DE102022119966A1

DE102022119966A1 - Maschinelles lernen für abgriffe zur beschleunigung von tdecq und anderen messungen

Info

Publication number: DE102022119966A1
Application number: DE102022119966.5A
Authority: DE
Inventors: Kan Tan; John J. Pickerd
Original assignee: Tektronix Inc
Current assignee: Tektronix Inc
Priority date: 2021-08-12
Filing date: 2022-08-09
Publication date: 2023-02-16
Also published as: JP2023026403A; CN115706687A; US11907090B2; TW202316135A; US20230050162A1

Abstract

Ein Test- und Messinstrument hat einen Eingang, der so ausgebildet ist, dass er ein Signal von einer zu testenden Vorrichtung empfängt, einen Speicher, eine Benutzerschnittstelle, die es dem Benutzer ermöglicht, Einstellungen für das Test- und Messinstrument einzugeben, und einen oder mehrere Prozessoren, wobei der eine oder die mehreren Prozessoren so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, Folgendes zu tun: Erfassen einer Wellenform, die das von der zu testenden Vorrichtung empfangene Signal repräsentiert; Erzeugen eines oder mehrerer Tensor-Arrays auf der Grundlage der Wellenform; Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen; und Anwenden von Entzerrung auf die Wellenform unter Verwendung der Entzerrer-Abgriffswerte, um eine entzerrte Wellenform zu erzeugen; und Durchführen einer Messung an der entzerrten Wellenform, um einen Wert zu erzeugen, der sich auf eine Leistungsanforderung für die zu testende Vorrichtung bezieht. Ein Verfahren zum Testen einer zu testenden Vorrichtung umfasst das Erfassen einer Wellenform, die ein von der zu testenden Vorrichtung empfangenes Signal darstellt, das Erzeugen eines oder mehrerer Tensor-Arrays auf der Grundlage der Wellenform, das Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen, das Anwenden der Entzerrer-Abgriffswerte auf die Wellenform, um eine entzerrte Wellenform zu erzeugen, das Durchführen einer Messung an der entzerrten Wellenform, um einen Wert zu erzeugen, der mit einer Leistungsanforderung für die zu testende Vorrichtung in Beziehung steht.

Description

QUERVERWEIS AUF VERWANDTE ANMELDUNGEN
Diese Offenbarung beansprucht die Vorteile der vorläufigen US-Anmeldung Nr. 63/232,580 mit dem Titel „MACHINE LEARNING FOR TAPS TO ACCELERATE TDECQ AND OTHER MEASUREMENTS“, die am 12. August 2021 eingereicht wurde und deren Offenbarung hier durch Bezugnahme in vollem Umfang enthalten ist.
GEBIET DER TECHNIK
Die vorliegende Offenbarung bezieht sich auf Test- und Messsysteme, insbesondere auf Systeme zur Optimierung von Bauteilparametern und Leistungsmessungen.
HINTERGRUND
Wenn die Signalgeschwindigkeit steigt, verwenden Sender und Empfänger in der Regel Entzerrer, um die Systemleistung zu verbessern. Die IEEE 100G/400G-Ethernet-Normen definieren beispielsweise die Messung mit einem 5-Tap-Feed-Forward-Equalizer (FFE). Siehe z. B. „IEEE 802.3cd-2018“.http://standards.ieee.org/develop/project/802.3cd.html, 2018; „IEEE 802.3bs-2017“, http://standards.ieee.org/findstds/standard/802.3bs-2017.html 2017.
Viele Normen enthalten Leistungsmessungen, die die zu testenden Vorrichtungen erfüllen müssen. Einige Normen verlangen, dass die Messungen zur Erfüllung der Norm an den entzerrten Signalen durchgeführt werden. Die IEEE 802.3-Normen für 100G/400G spezifizieren zum Beispiel die Messung von Transmitter und Dispersion Eye Closure (TDECQ) als Hauptkriterium für das Bestehen/Nichtbestehen der optischen 26-GBaud- und 53-GBaud-PAM4-Signalübertragung. Siehe id. Die TDECQ-Messung umfasst einen FFE mit 5 Abgriffen. Die Optimierung der FFE-Abgriffe verbessert die Geräteleistung und erhöht die Wahrscheinlichkeit, dass das Gerät die Anforderungen der Standardspezifikation erfüllt.
Die Beschleunigung dieses Prozesses spart Zeit und senkt die Kosten. In manchen Produktionslinien, in denen die zu testenden Vorrichtungen (DUTs) in die Zehntausende gehen, kann es Sekunden dauern, bis ein Test abgeschlossen ist. Eine Verkürzung dieser Zeit auf eine Sekunde oder weniger würde die Produktion steigern und die Kosten senken.
Figurenliste

1 zeigt ein Test- und Messinstrument in einer Ausführungsform.
2 zeigt eine Illustration einer quaternären Sender- und Dispersionsaugenschlussmessung (TDECQ).
3 zeigt ein Beispiel für ein Verfahren zur Optimierung von FFE-Abgriffen für eine Leistungsmessung.
4 zeigt Beispiele von Augendiagrammen vor und nach FFE.
5 zeigt eine grafische Darstellung von Ausgangs-FFE-Abgriffen.
6 zeigt eine Ausführungsform eines Verfahrens zur Erzeugung von Tensoren aus einer Wellenform.
7 zeigt eine Ausführungsform eines Verfahrens zum Trainieren eines maschinellen Lernnetzes zur Durchführung einer FFE-Abgriffs-Optimierung.
8 zeigt eine Ausführungsform eines Verfahrens zur Verwendung von maschinellem Lernen, um optimierte FFE-Abgriffe für eine komplexe Messung bereitzustellen.

BESCHREIBUNG
Mit Techniken des maschinellen Lernens kann die Geschwindigkeit komplexer Messungen, wie z. B. Transmitter and Dispersion Eye Closure Quaternary (TDECQ)-Messungen, erheblich verbessert werden. Die Verbesserung der Messgeschwindigkeit führt zu einer Steigerung des Produktionsdurchsatzes, zum Beispiel in einer Fertigungsstraße. Für die Prüfung von Hochgeschwindigkeitssignalen wurde das Augendiagramm des Signals durch maschinelles Lernen verwendet, um Messergebnisse zu erhalten. Die vollständige oder partielle Wellenform des Musters wird ebenfalls für maschinelles Lernen zur Messung verwendet. U. S. Pat. App. Nr. 17/747,954, „SHORT PATTERN WAVEFORM DATABASE BASED MACHINE LEARNING FOR MEASUREMENT“, eingereicht am 18. Mai 2022 (hier als „Kan“ bezeichnet), dessen Inhalt hiermit durch Bezugnahme aufgenommen wird, beschreibt eine alternative Technik zur Verwendung einer Kurzmuster-Wellenform-Datenbank für maschinelles Lernen zum Messen. Basierend auf der in Kan beschriebenen Methode beschreiben die vorliegenden Ausführungsformen eine neue Methode, welche das maschinelle Lernen nutzt, um die zeitaufwändigsten Schritte bei Messungen zu beschleunigen und die Gesamtmesszeit zu reduzieren.
Es sei darauf hingewiesen, dass sich die nachstehende Erörterung aus Gründen des besseren Verständnisses auf Feed-Forward-Entzerrer (FFE; Feed Forward Equalizer) mit 5 Abgriffen konzentriert, die hier beschriebenen Techniken jedoch für die Optimierung einer beliebigen Anzahl von Entzerrer- oder Filteranzapfungen für jede Art von Entzerrer gelten. Auch wenn die im Folgenden verwendete Leistungsmessung die TDECQ-Messung umfasst, kann jede Leistungsmessung, die an entzerrten Wellenformen vorgenommen wird, von der Anwendung der hier beschriebenen Ausführungsformen profitieren. Der hier verwendete Begriff „entzerrte Wellenform“ bedeutet eine Wellenform nach Anwendung eines Entzerrers.
Die hier beschriebenen Ausführungsformen umfassen ein Test- und Messinstrument, wie z. B. ein Oszilloskop, das zum Testen einer zu testenden Vorrichtung (DUT) verwendet wird. Ein Beispiel, das im Folgenden erörtert wird, betrifft ein Verfahren zum Testen von DUTs, die optische Sende- und Empfangsgeräte oder Sender umfassen, wobei die Ausführungsformen für jedes DUT-Signal gelten können.
1 zeigt eine Ausführungsform eines Testaufbaus im Falle eines optischen Senders 14 als DUT. Der Testaufbau umfasst ein Test- und Messsystem, das ein Test- und Messinstrument wie z. B. ein Oszilloskop 10 enthalten kann. Das Test- und Messinstrument 10 empfängt an einem Eingang ein Signal vom DUT 14, typischerweise über eine Instrumentensonde 16. Im Falle eines optischen Senders besteht die Sonde in der Regel aus einer Testfaser, die mit einem optisch-elektrischen Wandler 18 verbunden ist, der ein Signal an das Test- und Messinstrument liefert. Das Signal wird von dem Instrument abgetastet und digitalisiert, um eine erfasste Wellenform zu erhalten. Eine Taktrückgewinnungseinheit (CRU) 20 kann das Taktsignal aus dem Datensignal zurückgewinnen, wenn das Test- und Messinstrument 10 zum Beispiel ein Abtastoszilloskop umfasst. Das Test- und Messinstrument verfügt über einen oder mehrere Prozessoren, die durch den Prozessor 12 dargestellt werden, einen Speicher 22 und eine Benutzerschnittstelle (U/l) 26. Im Speicher können ausführbare Befehle in Form von Code gespeichert werden, die bei Ausführung durch den Prozessor den Prozessor veranlassen, Aufgaben auszuführen. Der Speicher kann auch eine oder mehrere erfasste Wellenformen speichern. Die Benutzerschnittstelle 26 des Test- und Messinstruments ermöglicht es dem Benutzer, mit dem Gerät 10 zu interagieren, z. B. um Einstellungen einzugeben, Tests zu konfigurieren usw. Das Test- und Messinstrument kann auch einen Referenz-Entzerrer und ein Analysemodul 24 enthalten.
In den vorliegenden Ausführungsformen wird maschinelles Lernen in Form eines maschinellen Lernnetzwerks 30, beispielsweise eines Deep-Learning-Netzwerks, eingesetzt. Das maschinelle Lernnetzwerk kann einen Prozessor umfassen, der mit dem maschinellen Lernnetzwerk entweder als Teil des Test- und Messinstruments programmiert wurde oder auf den das Test- und Messinstrument Zugriff hat. Da sich die Fähigkeiten von Prüfgeräten und Prozessoren weiterentwickeln, kann der Prozessor 12 beides umfassen.
Wie bereits erwähnt, umfasst das komplexe Messbeispiel, bei dem ein Entzerrer zum Einsatz kommt, die TDECQ-Messung unter Verwendung eines FFE mit fünf Abgriffen. 2 zeigt eine Illustration einer TDECQ-Messung. Dieses Diagramm ergibt sich aus einem Feed-Forward-Entzerrer (FFE) mit fünf Anzapfungen und einem Abstand der Anzapfungen von einem Einheitsintervall (1UI), der so optimiert ist, dass der TDECQ-Wert minimiert wird.
Der TDECQ-Wert wird nach der folgenden Formel berechnet: $T D E C Q = 10 l o g_{10} (\frac{O M A_{o u t e r}}{6 \times Q_{r} \times \sqrt{σ_{G}^{2} + σ_{S}^{2}}})$
wobei OMA_outer auf die Leistung des optischen Signals bezogen ist. Q_r ein konstanter Wert ist. $σ_{G}^{2}$
ist die Standardabweichung eines gewichteten Gauß'schen Rauschens, das zu dem in 2 dargestellten Augendiagramm hinzugefügt werden kann und immer noch das größere Symbolfehlerverhältnis an den beiden vertikalen Slicern mit einem Abstand von 0,1U! von 4,8e-4 ergibt. Der Wert von σ_S ist das „Scope“- oder Instrumentenrauschen, das aufgezeichnet wird, wenn kein Signal in das O/E-Modul eingespeist wird.
Eine einzelne TDECQ-Messung für das Compliance-Muster SSPRQ (short stress pattern random quaternary) dauert mit herkömmlichen Methoden nur Sekunden. Der zeitaufwändigste Schritt bei der Messung ist die Anpassung der FFE-Abgriffe. In der IEEE-Spezifikation ist das Verfahren zur Berechnung des TDECQ-Wertes mit den FFE-Abgriffen ausdrücklich festgelegt. 3 zeigt ein Blockdiagramm dieses Prozesses.
Das Test- und Messinstrument mit einem oder mehreren Prozessoren empfängt die Wellenform 40 und optimiert die FFE-Abgriffswerte bei 42, um optimierte FFE-Abgriffe 44 zu erzeugen. Dieser Prozess kann eine von vielen verschiedenen Methoden zur Bestimmung der optimierten Abgriffe verwenden. Die sich daraus ergebenden Abgriffe verbessern das Augendiagramm, wie in 4 dargestellt. 4 zeigt das Augendiagramm vor dem FFE auf der linken Seite und nach dem FFE auf der rechten Seite. Das Augendiagramm nach FFE weist eine größere Augenöffnung auf. 5 zeigt eine grafische Darstellung der FFE-Abgriffe.
Zurück zu 3: Der Messprozess 46 wendet die optimierten Abgriffe auf die Wellenform an und führt die Messung bei 46 auf eine von vielen herkömmlichen Arten durch. Wie bereits erwähnt, kann die Messung auf der Grundlage einer Leistungsanforderung erfolgen, z. B. eines Bereichs oder eines bestimmten Werts für die Messung wie dem TDECQ-Wert. Der Messwert bestimmt, ob das DUT die Leistungsanforderung erfüllt oder nicht.
Die TDECQ-Gesamtmessung des Konformitätsmusters SSPRQ (short stress pattern random quaternary) kann für jedes DUT einige Sekunden in Anspruch nehmen. Im Falle einer Fertigungslinie, die Zehntausende von optischen Transceivern als DUTs testet, hat eine Reduzierung dieser Zeit einen massiven Einfluss auf die Produktionsgeschwindigkeit. Wie bereits erwähnt, nimmt die Optimierung der Abgriffe für eine bestimmte Wellenform die meiste Zeit der gesamten Messung in Anspruch. Eine Verkürzung der Optimierungszeit wird daher die Produktion beschleunigen und die Kosten senken.
Die hier vorgestellten Ausführungsformen verwenden das maschinelle Lernnetzwerk, um die FFE-Abgriffe für die Wellenform zu bestimmen und die Zeit auf weniger als eine Sekunde pro DUT zu reduzieren. Ein Aspekt dieses Ansatzes verwendet den Tensor-Generator für Kurzwellenform-Datenbanken, der in „Kan“ (siehe oben) beschrieben wird. 6 zeigt eine Ausführungsform dieses Verfahrens. Die vom DUT empfangene Wellenform 40 wird vom Generator 50 in eine Array von Tensorbildern umgewandelt, die auch als Tensor-Array bezeichnet werden. Er erzeugt ein Array von 2D-Histogrammbildern, die kurze Längen oder Teile des Wellenformmusters abdecken. Jedes Element des Tensor-Arrays ist ein anderes Bild, das eine Überlagerung mehrerer Instanzen eines bestimmten kurzen Musters in der Wellenform 40 enthält. Das Muster ist für jeden Tensor im Array unterschiedlich. Zum Beispiel kann ein Element des Tensor-Arrays ein überlagertes Bild aller Instanzen des kurzen 3-Symbol-Längen-Musters der Symbole 0, 1, 0 in der Wellenform 40 sein, ein anderes Element des Tensor-Arrays kann ein überlagertes Bild aller Instanzen des kurzen 3-Symbol-Längen-Musters der Symbole 0, 2, 0 in der Wellenform 40 sein, und so weiter. 6 zeigt auch ein Beispiel für ein resultierendes Tensor-Array 52.
Das Verfahren liefert optimierte FFE-Abgriffe für jede Muster-Wellen-Form, wie in 7 dargestellt. Die optimierten FFE-Abgriffe werden den Eingangstensoren zugeordnet, da sie von denselben Muster-Wellen-Formen stammen. Die Eingangstensoren und die entsprechenden FFE-Abgriffe als Labels werden zu Trainingsdaten, die in das maschinelle Lernnetzwerk 56 eingespeist werden. Die eingehende Wellenform 40 wird bei 42 einer FFE-Abgriffs-Optimierung unterzogen, wobei eine beliebige bestehende Methode verwendet wird, um Trainings-FFE-Abgriffe 44 für diese Wellenform zu erzeugen. Der Tensor-Generator 50 für die Kurzmuster-Wellenformdatenbank erzeugt ein Trainings-Tensor-Array 52. Diese werden dann an das maschinelle Lernnetzwerk 56 gesendet, um das Netzwerk zu trainieren, optimierte Filter-Abgriffswerte auf der Grundlage einer Tensor-Array-Eingabe zu erzeugen.
Sobald das maschinelle Lernnetzwerk trainiert wurde, kann es viel schneller als herkömmliche Methoden optimierte Filter-Abgriffswerte erzeugen. 8 zeigt eine Ausführungsform eines Laufzeitprozesses. Die Wellenform 40 wird im Generator 50 einer Tensor-Array-Erzeugung unterzogen. Das trainierte maschinelle Lernnetzwerk 56 empfängt das Tensor-Array 52 und verwendet es, um die vorhergesagten optimierten Abgriffe bei 58 zu erzeugen. Diese Abgriffe unterscheiden sich von den vorhergehenden FFE-Abgriffen, die während des Trainings verwendet wurden (siehe oben), da sie vom maschinellen Lernsystem und nicht von herkömmlichen Methoden stammen. Die FFE-Abgriffe werden dann auf die Wellenform angewendet und die TDECQ-Messung wird vom Messmodul 46 durchgeführt.
Die Verwendung von maschinellem Lernen zur Beschleunigung von FFE, DFE und anderen Entzerrer-Anpassungen wurde kürzlich erforscht. Bei den hier vorgestellten Ausführungsformen werden verschiedene Eingaben verwendet, und die Ergebnisse des maschinellen Lernens werden dann zur Ermittlung der Messergebnisse genutzt. Das in 8 gezeigte Beispiel bezieht sich auf die TDECQ-Messung, aber derselbe Ansatz kann auch auf andere Messungen angewendet werden, wie oben beschrieben.
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 Anweisungen, wie in einem oder mehreren Programmmodulen, verkörpert sein, 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 Programm-Module 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 sein. 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 zum Speichern 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.
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.
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 Test- und Messinstrument, das Folgendes umfasst: einen Eingang, der so ausgebildet ist, dass er ein Signal von einer zu testenden Vorrichtung empfängt; einen Speicher; eine Benutzerschnittstelle, die es dem Benutzer ermöglicht, Einstellungen für das Test- und Messinstrument einzugeben; und einen oder mehrere Prozessoren, wobei der eine oder die mehreren Prozessoren so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren dazu veranlasst, Folgendes zu tun: Erfassen einer Wellenform, die das von der zu testenden Vorrichtung empfangene Signal repräsentiert; Erzeugen eines oder mehrerer Tensor-Arrays auf der Grundlage der Wellenform; Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen; und Anwenden von Entzerrung auf die Wellenform unter Verwendung der Entzerrer-Abgriffswerte, um eine entzerrte Wellenform zu erzeugen; und Durchführen einer Messung an der entzerrten Wellenform, um einen Wert zu erzeugen, der sich auf eine Leistungsanforderung für die zu testende Vorrichtung bezieht.
Beispiel 2 ist das Test- und Messinstrument aus Beispiel 1, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, um zu bestimmen, ob der Wert anzeigt, dass die zu testende Vorrichtung die Leistungsanforderung erfüllt.
Beispiel 3 ist das Test- und Messinstrument aus einem der Beispiele 1 oder 2, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen anzuwenden, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, die Tensor-Arrays an ein maschinelles Lernnetzwerk auf einem vom Test- und Messinstrument getrennten Gerät zu senden.
Beispiel 4 ist das Test- und Messinstrument aus einem der Beispiele 1 bis 3, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen auf das eine oder die mehreren Tensor-Arrays anzuwenden, um Entzerrer-Abgriffswerte zu erzeugen, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, FFE-Abgriffswerte für einen Feed Forward Entzerrer (FFE; Feed Forward Equalizer) zu erzeugen.
Beispiel 5 ist das Test- und Messinstrument eines der Beispiele 1 bis 4, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, eine Messung an der entzerrten Wellenform durchzuführen, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, eine Sender- und Dispersionsaugenverschluss-Quaternär-Messung (TDECQ-Messung) an der entzerrten Wellenform durchzuführen, um den Wert zu erzeugen.
Beispiel 6 ist das Test- und Messinstrument eines der Beispiele 1 bis 5, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, ein maschinelles Lernnetzwerk zu trainieren, wobei der Code den einen oder die mehreren Prozessoren veranlasst: eine Trainings-Wellenform zu empfangen; die Trainings-Wellenform zu verwenden, um Trainings-Entzerrer-Abgriffswerte zu erzeugen; ein oder mehrere Trainings-Tensor-Arrays aus der Trainings-Wellenform zu erzeugen; und das eine oder die mehreren Trainings-Tensor-Arrays und die Trainings-Entzerrer-Abgriffswerte dem maschinellen Lernnetzwerk als einen Trainings-Datensatz bereitzustellen.
Beispiel 7 ist das Test- und Messinstrument von Beispiel 6, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, Trainings-Entzerrer-Abgriffswerte zu erzeugen, einen Code zur Erzeugung von Trainings-Entzerrer-Abgriffswerten für einen Feed-Forward-Entzerrer umfasst.
Beispiel 8 ist das Test- und Messinstrument nach einem der Beispiele 1 bis 7, das außerdem eine Sonde umfasst, wobei die zu testende Vorrichtung über die Sonde mit dem Eingang gekoppelt ist.
Beispiel 9 ist das Test- und Messinstrument aus Beispiel 8, wobei die Sonde eine optische Faser umfasst.
Beispiel 10 ist das Test- und Messinstrument nach einem der Beispiele 1 bis 9, wobei die Sonde einen optisch-elektrischen Wandler umfasst.
Beispiel 11 ist das Test- und Messinstrument der Beispiele 8 bis 10, wobei die Sonde so ausgebildet ist, dass sie mit einem Gerät verbunden werden kann, das nach dem IEEE-Standard 802.3 arbeitet.
Beispiel 12 ist ein Verfahren zum Testen einer zu testenden Vorrichtung, die Folgendes umfasst: Erfassen einer Wellenform, die ein von der zu testenden Vorrichtung empfangenes Signal darstellt; Erzeugen eines oder mehrerer Tensor-Arrays auf der Grundlage der Wellenform; Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen; Anwenden der Entzerrer-Abgriffswerte auf die Wellenform, um eine entzerrte Wellenform zu erzeugen; und Durchführen einer Messung an der entzerrten Wellenform, um einen Wert zu erzeugen, der sich auf eine Leistungsanforderung für die zu testende Vorrichtung bezieht.
Beispiel 13 ist das Verfahren von Beispiel 12, das ferner die Bestimmung umfasst, ob der Wert anzeigt, dass die zu testende Vorrichtung die Leistungsanforderung erfüllt.
Beispiel 14 ist das Verfahren der Beispiele 12 und 13, wobei das Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays zum Erzeugen von Entzerrer-Abgriffswerten das Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays zum Erzeugen von Feed-Forward-Entzerrer-Abgriffswerten umfasst.
Beispiel 15 ist das Verfahren von Beispiel 14, wobei die FFE-Anzapfwerte für einen Feed Forward Entzerrer mit 5 Anzapfungen gelten.
Beispiel 16 ist das Verfahren nach einem der Beispiele 12 bis 15, wobei die Durchführung einer Messung an der entzerrten Wellenform das Messen des Senders und des quaternären Dispersionsaugenschlusses (TDECQ) der entzerrten Wellenform umfasst.
Beispiel 17 ist das Verfahren nach einem der Beispiele 12 bis 16, das ferner das Trainieren eines maschinellen Lernnetzes umfasst, wobei das Training Folgendes umfasst: Empfangen einer Trainings-Wellenform; Verwenden der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten; und Erzeugen eines oder mehrerer Trainings-Tensor-Arrays aus der Trainings-Wellenform; und Bereitstellen des einen oder der mehreren Trainings-Tensor-Arrays und der Trainings-Entzerrer-Abgriffswerte für das maschinelle Lernnetz als Trainings-Datensatz.
Beispiel 18 ist das Verfahren von Beispiel 17, wobei die Verwendung der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten die Verwendung der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten für einen Feed Forward Entzerrer umfasst.
Beispiel 19 ist das Verfahren nach einem der Beispiele 12 bis 18, wobei die Erfassung der Wellenform, die das von der zu testenden Vorrichtung empfangene Signal darstellt, den Empfang eines optischen Signals durch eine Testfaser umfasst, wobei das optische Signal durch den Betrieb der zu testenden Vorrichtung erzeugt wird.
Beispiel 20 ist das Verfahren aus Beispiel 19, das außerdem die Umwandlung des optischen Signals in ein elektrisches Signal umfasst.
Obwohl bestimmte Aspekte der Offenbarung zum Zwecke der Veranschaulichung dargestellt und beschrieben wurden, können verschiedene Änderungen vorgenommen werden, ohne von Geist und Umfang der Offenbarung abzuweichen. Dementsprechend sollte die Offenbarung nicht eingeschränkt werden, außer 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 63232580 [0001]

Claims

Ein Test- und Messinstrument, umfasst: einen Eingang, der so ausgebildet ist, dass er ein Signal von einer zu testenden Vorrichtung empfängt; einen Speicher; eine Benutzerschnittstelle, die es dem Benutzer ermöglicht, Einstellungen für das Test- und Messinstrument einzugeben; und einen oder mehrere Prozessoren, wobei der eine oder die mehreren Prozessoren so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren zu Folgendem veranlasst: Erfassen einer Wellenform, die das von der zu testenden Vorrichtung empfangene Signal darstellt; Erzeugen einer oder mehrerer Tensor-Arrays auf der Grundlage der Wellenform; Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen; und Anwenden einer Entzerrung auf die Wellenform unter Verwendung der Entzerrer-Abgriffswerte, um eine entzerrte Wellenform zu erzeugen; und Durchführen einer Messung an der entzerrten Wellenform, um einen Wert in Bezug auf eine Leistungsanforderung für die zu testende Vorrichtung zu erhalten.
Das Test- und Messinstrument nach Anspruch 1, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, um zu bestimmen, ob der Wert anzeigt, dass die zu testende Vorrichtung die Leistungsanforderung erfüllt.
Das Test- und Messinstrument nach Anspruch 1 oder 2, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen anzuwenden, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, die Tensor-Arrays an ein maschinelles Lernnetzwerk auf einer von dem Test- und Messinstrument getrennten Vorrichtung zu senden.
Das Test- und Messinstrument nach einem der Ansprüche 1 bis 3, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen auf das eine oder die mehreren Tensor-Arrays anzuwenden, um Entzerrer-Abgriffswerte zu erzeugen, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, FFE-Abgriffswerte für einen Feed Forward Entzerrer (FFE) zu erzeugen.
Das Test- und Messinstrument nach einem der Ansprüche 1 bis 4, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, eine Messung an der entzerrten Wellenform durchzuführen, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, eine quaternäre Sender- und Dispersionsaugenschlussmessung (TDECQ; transmitter and dispersion eye closure quaternary) an der entzerrten Wellenform durchzuführen, um den Wert zu erzeugen.
Das Test- und Messinstrument nach einem der Ansprüche 1 bis 5, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, ein maschinelles Lernnetzwerk zu trainieren, wobei der Code den einen oder die mehreren Prozessoren zu Folgendem veranlasst: Erhalten einer Trainings-Wellenform; Verwenden der Trainings-Wellenform, um Trainings-Entzerrer-Abgriffswerte für zu erzeugen; Erzeugen eines oder mehrerer Trainings-Tensor-Arrays aus der Trainings-Wellenform; und Zur Verfügung stellen des/r einen oder mehreren Trainings-Tensor-Arrays und der Trainings-Entzerrer-Abgriffswerte an das maschinelle Lernnetzwerk als Trainings-Datensatz.
Das Test- und Messinstrument nach Anspruch 6, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, Trainings-Entzerrer-Abgriffswerte zu erzeugen, einen Code umfasst, der Trainings-Entzerrer-Abgriffswerte für einen Feed Forward Entzerrer erzeugt.
Das Test- und Messinstrument nach einem der Ansprüche 1 bis 7, das ferner eine Sonde umfasst, wobei die zu testende Vorrichtung über die Sonde mit dem Eingang gekoppelt ist.
Das Test- und Messinstrument nach Anspruch 8, wobei die Sonde eine optische Faser umfasst.
Das Test- und Messinstrument nach Anspruch 8 oder 9, wobei die Sonde einen optisch-elektrischen Wandler umfasst.
Das Test- und Messinstrument nach einem der Ansprüche 8 bis 10, wobei die Sonde so ausgebildet ist, dass sie an eine zu testende Vorrichtung angeschlossen werden kann, die nach dem IEEE-Standard 802.3 arbeitet.
Ein Verfahren zum Testen einer zu testenden Vorrichtung, umfassend: Erfassen einer Wellenform, die ein von der zu testenden Vorrichtung empfangenes Signal darstellt; Erzeugen eines oder mehrerer Tensor-Arrays auf der Grundlage der Wellenform; Anwenden von maschinellem Lernen auf ein oder mehrere Tensor-Arrays, um Entzerrer-Abgriffs-Werte zu erzeugen; Anwenden der Entzerrer-Abgriffswerte auf die Wellenform, um eine entzerrte Wellenform zu erzeugen; und Durchführen einer Messung an der entzerrten Wellenform, um einen Wert in Bezug auf eine Leistungsanforderung für die zu testende Vorrichtung zu erzeugen.
Das Verfahren nach Anspruch 12, das ferner ein Bestimmen umfasst, ob der Wert anzeigt, dass die zu testende Vorrichtung die Leistungsanforderung erfüllt.
Das Verfahren nach Anspruch 12 oder 13, wobei das Anwenden des maschinellen Lernens auf das eine oder die mehreren Tensor-Arrays zur Erzeugung von Entzerrer-Abgriffswerten ein Anwendung des maschinellen Lernens auf das eine oder die mehreren Tensor-Arrays zur Erzeugung von Feed-Forward-Entzerrer-(FFE-)Abgriffswerten umfasst.
Das Verfahren nach Anspruch 14, wobei die FFE-Abgriffswerte für einen Feed Forward Entzerrer mit 5 Abgriffen gelten.
Das Verfahren nach einem der Ansprüche 12 bis 15, wobei die Durchführung einer Messung an der entzerrten Wellenform die Messung der quaternären Sender- und Dispersionsaugenschließung (TDECQ) der entzerrten Wellenform umfasst.
Das Verfahren nach einem der Ansprüche 12 bis 16, das ferner ein Trainieren eines maschinellen Lernnetzes umfasst, wobei das Training umfasst: Empfangen einer Trainings-Wellenform; Verwenden der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten; und Erzeugen eines oder mehrerer Trainings-Tensor-Arrays aus der Trainings-Wellenform; und Bereitstellen des einen oder der mehreren Trainings-Tensor-Arrays und der Trainings-Entzerrer-Abgriffswerte für das maschinelle Lernnetzwerk als Trainings-Datensatz.
Das Verfahren nach Anspruch 17, wobei die Verwendung der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten ein Verwenden der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten für einen Feed Forward Entzerrer umfasst.
Das Verfahren nach einem der Ansprüche 12 bis 18, wobei das Erfassen der Wellenform, die das von der zu testenden Vorrichtung empfangene Signal darstellt, ein Empfangen eines optischen Signals durch eine Testfaser umfasst, wobei das optische Signal durch den Betrieb der zu testenden Vorrichtung erzeugt wird.
Das Verfahren nach Anspruch 19, das ferner die Umwandlung des optischen Signals in ein elektrisches Signal umfasst.