) | 2020-11-24 | 2021-11-16 | Texas Instruments Incorporated | Lane adaptation in high-speed serial links |
KR20220086948A (ko) | 2020-12-17 | 2022-06-24 | 삼성전자주식회사 | 기준 전압 트레이닝을 수행하는 수신기 및 이를 포함하는 메모리 시스템 |
KR20220099251A (ko) | 2021-01-06 | 2022-07-13 | 삼성전자주식회사 | 멀티 레벨 신호 수신을 위한 수신기, 이를 포함하는 메모리 장치 및 이를 이용한 데이터 수신 방법 |
EP3936877B1 (de) | 2021-01-22 | 2022-12-21 | Rohde & Schwarz GmbH & Co. KG | Messinstrument, messsystem und signalverarbeitungsverfahren |
CN114793305A (zh) * | 2021-01-25 | 2022-07-26 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和介质 |
US20220247648A1 (en) | 2021-02-03 | 2022-08-04 | Tektronix, Inc. | Eye classes separator with overlay, and composite, and dynamic eye-trigger for humans and machine learning |
EP4241394A1 (de) | 2021-02-11 | 2023-09-13 | Huawei Technologies Co., Ltd. | Optisches system und verfahren zur konfiguration des optischen systems |
EP4057016A1 (de) | 2021-03-11 | 2022-09-14 | Tridonic GmbH & Co. KG | Verfahren zur vorhersage der restlebensdauer einer elektrischen komponente einer elektrischen schaltung |
US11923895B2 (en) | 2021-03-24 | 2024-03-05 | Tektronix, Inc. | Optical transmitter tuning using machine learning and reference parameters |
US11388081B1 (en) | 2021-03-30 | 2022-07-12 | Keysight Technologies, Inc. | Methods, systems, and computer readable media for impairment testing using an impairment device |
US20220334180A1 (en) | 2021-04-20 | 2022-10-20 | Tektronix, Inc. | Real-equivalent-time flash array digitizer oscilloscope architecture |
JP2022174467A (ja) | 2021-05-11 | 2022-11-24 | 日本電気株式会社 | 通信システム、受信機、等化信号処理回路、方法、及びプログラム |
US20220373597A1 (en) | 2021-05-18 | 2022-11-24 | Tektronix, Inc. | Bit error ratio estimation using machine learning |
US20220373598A1 (en) | 2021-05-21 | 2022-11-24 | Tektronix, Inc. | Short pattern waveform database based machine learning for measurement |
US20220390515A1 (en) | 2021-06-04 | 2022-12-08 | Tektronix, Inc. | General digital signal processing waveform machine learning control application |
US11907090B2 (en) | 2021-08-12 | 2024-02-20 | Tektronix, Inc. | Machine learning for taps to accelerate TDECQ and other measurements |
US11695601B2 (en) | 2021-08-13 | 2023-07-04 | Nvidia Corporation | On-chip virtual oscilloscope using high-speed receiver sampler readback |
US20230098379A1 (en) | 2021-09-29 | 2023-03-30 | Tektronix, Inc. | System and method for developing machine learning models for testing and measurement |
US20220200712A1 (en) | 2021-10-14 | 2022-06-23 | Intel Corporation | Link monitoring and indication of potential link failure |
-
2022
- 2022-03-22 US US17/701,411 patent/US11923896B2/en active Active
- 2022-03-23 DE DE102022106908.7A patent/DE102022106908A1/de active Pending
- 2022-03-23 TW TW111110866A patent/TW202247618A/zh unknown
- 2022-03-24 CN CN202210295444.7A patent/CN115133984A/zh active Pending
- 2022-03-24 JP JP2022048778A patent/JP2022162978A/ja active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US592437A (en) | 1897-10-26 | Peter oberhammer |
Also Published As
Publication number | Publication date |
---|---|
US11923896B2 (en) | 2024-03-05 |
JP2022162978A (ja) | 2022-10-25 |
CN115133984A (zh) | 2022-09-30 |
TW202247618A (zh) | 2022-12-01 |
US20220311514A1 (en) | 2022-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102022106908A1 (de) | Abstimmen optischer transceiver durch maschinelles lernen | |
DE102022106892A1 (de) | Optische senderabstimmung durch maschinelles lernen und referenzparameter | |
DE102022114207A1 (de) | Steuerung der Anwendung einer allgemeinen digitale Signalverarbeitung für eine Wellenform durch maschinelles Lernen | |
DE102022112412A1 (de) | Schätzung der bitfehlerrate durch maschinelles lernen | |
DE102022119966A1 (de) | Maschinelles lernen für abgriffe zur beschleunigung von tdecq und anderen messungen | |
DE102022112643A1 (de) | Kurzmuster-wellenformdatenbank-basiertes maschinelles lernen für messungen | |
DE102023100643A1 (de) | Modelltraining für maschinelles lernen mit entrauschten daten und modellvorhersage mit rauschkorrektur | |
DE112021003212T5 (de) | System und Verfahren zur Trennung und Klassifizierung von Signalen mittels zyklischer Schleifenbilder | |
DE112020004464T5 (de) | Simulationskorrektur durch messungen und deep learning priorität | |
DE112019005914T5 (de) | Kategorisierung gewonnener daten basierend auf expliziten und impliziten mitteln | |
DE102022119975A1 (de) | Kombinierte tdecq-messung und senderabstimmung mit hilfe von maschinellem lernen | |
DE112022000932T5 (de) | Augen-klassen-separator mit überlapp, zusammgesetzte und dynamisiche augen-trigger für menschen und maschinelles lernen | |
DE102021130630A1 (de) | Testen von software-anwendungskomponenten | |
DE102015220078A1 (de) | Verfahren zu einer Magnetresonanz-Fingerprinting Untersuchung eines Untersuchungsobjekts | |
DE102013114558B4 (de) | Ausschneiden-bei-der Diagnose (CID) - Ein Verfahren zur Verbesserung des Durchsatzes des Vorgangs für Anhebung der Ausbeute | |
DE2121330A1 (de) | Verfahren und Schaltungsanordnung zum Prüfen elektronischer digital arbeitender Geräte und ihre Bauteile | |
DE102006044929B4 (de) | Vorrichtung zum Bestimmen von Informationen zur zeitlichen Ausrichtung zweier Informationssignale | |
DE112021003677T5 (de) | Automatisierte unterstützte schaltkreisvalidierung | |
DE102019206526A1 (de) | Testen von Phasenrauschen im Ausgangssignal einer zu testenden Vorrichtung unter Verwendung von Signalen mit transformierbarer Frequenz | |
DE102023107476A1 (de) | Ultraschall-defekterkennung und klassifikationssystem unter verwendung von maschinellem lernen | |
DE60310886T2 (de) | Polynomiale Anpassung für Zittertrennung | |
DE102021204550A1 (de) | Verfahren zum Erzeugen wenigstens eines Datensatzes zum Trainieren eines Algorithmus maschinellen Lernens | |
DE102023119229A1 (de) | Laufzeit-datenerfassung und -überwachung in maschinellen lernsystemen | |
DE102023115562A1 (de) | Rauschtrennung zur erhöhung der vorhersagegenauigkeit von maschinellem lernen in einem test- und messsystem | |
DE102022134601A1 (de) | Systeme und verfahren für das training und die bereitstellung von modellen für maschinelles lernen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed |