DE102022119975A1 - Kombinierte tdecq-messung und senderabstimmung mit hilfe von maschinellem lernen - Google Patents
Kombinierte tdecq-messung und senderabstimmung mit hilfe von maschinellem lernen Download PDFInfo
- Publication number
- DE102022119975A1 DE102022119975A1 DE102022119975.4A DE102022119975A DE102022119975A1 DE 102022119975 A1 DE102022119975 A1 DE 102022119975A1 DE 102022119975 A DE102022119975 A DE 102022119975A DE 102022119975 A1 DE102022119975 A1 DE 102022119975A1
- Authority
- DE
- Germany
- Prior art keywords
- tensor
- training
- machine learning
- waveform
- test
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
- G06F11/27—Built-in tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/02—Digital function generators
- G06F1/022—Waveform generators, i.e. devices for generating periodical functions of time, e.g. direct digital synthesizers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
-
- 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
Abstract
Ein Test- und Messsystem hat ein Test- und Messinstrument, eine Testautomatisierungsplattform 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, eine Wellenform zu empfangen, die durch den Betrieb einer zu testenden Vorrichtung erzeugt wird, ein oder mehrere Tensor-Arrays zu erzeugen, maschinelles Lernen auf ein erstes Tensor-Array des einen oder der mehreren Tensor-Arrays anzuwenden, um Entzerrer-Abgriffswerte zu erzeugen, maschinelles Lernen auf ein zweites Tensor-Array des einen oder der mehreren Tensor-Arrays anzuwenden, um vorhergesagte Abstimmparameter für die zu testende Vorrichtung zu erzeugen, die Entzerrer-Abgriffswerte zu verwenden, um einen quaternären Transmitter- und Dispersions-Augenverschluss-Wert (TDECQ) zu erzeugen, und den TDECQ-Wert und die vorhergesagten Abstimmparameter an die Testautomatisierungsplattform zu liefern. Ein Verfahren zum Testen von zu testenden Vorrichtungen umfasst das Empfangen einer Wellenform, die durch den Betrieb einer zu testenden Vorrichtung erzeugt wird, das Erzeugen eines oder mehrerer Tensor-Arrays, das Anwenden von maschinellem Lernen auf ein erstes Tensor-Array des einen oder der mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen, Anwenden von maschinellem Lernen auf ein zweites Tensor-Array des einen oder der mehreren Tensor-Arrays, um vorhergesagte Abstimmparameter für die zu testende Vorrichtung zu erzeugen, Verwenden der Entzerrer-Abgriffswerte, um einen quaternären Transmitter Dispersion Eye Closure (TDECQ)-Wert zu erzeugen, und Bereitstellen des TDECQ-Werts und der vorhergesagten Abstimmparameter für eine Testautomatisierungsplattform.
Description
- QUERVERWEIS AUF VERWANDTE ANMELDUNGEN
- Diese Offenbarung beansprucht den Nutzen der vorläufigen
US-Anmeldung Nr. 63/232,378 - GEBIET DER TECHNIK
- Diese Offenbarung bezieht sich auf Test- und Messsysteme, insbesondere auf Systeme für die Abstimmung von Komponenten und Leistungsmessungen.
- HINTERGRUND
- Durch maschinelle Lernverfahren kann die Geschwindigkeit komplexer Messungen, wie z. B. Transmitter Dispersion Eye Closure Quaternary (TDECQ = quaternäre Sender- und Dispersionsaugenschluss) -Messungen, erheblich verbessert werden. Die Verbesserung der Messgeschwindigkeit wirkt sich beispielsweise auf den Produktionsdurchsatz in einer Fertigungsstraße aus.
- Die Zeitersparnis in der Fertigungslinie für die Prüfung und Validierung der Leistung der zu testenden Vorrichtung (DUT) kann Zehntausende von Dollar einsparen.
- Figurenliste
-
-
1 zeigt eine Ausführungsform eines Test- und Messsystems. -
2 zeigt eine Ausführungsform des Trainings eines einzelnen maschinellen Lernnetzes in einem Test- und Messsystem. -
3 zeigt eine Ausführungsform des Trainings zweier maschineller Lernnetze in einem Test- und Messsystem. -
4 zeigt eine Ausführungsform der Durchführung von TDECQ-Tests und der Bereitstellung von Abstimmparametern unter Verwendung eines einzigen maschinellen Lernnetzwerks in einem Test- und Messsystem. -
5 zeigt eine Ausführungsform der Durchführung von TDECQ-Tests und der Bereitstellung von Abstimmparametern unter Verwendung von zwei maschinellen Lernnetzwerken in einem Test- und Messsystem. - AUSFÜHRLICHE BESCHREIBUNG
- Das Testen einer zu testenden Vorrichtung (DUT) mit maschinellem Lernen kann einen iterativen Prozess beinhalten, bei dem das DUT einen Satz von Abstimmungsparametern erhält. Wenn das DUT unter Verwendung dieses Satzes von Abstimmungsparametern arbeitet, erzeugt er Messergebnisse im Vergleich zu einem Wert oder einem Wertebereich, der bestimmt, ob die Vorrichtung besteht oder durchfällt. Im Folgenden werden Beispiele für das Abstimmen und Testen eines optischen Senders oder Transceivers beschrieben, um ein kontextuelles Beispiel zu geben. Die hier beschriebenen Ausführungen gelten für jedes DUT, der einem Testprozess unterzogen wird, um festzustellen, ob das DUT so funktioniert, wie es zum Bestehen erforderlich ist.
-
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 ein Oszilloskop 10 und eine Testautomatisierungsplattform 30 enthalten kann. Die Testautomatisierungsplattform 30 kann sich in einer Fertigungsstraße befinden, um eine Pass/Fail-Analyse der DUTs durchzuführen. Das Test- und Messinstrument 10 empfängt ein elektrisches Signal vom DUT 14 an einem Eingang 11, typischerweise über eine Instrumentensonde 16. Im Falle eines optischen Senders besteht die Sonde typischerweise aus einer Testfaser, die mit einem optisch-elektrischen Wandler 18 gekoppelt ist, der das elektrische Signal an das Test- und Messinstrument liefert, damit es abgetastet, digitalisiert und als Wellenform erfasst werden kann, die das Signal des DUTs darstellt. Eine Taktrückgewinnungseinheit (CRU) 20 kann das Taktsignal aus den Wellenformdaten 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 Anweisungen in Form von Code gespeichert werden, die bei Ausführung durch den Prozessor diesen veranlassen, Aufgaben auszuführen. Der Speicher kann auch die erfasste Wellenform speichern. Die Benutzerschnittstelle 26 des Test- und Messinstruments ermöglicht es dem Benutzer, mit dem Instrument 10 zu interagieren, z. B. um Einstellungen einzugeben, Tests zu konfigurieren usw. Das Referenz-Entzerrer- und Analysemodul 24 kann eine Rolle bei der Entzerrung des Signals spielen. - Alternativ oder zusätzlich zur Benutzerschnittstelle des Test- und Messinstruments kann die Benutzerschnittstelle 34 der Testautomatisierungsplattform 30 dem Benutzer die Konfiguration des Test- und Messinstruments sowie die Bereitstellung von Einstellungen und anderen Informationen für die Testautomatisierungsplattform und das Gesamtsystem ermöglichen. Die Testautomatisierungsplattform kann aus einem Testgerät oder einer anderen Recheneinheit bestehen. Auch wenn sich die Plattform in der Produktionslinie eines Herstellers befinden kann, ist eine Beschränkung auf einen bestimmten Ort oder eine bestimmte Verwendung in einer bestimmten Situation weder beabsichtigt noch sollte sie impliziert werden. Die Testautomatisierungsplattform kann auch einen oder mehrere Prozessoren (32) und einen Speicher (36) umfassen. Wie weiter unten näher erläutert, können der eine oder die mehreren Prozessoren 12 des Test- und Messinstruments 10 und der eine oder die mehreren Prozessoren 32 der Testautomatisierungsplattform 30 zusammenarbeiten, um Aufgaben zu verteilen, oder ein oder mehrere Prozessoren der anderen Vorrichtung können alle Aufgaben ausführen. Das unten beschriebene maschinelle Lernnetzwerk kann die Form eines dieser Prozessoren annehmen, der so ausgebildet ist, dass er eines oder mehrere der maschinellen Lernnetzwerke betreibt.
- Ausführungsformen der Offenlegung können eine Konfiguration umfassen, die in einer eigenständigen Softwareanwendung implementiert ist, die im Folgenden als „ML Tools“ bezeichnet wird. Das Testautomatisierungssystem betreibt eine Testautomatisierungsanwendung als primäre Systemsteuerung in der Schleife. Es sendet Betriebs- oder Abstimmungsparameter an das DUT und kontrolliert die Temperatur. Handelt es sich bei dem DUT um einen optischen Transceiver, umfassen die Parameter die Übertragungsparameter. Dieser Ansatz findet sich in U. S. Pat. App. Nr. 17/701,186, „TRANSCEIVER TUNING USING MACHINE LEARNING“, eingereicht am 22. März 2022, das hier durch Bezugnahme in vollem Umfang enthalten ist. Die Anwendung zur Testautomatisierung synchronisiert auch die Erfassung der Wellenform des Instruments mit der Aktualisierung der Übertragungs-/Betriebsparameter. Darüber hinaus werden die Werte der Übertragungs-/Betriebsparameter an die ML-Tools-Software übermittelt, die die nächsten Parameterwerte aus dem neuronalen Netz zurückliest. Das neuronale Netz schätzt die Ergebnisse auf der Grundlage der vom Oszilloskop erfassten Wellenform.
- Das durch maschinelles Lernen unterstützte System für die Parameterabstimmung verfügt über zwei Betriebsmodi: Training und Laufzeit. Während des Trainingsprozesses sendet die Testautomatisierungsanwendung eine Reihe von Parametern an das DUT und erfasst eine resultierende Wellenform. Der Benutzer ändert die Parameter, damit die Maschine lernt, wie die Wellenformen für alle Parametereinstellungen aussehen. Der Testautomatisierungsblock speist dann einen großen Satz von Wellenformen und Parametern in die ML Tools als Datensätze für das Training der Maschinen ein, die auch als maschinelle Lernnetzwerke bezeichnet werden können.
- Während der Laufzeit erstellen die trainierten Maschinen eine Schätzung für optimierte Entzerrungsfilterabgriffe, in der Regel Feed-Forward Equalization (FFE) -Abgriffe (-Taps) für die Wellenform, und für die Erstellung eines beobachteten Parametersatzes. Die Anwendung der FFE-Abgriffe entzerrt die Eingangswellenform. Der TDECQ-Berechnungsprozess verwendet dann die entzerrte Wellenform als Eingabe. Der TDECQ-Prozess verwendet in der Regel kein maschinelles Lernen, um den TDECQ zu ermitteln, sondern berechnet ihn anhand bestehender Messverfahren.
-
2 zeigt eine Ausführungsform des Trainings einer einzelnen Maschine. Der FFE-Abgriffs-Optimierungsblock 40 kann einen bereits vorhandenen Softwarecode verwenden, um die optimalen FFE-Abgriffe 42 für die an das maschinelle Lernnetzwerk 44 zu sendende Trainings-Wellenform zu optimieren und zu finden. In dieser Ausführungsform assoziiert das Training der Maschine ein Wellenform-Tensor-Array mit Parametern und mit optimalen FFE-Abgriffen. Bei den Parametern 52 kann es sich um optische Sender- oder andere Betriebsparameterwerte handeln, die in dem DUT gespeichert sind, von dem die Wellenform erfasst wurde. Das Tensor-Array kann sich darstellen wie in U.S. Pat. App. Nr. 17/747,954, „SHORT PATTERN WAVEFORM DATABASE BASED MACHINE LEARNING FOR MEASUREMENT“, eingereicht am 18. Mai 2022, und/oder U.S. Pat. App. Nr. 17/592,437, „EYE CLASSES SEPARATOR WITH OVERLAY, AND COMPOSITE, AND DYNAMIC EYE-TRIGGER FOR HUMANS AND MACHINE LEARNING“, eingereicht am 3. Februar 2022, deren Inhalt hiermit durch Bezugnahme aufgenommen wird. Der Tensor-Generator 46 für die Kurzmuster-Wellenformdatenbank erzeugt ein oder mehrere Tensor-Arrays. In der vorliegenden Ausführungsform erzeugt der Tensor-Generator zwei Sätze von Tensor-Arrays 48 und 50. Der hier verwendete Begriff „Tensor-Array“ bezeichnet ein Array von Tensor-Bildern. Das Tensor-Array 48 kann ein Tensor-Array umfassen, wobei jedes Tensor-Bild in dem Array eine oder mehrere Wellenformen enthält, die bei der Bestimmung von FFE-Abgriffen für den TDECQ-Berechnungsprozess verwendet werden, der in der Laufzeitoperation unten besprochen wird. Tensor-Array 50 kann ein Tensor-Array mit einem Array von Tensor-Bildern umfassen, wobei jedes Tensor-Bild drei oder mehr Wellenformen aufweist, die in dem Abstimmungsparameter-Prozess verwendet werden, der in der Laufzeit-Operation weiter unten besprochen wird. Jedes Tensor-Bild im Tensor-Array kann auch eine Darstellung eines Umgebungsparameters enthalten, der mit den drei oder mehr Wellenformen in Verbindung gebracht werden soll, wie z. B. ein Balkendiagramm, das die Temperatur darstellt, bei der die Wellenformen erfasst wurden. - Für den TDECQ-Prozess werden in der Regel bestehende Methoden zur Messung des TDECQ verwendet. Er nimmt eine Eingangswellenform und entzerrt sie mit den optimierten Abgriffen. Anschließend führt er intern die notwendigen Schritte zur Messung der TDECQ durch und gibt diesen Wert aus. Dieser Wert wird an die Testautomatisierungsanwendung zurückgegeben, die ihn als bestanden/nicht bestanden bewertet.
- Fehler! Verweisquelle konnte nicht gefunden werden, zeigt eine ähnliche Trainingsvariante wie die von
2 . in dieser Ausführungsform gibt es eine Maschine A und eine Maschine B. Maschine A ist speziell dafür vorgesehen, das Tensor-Array mit den optimierten FFE-Abgriffen zu verknüpfen. Maschine A 54 empfängt die optimierten FFE-Abgriffen 42 aus dem FFE-Abgriffs-Optimierungsblock 40 und ein erstes Tensor-Array 48, das ein Array von Tensor-Bildern aus dem Kurzmuster-Wellenform-Tensor-Generator 46 umfasst. Das eine Array kann eine Wellenform pro Tensor-Bild in dem Array enthalten. Maschine B 56 ist speziell für die Zuordnung von Parametern zu dem Tensor-Array vorgesehen. Maschine B empfängt ein zweites Tensor-Array 50 mit einem Array von Tensor-Bildern, wobei jeder Tensor in dem Array drei Wellenformen aufweist. Maschine B empfängt auch die Betriebsparameter 52, die mit den Wellenformen verbunden sind, die zur Erzeugung des Tensor-Arrays 50 verwendet wurden. Die verschiedenen Komponenten, die für das Training verwendet werden, tragen die Kennung „Training“, um sie von ihren Pendants zur Laufzeit zu unterscheiden. Die Wellenform ist eine „Trainingswellenform“, die FFE-Abgriffe sind die „Trainings-FFE-Abgriffe“ usw. - Die Laufzeit hat das Ziel, die optischen Sender abzustimmen, in diesem Beispiel auf einer Testautomatisierungsplattform. Wie bereits erwähnt, kann es sich dabei um eine Testautomatisierungsplattform handeln, die in der Produktionslinie des Herstellers läuft. Die Testautomatisierungsanwendung steuert das Gesamtsystem, stellt das DUT mit Parametern ein und richtet ein Test- und Messinstrument zur Erfassung der Wellenform des DUTs ein. Die Testautomatisierungsanwendung sendet die Kurvenform und die Parameter an das Abstimmsystem weiter. Das System beobachtet die Kurvenform und stellt fest, ob der Parametersatz zu einer optimalen Kurvenform führt, die die Grenzwerte für den TDECQ-Wert einhält. Wenn dies nicht der Fall ist, sendet das System einen neuen Satz von Parametern an die Testautomatisierungsanwendung zurück, die diese für einen weiteren Versuch in das DUT lädt. DUTs mit Werten für TDECQ, die innerhalb der gewünschten Parameter liegen, bestehen und gelten als optimiert.
-
4 zeigt eine Ausführungsform einer Laufzeitkonfiguration unter Verwendung eines einzelnen maschinellen Lernnetzwerks. Die Testautomatisierungsanwendung 60 empfängt die Wellenform 55, die beispielsweise vom DUT durch das Test- und Messinstrument 10 in1 erfasst wurde, und stellt die Wellenform dem Tensor-Generator 46 für die Kurzmuster-Wellenformdatenbank und dem TDECQ-Messverfahren 62 zur Verfügung. Die Testautomatisierungsanwendung 60 gibt auch eine Reihe von Parametern 53 aus und sendet sie an das trainierte maschinelle Lernnetzwerk 44. Das maschinelle Lernnetzwerk 44 empfängt die Tensor-Arrays vom Tensor-Generator 46. Das maschinelle Lernnetzwerk 44 verwendet das Tensor-Array 50 mit Tensor-Bildern unter Verwendung von drei Wellenform-Bildern, um vorhergesagte Parameter 66 zu erzeugen, und sendet sie an die Testautomatisierungsanwendung zurück. Das maschinelle Lernnetzwerk 44 kann auch die Parameter 53 verwenden, die z. B. eine Temperatur umfassen können, bei der die Wellenform 55 erfasst wurde, um die vorhergesagten Parameter 66 zu erzeugen. Das maschinelle Lernnetzwerk 44 empfängt das Tensor-Array 48, das ein einzelnes Array von Tensor-Bildern umfasst, wobei jeder Tensor in dem Array eine Wellenform verwendet, und liefert vorhergesagte FFE-Abgriffe 64 an den TDECQ-Prozess 62. Der TDECQ-Prozess verwendet die FFE-Abgriffe 64 zur Entzerrung der Wellenform 55, berechnet den TDECQ-Wert für die entzerrte Wellenform und sendet den TDECQ-Wert 68 an die Testautomatisierungsanwendung. Wenn der TDECQ-Wert die Kriterien erfüllt, ist die Abstimmung abgeschlossen. Wenn der TDECQ-Wert die Kriterien nicht erfüllt, verwendet die Testautomatisierungsanwendung die vorhergesagten Parameter bei der nächsten Testiteration. -
5 zeigt eine Ausführungsform einer Laufzeitkonfiguration mit zwei maschinellen Lernnetzen. Maschine A 54 erhält den Tensor 48 und verarbeitet nur die FFE-Abgriffe 64 für den TDECQ-Prozess 62. Maschine B empfängt den Tensor 50 und die Parameter 53 und verarbeitet nur die vorhergesagten Parameter 66 als Ausgabe. - Ein Vorteil dieses Systems, das die TDECQ-Beschleunigung und die Bestimmung der Abstimmparameter kombiniert, besteht darin, dass der Wellenform-Tensor-Generator nur einmal ausgeführt werden muss. Ein weiterer Vorteil ergibt sich daraus, dass nur ein einziges trainiertes neuronales Netz sowohl für die TX-Abstimmung als auch für die TDECQ-Beobachtung benötigt wird. Dieses System bietet ein ausgereifteres Design und eine bessere Benutzererfahrung als die Verwendung einer separaten TDECQ-Messung eines Drittanbieters, die separate Trainingsverfahren für das Abstimmungsverfahren und die TDECQ-Messung erfordert.
- 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 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 Wechselspeichermedium, einem Festkörperspeicher, einem Random Access Memory (RAM) usw. gespeichert sein. 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 werden. Die offengelegten Aspekte können auch in Form von Befehlen implementiert werden, die auf einem oder mehreren nichtübertragbaren 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.
- 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.
- Alle in der Beschreibung offengelegten Merkmale, einschließlich der Ansprüche, der Zusammenfassung und der Zeichnungen, sowie alle Schritte in einem offengelegten Verfahren oder Prozess können in jeder beliebigen 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.
- 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 Messsystem, das Folgendes umfasst: ein Test- und Messinstrument; eine Testautomatisierungsplattform; 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: Empfangen einer Wellenform, die durch den Betrieb einer zu testenden Vorrichtung erzeugt wird; Erzeugen eines oder mehrerer Tensor-Arrays; Anwenden von maschinellem Lernen auf ein erstes Tensor-Array des einen oder der mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen; Anwenden von maschinellem Lernen auf ein zweites Tensor-Array des einen des einen oder der mehreren Tensor-Arrays, um vorhergesagte Abstimmungsparameter für die zu testende Vorrichtung zu erzeugen; Verwenden der Entzerrer-Abgriffswerte, um einen quaternären Transmitter- und Dispersionsaugenverschlusswert (TDECQ-Wert) zu erzeugen; und Bereitstellen des TDECQ-Werts und der vorhergesagten Abstimmungsparameter an die Testautomatisierungsplattform.
- Beispiel 2 ist das Test- und Messsystem von Beispiel 1, wobei das erste Tensor-Array eine Vielzahl von Tensor-Bildern umfasst, wobei jedes Tensor-Bild in dem Tensor-Array eine Wellenform aufweist.
- Beispiel 3 ist das Test- und Messsystem aus einem der Beispiele 1 oder 2, wobei das zweite Tensor-Array eine Vielzahl von Tensor-Bildern umfasst, wobei jedes Tensor-Bild in dem Tensor-Array drei oder mehr Wellenformen aufweist.
- Beispiel 4 ist das Test- und Messsystem aus einem der Beispiele 1 bis 3, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen auf das erste Tensor-Array anzuwenden, und der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen auf das zweite Tensor-Array anzuwenden, innerhalb desselben maschinellen Lernnetzwerks arbeitet.
- Beispiel 5 ist das Test- und Messsystem aus einem der Beispiele 1 bis 4, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen auf das erste Tensor-Array anzuwenden, und der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen auf das zweite Tensor-Array anzuwenden, in separaten maschinellen Lernnetzwerken für jedes Tensor-Array arbeitet.
- Beispiel 6 ist das Test- und Messsystem der Beispiele 1 bis 5, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie Code ausführen, um den einen oder die mehreren Prozessoren zu veranlassen, ein oder mehrere maschinelle Lernnetzwerke zu trainieren, wobei der Code den einen oder die mehreren Prozessoren veranlasst, Folgendes zu tun: Empfangen einer Trainings-Wellenform; Verwenden der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten; Erzeugen eines oder mehrerer Trainings-Tensor-Arrays aus der Trainings-Wellenform; und Bereitstellen des einen oder der mehreren Trainings-Tensor-Arrays, der Trainings-Entzerrer-Abgriffe und der mit der Trainings-Wellenform verbundenen Abstimmungsparameter für das eine oder die mehreren maschinellen Lernnetzwerke als Trainingsdatensatz.
- Beispiel 7 ist das Test- und Messsystem von Beispiel 6, wobei das eine oder mehrere maschinelle Lernnetzwerke zwei maschinelle Lernnetzwerke umfasst, ein erstes maschinelles Lernnetzwerk, das trainierbar ist, um die Entzerrer-Abgriffswerte zu erzeugen, und ein zweites maschinelles Lernnetzwerk, das trainierbar ist, um die vorhergesagten Abstimmungsparameter zu erzeugen.
- Beispiel 8 ist das Test- und Messsystem von Beispiel 7, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, das erste maschinelle 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 Trainings-Tensor-Array aus der Trainings-Wellenform zu erzeugen, wobei jedes Tensor-Bild in dem Trainings-Tensor-Array eine Wellenform aufweist; und das Trainings-Tensor-Array und die Trainings-Entzerrer-Abgriffe dem ersten maschinellen Lernnetzwerk als einen Trainingsdatensatz bereitzustellen.
- Beispiel 9 ist das Test- und Messsystem von Beispiel 7, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, das zweite maschinelle Lernnetzwerk zu trainieren, wobei der Code den einen oder die mehreren Prozessoren veranlasst: eine Trainings-Wellenform zu empfangen; ein Trainings-Tensor-Array aus der Trainings-Wellenform zu erzeugen, wobei jedes Tensor-Bild in dem Trainings-Tensor-Array drei oder mehr Wellenformen aufweist; und das Trainings-Tensor-Array und Abstimmungsparameter, die der Trainings-Wellenform zugeordnet sind, dem zweiten maschinellen Lernnetzwerk als einen Trainingsdatensatz bereitzustellen.
- Beispiel 10 ist das Test- und Messsystem aus einem der Beispiele 1 bis 9, wobei der eine oder die mehreren Prozessoren einen oder mehrere Prozessoren umfassen, die sich in mindestens einem von dem Test- und Messinstrument und der Testautomatisierungsplattform befinden.
- Beispiel 11 ist das Test- und Messsystem nach einem der Beispiele 1 bis 10, wobei die zu testende Vorrichtung einen optischen Transceiver oder einen optischen Sender umfasst.
- Beispiel 12 ist das Test- und Messsystem aus Beispiel 11, das ferner eine Sonde mit einer optischen Faser zum Empfang eines optischen Signals und einen optisch-elektrischen Wandler zur Erzeugung eines elektrischen Signals aus dem optischen Signal umfasst, wobei das elektrische Signal in die Wellenform umgewandelt werden soll.
- Beispiel 13 ist ein Verfahren zum Testen einer zu testenden Vorrichtung, das Folgendes umfasst: Empfangen einer Wellenform, die durch den Betrieb einer zu testenden Vorrichtung erzeugt wird; Erzeugen eines oder mehrerer Tensor-Arrays; Anwenden von maschinellem Lernen auf ein erstes Tensor-Array des einen oder der mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen; Anwenden von maschinellem Lernen auf ein zweites Tensor-Array des einen oder der mehreren Tensor-Arrays, um vorhergesagte Abstimmparameter für die zu testende Vorrichtung zu erzeugen; Verwenden der Entzerrer-Abgriffswerte, um einen quaternären Transmitter Dispersion Eye Closure (TDECQ)-Wert zu erzeugen; und Bereitstellen des TDECQ-Werts und der vorhergesagten Abstimmparameter für eine Testautomatisierungsplattform.
- Beispiel 14 ist das Verfahren von Beispiel 13, wobei das erste Tensor-Array eine Vielzahl von Tensor-Bildern umfasst, wobei jedes Tensor-Bild in dem Tensor-Array eine Wellenform aufweist.
- Beispiel 15 ist das Verfahren aus einem der Beispiele 13 oder 14, wobei das zweite Tensor-Array eine Vielzahl von Tensor-Bildern umfasst, wobei jedes Tensor-Bild in dem Tensor-Array drei Wellenformen aufweist.
- Beispiel 16 ist das Verfahren nach einem der Beispiele 13 bis 15, wobei das Anwenden von maschinellem Lernen auf das erste Tensor-Array und das Anwenden von maschinellem Lernen auf das zweite Tensor-Array das Anwenden von maschinellem Lernen durch ein maschinelles Lernnetzwerk umfasst.
- Beispiel 17 ist das Verfahren aus einem der Beispiele 13 bis 15, wobei die Anwendung des maschinellen Lernens auf das erste Tensor-Array die Anwendung des maschinellen Lernens unter Verwendung eines ersten maschinellen Lernnetzwerks umfasst und die Anwendung des maschinellen Lernens auf das zweite Tensor-Array die Anwendung des maschinellen Lernens unter Verwendung eines zweiten maschinellen Lernnetzwerks umfasst.
- Beispiel 18 ist das Verfahren nach einem der Beispiele 13 bis 17, das ferner das Trainieren eines oder mehrerer maschineller Lernnetzwerke umfasst, wobei das Training Folgendes umfasst: Empfangen einer Trainings-Wellenform; Verwenden der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten; Erzeugen eines oder mehrerer Trainings-Tensor-Arrays aus der Trainings-Wellenform; und Bereitstellen des einen oder der mehreren Trainings-Tensor-Arrays, der Trainings-Entzerrer-Abgriffswerte und der mit der Trainings-Wellenform verbundenen Abstimmungsparameter für das eine oder die mehreren maschinellen Lernnetzwerke als Trainingsdatensatz.
- Beispiel 19 ist das Verfahren von Beispiel 18, wobei das Trainieren eines oder mehrerer maschineller Netzwerke das Trainieren eines ersten maschinellen Lernnetzwerks und eines zweiten Maschinellen Lernnetzwerks umfasst, wobei das Training Folgendes umfasst: Verwenden der Trainingswellenform, um Trainings-Entzerrer-Abgriffswerte zu erzeugen; Erzeugen eines ersten Trainings-Tensor-Arrays aus der Trainingswellenform, wobei jedes Tensor-Bild in dem ersten Trainings-Tensor-Array ein Wellenform-Bild aufweist; Erzeugen eines zweiten Trainings-Tensor-Arrays, wobei jedes Tensor-Bild in dem zweiten Trainings-Tensor-Array drei oder mehr Wellenform-Bilder aufweist; Bereitstellen des ersten Trainings-Tensor-Arrays und der Trainings-Entzerrer-Abgriffe für das erste maschinelle Lernnetzwerk als einen Trainingsdatensatz; und Bereitstellen der zweiten Trainings-Tensor-Arrays und der mit der Trainingswellenform verbundenen Abstimmungsparameter für das zweite maschinelle Lernnetzwerk als einen Trainingsdatensatz.
- Beispiel 20 ist das Verfahren nach einem der Beispiele 13 bis 19, wobei der Empfang eines Wellenformsignals, das aus dem Betrieb eines DUTs resultiert, den Empfang eines optischen Signals von dem DUT und die Umwandlung des optischen Signals in ein elektrisches Signal, das in die Wellenform umgewandelt werden soll, 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 63232378 [0001]
Claims (20)
- Ein Test- und Messsystem, weist auf: ein Test- und Messinstrument; eine Testautomatisierungsplattform; 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: Empfangen einer durch den Betrieb einer zu testenden Vorrichtung erzeugten Wellenform; Erzeugen einer oder mehrerer Tensor-Arrays; Anwenden von maschinellem Lernen auf ein erstes Tensor-Array des einen oder der mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen; Anwenden von maschinellem Lernen auf ein zweites Tensor-Array des einen oder der mehreren Tensor-Arrays, um vorhergesagte Abstimmungsparameter für die zu testende Vorrichtung zu erzeugen; Verwenden der Entzerrer-Abgriffswerte, um einen TDECQ-Wert zu erzeugen; und Bereitstellen des TDECQ-Werts (TDECQ = Transmitter and Dispersion Eye Closure Quaternary) und der vorhergesagten Abstimmungsparameter an die Testautomatisierungsplattform.
- Das Test- und Messsystem nach
Anspruch 1 , wobei das erste Tensor-Array eine Vielzahl von Tensor-Bildern umfasst, wobei jedes Tensor-Bild in dem Tensor-Array eine Wellenform aufweist. - Das Test- und Messsystem nach
Anspruch 1 oder2 , wobei das zweite Tensor-Array eine Vielzahl von Tensor-Bildern umfasst, wobei jedes Tensor-Bild in dem Tensor-Array drei oder mehr Wellenformen aufweist. - Das Test- und Messsystem nach einem der
Ansprüche 1 bis3 , wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen auf das erste Tensor-Array anzuwenden, und der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen auf das zweite Tensor-Array anzuwenden, innerhalb desselben maschinellen Lernnetzwerks arbeitet. - Das Test- und Messsystem nach einem der
Ansprüche 1 bis4 , wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen auf das erste Tensor-Array anzuwenden, und der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen auf das zweite Tensor-Array anzuwenden, in separaten maschinellen Lernnetzwerken für jedes Tensor-Array arbeitet. - Das Test- und Messsystem nach einem der
Ansprüche 1 bis5 , 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 oder mehrere maschinelle Lernnetzwerke zu trainieren, wobei der Code den einen oder die mehreren Prozessoren zu Folgendem veranlasst: Empfangen einer Trainings-Wellenform; Verwenden der Trainings-Wellenform, um Trainings-Entzerrer-Abgriffswerte zu erzeugen; Erzeugen eines oder mehrerer Trainings-Tensor-Arrays aus der Trainings-Wellenform; und Bereitstellen des einen oder der mehreren Trainings-Tensor-Arrays, der Trainings-Entzerrer-Abgriffe und der mit der Trainings-Wellenform verbundenen Abstimmungsparameter an das eine oder die mehreren maschinellen Lernnetzwerke als Trainingsdatensatz. - Das Test- und Messsystem nach
Anspruch 6 , wobei das eine oder die mehreren maschinellen Lernnetzwerke zwei maschinelle Lernnetzwerke umfassen, ein erstes maschinelles Lernnetzwerk, das trainierbar ist, um die Entzerrer-Abgriffswerte zu erzeugen, und ein zweites maschinelles Lernnetzwerk, das trainierbar ist, um die vorhergesagten Abstimmungsparameter zu erzeugen. - Das Test- und Messsystem nach
Anspruch 7 , wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, das erste maschinelle Lernnetzwerk zu trainieren, wobei der Code den einen oder die mehreren Prozessoren zu Folgendem veranlasst: Empfangen einer Trainings-Wellenform; Verwenden der Trainings-Wellenform, um Trainings-Entzerrer-Abgriffswerte zu erzeugen; Erzeugen eines Trainings-Tensor-Arrays aus der Trainings-Wellenform, wobei jedes Tensor-Bild in dem Trainings-Tensor-Array eine Wellenform aufweist; und Bereitstellen des Trainings-Tensor-Arrays und der Trainings-Entzerrer-Abgriffswerte für das erste maschinelle Lernnetzwerk als Trainingsdatensatz. - Das Test- und Messsystem nach
Anspruch 7 oder8 , wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, das zweite maschinelle Lernnetzwerk zu trainieren, wobei der Code den einen oder die mehreren Prozessoren zu Folgendem veranlasst: Empfangen einer Trainings-Wellenform; Erzeugen eines Trainings-Tensor-Arrays aus der Trainings-Wellenform, wobei jedes Tensor-Bild in dem Trainings-Tensor-Array drei oder mehr Wellenformen aufweist; und Bereitstellen des Trainings-Tensor-Arrays und der mit der Trainingswellenform verbundenen Abstimmungsparameter für das zweite maschinelle Lernnetzwerk als Trainingsdatensatz. - Das Test- und Messsystem nach einem der
Ansprüche 1 bis9 , wobei der eine oder die mehreren Prozessoren einen oder mehrere Prozessoren umfassen, die sich in mindestens einem von dem Test- und Messinstrument und der Testautomatisierungsplattform befinden. - Das Test- und Messsystem nach einem der
Ansprüche 1 bis10 , wobei die zu testende Vorrichtung einen optischen Transceiver oder einen optischen Sender umfasst. - Das Test- und Messsystem nach
Anspruch 11 , das ferner eine Sonde umfasst, die eine optische Faser zum Empfangen eines optischen Signals und einen optisch-elektrischen Wandler zum Erzeugen eines elektrischen Signals aus dem optischen Signal umfasst, wobei das elektrische Signal in die Wellenform umgewandelt werden soll. - Ein Verfahren zum Testen einer zu testenden Vorrichtung, umfassend: Empfangen einer durch den Betrieb einer zu testenden Vorrichtung erzeugten Wellenform; Erzeugen eines oder mehrerer Tensor-Arrays; Anwenden von maschinellem Lernen auf ein erstes Tensor-Array des einen oder der mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen; Anwenden von maschinellem Lernen auf ein zweites Tensor-Array des einen oder der mehreren Tensor-Arrays, um vorhergesagte Abstimmungsparameter für die zu testende Vorrichtung zu erzeugen; Verwenden der Entzerrer-Abgriffswerte zum Erzeugen eines TDECQ-Wertes (TDECQ = Transmitter and Dispersion Eye Closure Quaternary); und Bereitstellen des TDECQ-Wertes und der vorhergesagten Abstimmungsparameter an eine Testautomatisierungsplattform.
- Das Verfahren nach
Anspruch 13 , wobei das erste Tensor-Array eine Vielzahl von Tensor-Bildern umfasst, wobei jedes Tensor-Bild in dem Tensor-Array eine Wellenform aufweist. - Das Verfahren nach
Anspruch 13 oder14 , wobei das zweite Tensor-Array eine Vielzahl von Tensor-Bildern umfasst, wobei jedes Tensor-Bild in dem Tensor-Array drei Wellenformen aufweist. - Das Verfahren nach einem der
Ansprüche 13 bis15 , wobei das Anwenden von maschinellem Lernen auf das erste Tensor-Array und das Anwenden von maschinellem Lernen auf das zweite Tensor-Array das Anwenden von maschinellem Lernen durch ein maschinelles Lernnetzwerk umfasst. - Das Verfahren nach einem der
Ansprüche 13 bis16 , wobei die Anwendung des maschinellen Lernens auf das erste Tensor-Array die Anwendung des maschinellen Lernens unter Verwendung eines ersten maschinellen Lernnetzwerks umfasst und die Anwendung des maschinellen Lernens auf das zweite Tensor-Array die Anwendung des maschinellen Lernens unter Verwendung eines zweiten maschinellen Lernnetzwerks umfasst. - Das Verfahren nach einem der
Ansprüche 13 bis17 , das ferner das Trainieren eines oder mehrerer maschineller Lernnetze umfasst, wobei das Training Folgendes umfasst: Empfangen einer Trainings-Wellenform; Verwenden der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten; Erzeugen eines oder mehrerer Trainings-Tensor-Arrays aus der Trainings-Wellenform; und Bereitstellen des einen oder der mehreren Trainings-Tensor-Arrays, der Trainings-Entzerrer-Abgriffswerte und der mit der Trainings-Wellenform verbundenen Abstimmungsparameter für das eine oder die mehreren maschinellen Lernnetzwerke als Trainingsdatensatz. - Das Verfahren nach
Anspruch 18 , wobei das Trainieren eines oder mehrerer maschineller Netzwerke das Trainieren eines ersten maschinellen Lernnetzwerks und eines zweiten maschinellen Lernnetzwerks umfasst, wobei das Training Folgendes umfasst: Verwenden der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten; Erzeugen eines ersten Trainings-Tensor-Arrays aus der Trainings-Wellenform, wobei jedes Tensor-Bild in dem ersten Trainings-Tensor-Array ein Wellenform-Bild aufweist; Erzeugen eines zweiten Trainings-Tensor-Arrays, wobei jedes Tensor-Bild in dem zweiten Trainings-Tensor-Array drei oder mehr Wellenform-Bilder enthält; Bereitstellen des ersten Trainings-Tensor-Arrays und der Trainings-Entzerrer-Abgriffe für das erste maschinelle Lernnetzwerk als Trainingsdatensatz; und Bereitstellen der zweiten Trainings-Tensor-Arrays und der mit der Trainings-Wellenform verbundenen Abstimmungsparameter für das zweite maschinelle Lernnetzwerk als Trainingsdatensatz. - Das Verfahren nach einem der
Ansprüche 13 bis19 , wobei der Empfang eines Wellenformsignals, das aus dem Betrieb eines DUTs resultiert, den Empfang eines optischen Signals von dem DUT und die Umwandlung des optischen Signals in ein elektrisches Signal, das in die Wellenform umgewandelt werden soll, umfasst.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163232378P | 2021-08-12 | 2021-08-12 | |
US63/232,378 | 2021-08-12 | ||
US17/877,829 | 2022-07-29 | ||
US17/877,829 US11940889B2 (en) | 2021-08-12 | 2022-07-29 | Combined TDECQ measurement and transmitter tuning using machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022119975A1 true DE102022119975A1 (de) | 2023-02-16 |
Family
ID=85040013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022119975.4A Pending DE102022119975A1 (de) | 2021-08-12 | 2022-08-09 | Kombinierte tdecq-messung und senderabstimmung mit hilfe von maschinellem lernen |
Country Status (5)
Country | Link |
---|---|
US (1) | US11940889B2 (de) |
JP (1) | JP2023026402A (de) |
CN (1) | CN115706607A (de) |
DE (1) | DE102022119975A1 (de) |
TW (1) | TW202315350A (de) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022169996A1 (en) * | 2021-02-03 | 2022-08-11 | 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 |
Family Cites Families (106)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0454445B1 (de) | 1990-04-26 | 1996-07-03 | Fujitsu Limited | 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 |
WO2004064210A1 (en) | 2003-01-08 | 2004-07-29 | Ceyx Technologies, Inc. | Apparatus and method for measurement of 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 |
WO2011060145A1 (en) | 2009-11-12 | 2011-05-19 | Paul Reed Smith Guitars Limited Partnership | A precision measurement of waveforms using deconvolution and windowing |
US20110286506A1 (en) * | 2010-01-29 | 2011-11-24 | Lecroy Corporation | User Interface for Signal Integrity Network Analyzer |
US8938164B2 (en) | 2012-09-28 | 2015-01-20 | Intel Corporation | Optical link auto-setting |
US9059803B2 (en) | 2012-09-28 | 2015-06-16 | Intel Corporation | Mechanism for facilitating an optical instrumentation testing system employing multiple testing paths |
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 |
US9379878B1 (en) | 2013-12-27 | 2016-06-28 | Clariphy Communications, Inc. | Deskew in 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 |
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 |
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 |
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 |
US10903204B2 (en) | 2018-07-24 | 2021-01-26 | Amazing Microelectronic Corp. | Lateral transient voltage suppressor device |
WO2020020324A1 (zh) | 2018-07-27 | 2020-01-30 | 京东方科技集团股份有限公司 | 信号传输方法及装置、显示装置 |
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 |
CN112448760B (zh) | 2019-08-31 | 2022-07-29 | 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 |
DE112020005481T5 (de) | 2019-11-05 | 2022-09-15 | Georgia Tech Research Corporation | Vorrichtungen, systeme und verfahren zur bearbeitung optischer komponenten |
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 |
CN115104018A (zh) | 2020-02-14 | 2022-09-23 | 康普技术有限责任公司 | 用于光纤中的带宽测量的方法 |
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 |
US20210389349A1 (en) * | 2020-06-11 | 2021-12-16 | Tektronix, Inc. | Cyclic loop image representation for waveform data |
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 |
WO2022169996A1 (en) | 2021-02-03 | 2022-08-11 | Tektronix, Inc. | Eye classes separator with overlay, and composite and dynamic eye-trigger for humans and machine learning |
WO2022171280A1 (en) | 2021-02-11 | 2022-08-18 | Huawei Technologies Co., Ltd. | Optical system and method for configuring the optical system |
EP4057016A1 (de) | 2021-03-11 | 2022-09-14 | Tridonic GmbH & Co. KG | Verfahren zur vorhersage der restlebensdauer einer elektrischen komponente einer elektrischen schaltung |
US11923896B2 (en) * | 2021-03-24 | 2024-03-05 | Tektronix, Inc. | Optical transceiver tuning using machine learning |
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 |
US11646863B2 (en) * | 2021-10-12 | 2023-05-09 | Nvidia Corporation | Equalization adaptation schemes for high-speed links |
US20220200712A1 (en) | 2021-10-14 | 2022-06-23 | Intel Corporation | Link monitoring and indication of potential link failure |
US20230228803A1 (en) * | 2022-01-14 | 2023-07-20 | Tektronix, Inc. | Machine learning model training using de-noised data and model prediction with noise correction |
US20230306578A1 (en) * | 2022-03-28 | 2023-09-28 | Sonix, Inc. | Ultrasonic defect detection and classification system using machine learning |
-
2022
- 2022-07-29 US US17/877,829 patent/US11940889B2/en active Active
- 2022-08-09 TW TW111129847A patent/TW202315350A/zh unknown
- 2022-08-09 DE DE102022119975.4A patent/DE102022119975A1/de active Pending
- 2022-08-12 JP JP2022128673A patent/JP2023026402A/ja active Pending
- 2022-08-12 CN CN202210966822.XA patent/CN115706607A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230050303A1 (en) | 2023-02-16 |
CN115706607A (zh) | 2023-02-17 |
US11940889B2 (en) | 2024-03-26 |
TW202315350A (zh) | 2023-04-01 |
JP2023026402A (ja) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102022119975A1 (de) | Kombinierte tdecq-messung und senderabstimmung mit hilfe von maschinellem lernen | |
DE102022119966A1 (de) | Maschinelles lernen für abgriffe zur beschleunigung von tdecq und anderen messungen | |
DE102022112643A1 (de) | Kurzmuster-wellenformdatenbank-basiertes maschinelles lernen für messungen | |
DE102022106892A1 (de) | Optische senderabstimmung durch maschinelles lernen und referenzparameter | |
DE102022114207A1 (de) | Steuerung der Anwendung einer allgemeinen digitale Signalverarbeitung für eine Wellenform durch maschinelles Lernen | |
DE112019005914T5 (de) | Kategorisierung gewonnener daten basierend auf expliziten und impliziten mitteln | |
DE102023100643A1 (de) | Modelltraining für maschinelles lernen mit entrauschten daten und modellvorhersage mit rauschkorrektur | |
DE112020006911T5 (de) | Datenerzeugungsvorrichtung, System für maschinelles Lernen und Bearbeitungszustands-Schätzvorrichtung | |
DE102022106908A1 (de) | Abstimmen optischer transceiver durch maschinelles lernen | |
EP3282271A1 (de) | Verfahren zu einem einstellen und/oder anpassen von einem parameterwert von zumindest einem parameter eines magnetresonanzprotokolls für zumindest eine magnetresonanzsequenz | |
DE102022112412A1 (de) | Schätzung der bitfehlerrate durch maschinelles lernen | |
DE102021130630A1 (de) | Testen von software-anwendungskomponenten | |
DE102019210562A1 (de) | Verfahren und Vorrichtung zum Prüfen von Software | |
DE102021204550A1 (de) | Verfahren zum Erzeugen wenigstens eines Datensatzes zum Trainieren eines Algorithmus maschinellen Lernens | |
DE102010044039A1 (de) | Verfahren und Vorrichtung zur Qualitätsanalyse von Systemmodellen | |
DE102020206327A1 (de) | Verfahren und Vorrichtung zum Prüfen eines technischen Systems | |
DE102019131638A1 (de) | Verfahren zur adaptiven Anpassung eines Testablaufs, Verfahren zum Trainieren einer künstlichen Intelligenz, Test- und/oder Messgerät, Computerprogramm sowie computerlesbarer Datenträger | |
EP3748574A1 (de) | Adaptive bereinigung von messdaten um unterschiedliche arten von störungen | |
WO2020114724A1 (de) | Verfahren zum überprüfen wenigstens eines fahrzeugs sowie elektronische recheneinrichtung | |
DE102023115562A1 (de) | Rauschtrennung zur erhöhung der vorhersagegenauigkeit von maschinellem lernen in einem test- und messsystem | |
DE102023116141A1 (de) | Erzeugung von testdaten mit hilfe der hauptkomponentenanalyse | |
DE112010005924T5 (de) | Verfahren und System zum Weitergeben von Änderungen an einer Master-Einheit zu Duplikaten | |
DE102023116019A1 (de) | Oszilloskop mit einem hauptkomponentenanalysator | |
DE102008053201A1 (de) | Histogrammerzeugung mit Mehrfachinkrement-Lese-Modifizier-Schreib-Zyklen | |
DE102020125744A1 (de) | Bus-autoerkennung |