JP2023026402A - 試験測定システム及び被試験デバイスの試験方法 - Google Patents

試験測定システム及び被試験デバイスの試験方法 Download PDF

Info

Publication number
JP2023026402A
JP2023026402A JP2022128673A JP2022128673A JP2023026402A JP 2023026402 A JP2023026402 A JP 2023026402A JP 2022128673 A JP2022128673 A JP 2022128673A JP 2022128673 A JP2022128673 A JP 2022128673A JP 2023026402 A JP2023026402 A JP 2023026402A
Authority
JP
Japan
Prior art keywords
training
tensor
machine learning
test
waveform
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
Application number
JP2022128673A
Other languages
English (en)
Inventor
ジョン・ジェイ・ピカード
John J Pickerd
カン・タン
Kan Tan
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tektronix Inc
Original Assignee
Tektronix Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tektronix Inc filed Critical Tektronix Inc
Publication of JP2023026402A publication Critical patent/JP2023026402A/ja
Pending legal-status Critical Current

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Optical Communication System (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

【課題】ＤＵＴのＴＤＥＣＱ測定とパラメータの決定を短時間で行う。【解決手段】試験測定システムには、試験測定装置１０と、試験自動化プラットフォーム３０があり、被試験デバイス１４の動作によって作成された波形を受けて、第１及び第２テンソル・アレーを生成し、機械学習を第１テンソル・アレーに適用してイコライザタップ値を生成し、第２テンソル・アレーに機械学習を適用して被試験デバイスの予測チューニング・パラメータを生成し、イコライザ・タップ値を使用してＴＤＥＣＱ値を生成し、ＴＤＥＣＱ値と予測チューニング・パラメータを試験自動化プラットフォーム３０に提供する。【選択図】図１

Description

本開示は、試験測定システム及び被試験デバイスの試験方法に関し、特に、被試験デバイスのチューニング及び性能測定のためのシステム及び方法に関する。
機械学習技術は、例えば、ＴＤＥＣＱ（Transmitter Dispersion Eye Closure Quaternary）測定などの複雑な測定の速度を大幅に向上させることができる。測定速度の向上は、例えば、製造ラインでの生産のスループットの向上につながる。
特開２０１８－０５９９１２号公報 米国特許公開第２０２２／０２４７６４８号明細書
「8シリーズ・サンプリング・オシロスコープ」、２０２０年８月１８日リリース、テクトロニクス、［online］、［２０２２年８月１０日検索］、インターネット<https://www.tek.com/ja/products/oscilloscopes/8-series-sampling-oscilloscope>
被試験デバイス（ＤＵＴ）の性能の試験と検証のための製造ラインの時間を節約できれば、大きなコスト削減が可能となる。機械学習技術の進歩に伴い、これを効果的に利用できれば、ＤＵＴの性能の試験と検証のための製造ラインの時間を大幅に節約できる可能性がある。
そこで、本発明の実施形態は、ＤＵＴの性能の試験と検証に、機械学習技術を効果的に適用できるようにしようとするものである。
本発明による機械学習を使用した被試験デバイス（ＤＵＴ）の試験では、反復処理（ループ処理）が行われても良く、このとき、ＤＵＴがチューニング・パラメータのセットを受ける。このチューニング・パラメータのセットを使用してＤＵＴを動作させて得られる測定値を、所定の値又は値の範囲に対して比較し、その結果によって、そのＤＵＴが合格（pass）か又は不合格（fail）かが判断される。以下の説明では、具体的な状況における例を提供するために、光トランスミッタ又は光トランシーバをＤＵＴとしてチューニング及び試験する例を利用することがある。しかし、本願の実施形態は、ＤＵＴを光トランスミッタ又は光トランシーバに限定するものではなく、ＤＵＴが合格に必要な動作をしているか否かを判断するための試験プロセスを受ける任意のＤＵＴに適用できる。
図１は、試験測定システムの一実施形態を示す。 図２は、試験測定システム内の１つの機械学習ネットワークをトレーニングする実施形態を示す。 図３は、試験測定システム内の２つの機械学習ネットワークをトレーニングする実施形態を示す。 図４は、試験測定システム内の１つの機械学習ネットワークを使用して、ＴＤＥＣＱ試験を実行し、チューニング・パラメータを提供する実施形態を示す。 図５は、試験測定システム内の２つの機械学習ネットワークを使用して、ＴＤＥＣＱ試験を実行し、チューニング・パラメータを提供する実施形態を示す。 図６は、波形からテンソル・アレーを生成する方法の一実施形態を示す。
図１は、被試験デバイス（ＤＵＴ：Device under test）１４の例として、光トランシーバ（光送信機）を用いる試験のセットアップの実施形態を示す。この試験セットアップは、試験測定システムを構成し、試験測定システムは、オシロスコープなどの試験測定装置１０と、試験自動化プラットフォーム３０とを有していても良い。試験自動化プラットフォーム３０は、ＤＵＴ１４の合格／不合格（即ち、合否）の分析を実行するために製造ライン上に存在しても良い。
試験測定装置１０は、入力部１１において、典型的には、測定プローブ１６を介して、ＤＵＴ１４から電気信号を受信する。ＤＵＴ１４が光トランシーバの場合、プローブ１６は、典型的には、光電変換器（Ｏ／Ｅ）１８に結合された試験ファイバを有する。光電変換器１８は、ＤＵＴ１４からプローブ１６を介して受けた光信号を電気信号に変換し、試験測定装置１０は、この電気信号を受けてサンプリングし、デジタル化して、波形データとして取り込む。
試験測定装置１０が、例えば、等価時間サンプリングを行うサンプリング・オシロスコープならば、クロック・リカバリ・ユニット（CRU）２０が、波形データからクロック信号をリカバリしても良い。試験測定装置１０には、プロセッサ１２で表す１つ以上のプロセッサと、メモリ２２と、ユーザ・インタフェース（Ｕ/Ｉ）２６がある。メモリ２２は、実行可能な命令をプログラム（コード）の形式で記憶し、これは、プロセッサ１２によって実行されると、プロセッサ１２にタスクを実行させる。メモリ２２は、また、取り込まれた波形データ（本願では、単に「波形」とも呼ぶ）を記憶しても良い。試験測定装置１０のユーザ・インタフェース２６は、試験測定装置１０に対するユーザのインタラクティブな操作を可能にするもので、これによっては、ユーザは、試験測定装置１０の設定を入力したり、試験を設定したり等を行うことができる。基準イコライザ及び分析モジュール２４は、信号を等化処理するよう機能しても良い。
試験測定装置１０上のユーザ・インタフェース２６に代えて、又は、これに加えて、ユーザは、試験自動化プラットフォーム３０上のユーザ・インタフェース３４によって、試験測定装置１０を設定できても良い。また、ユーザは、ユーザ・インタフェース２６又は３４を通して、試験自動化プラットフォーム３０及び試験測定システム全体の設定を行えても良く、また、他の情報の提供を受けても良い。
試験自動化プラットフォーム３０は、実際上は、試験測定装置１０又は他のコンピューティング・デバイスの一部として構成されても良い。試験自動化プラットフォーム３０は、メーカーの生産ラインに存在することが多いとは思われるが、特定の場所や特定の状況での使用に限定することを意図するものではないし、示唆するものでもない。試験自動化プラットフォーム３０は、また、プロセッサ３２で表す１つ以上のプロセッサと、メモリ３６を有していても良い。
更に詳細に説明するように、試験測定装置１０上の１つ以上のプロセッサ１２と、試験自動化プラットフォーム３０上の１つ以上のプロセッサ３２とは、協調動作してタスクを分散処理しても良し、又は、プロセッサ１２とプロセッサ３２のどちらか一方だけが、全てのタスクを実行しても良い。以下で説明する機械学習ネットワークは、これらのプロ
セッサの中のいずれかが、１つ以上の機械学習ネットワークを動作させるように構成されるという形態をとっても良い。
本開示技術の実施形態は、以下の説明において「機械学習（Michine Learning：ＭＬ）ツール」と呼ばれるスタンドアロンのソフトウェア・アプリケーションに実装された構成を有していても良い。この機械学習ツール・ソフトウェア・アプリケーションは、ニューラル・ネットワークを利用する。試験自動化システムは、そのループ処理において、主要なシステム・コントローラとして試験自動化アプリケーションを動作させる。これは、動作パラメータ（チューニング・パラメータ）をＤＵＴに送信すると共に、ＤＵＴの温度を制御する。ＤＵＴが光トランシーバの例では、パラメータは伝送パラメータを含む。こうした手法は、例えば、本願出願人による米国特許出願第１７/７０１,１８６号「機械学習を用いたトランシーバ・チューニング」（出願日：２０２２年３月２２日出願）、特願２０２２－０４８３７４（出願日：令和４年３月２４日）に開示されている。また、試験自動化アプリケーションは、試験測定装置１０の波形アクイジション（波形データ取り込み）を、伝送/動作パラメータ（transmission/operating parameter）のアップデートと同期させる。更に、伝送/動作パラメータ値を機械学習ツール・ソフトウェアに提供し、ニューラル・ネットワークから次の推測パラメータ値を読み取る。ニューラル・ネットワークは、試験測定装置１０が取り込んだ波形に基づいて結果を推定する。
機械学習支援型パラメータ・チューニング・システムには、トレーニング・モードとランタイム・モードの２つの動作モードがある。トレーニング・モード中、試験自動化アプリケーションは、パラメータのセット（一連のパラメータ）をＤＵＴに送信し、その結果生じる波形を取り込む。ユーザは、パラメータを掃引（設定される範囲に渡ってパラメータの値を順次変更）して、全てのパラメータの設定で波形がどのように見えるかを機械が学習できるようにする。試験自動化ブロックは、波形とパラメータの大量のセットを、マシーン（機械、コンピュータ）をトレーニングするためのデータ・セットとして機械学習ツールに供給する。なお、マシーン（機械、コンピュータ）は、機械学習ネットワークが動作するマシーンなので、単に機械学習ネットワークとも呼ぶ。
ランタイム・モード中、トレーニングされたマシーンは、波形に関する最適化された等化処理フィルタ・タップ（通常、ＦＦＥ（フィード・フォワード・イコライザ）タップ）の推定値を作成すると共に、観測されたパラメータ・セットを作成するために使用される。ＦＦＥタップを適用すれば、ＤＵＴからの入力波形は等化処理（イコライズ）される。次いで、ＴＤＥＣＱ算出プロセスは、等化処理された波形を入力として使用する。このＴＤＥＣＱ算出プロセスは、通常、機械学習を使用してＴＤＥＣＱを取得するのではなく、既存の測定プロセスを使用して算出して良い。例えば、本願出願人が製造・販売するＴＳＯ８２０型サンプリング・オシロスコープとＴＳＯＶｕソフトウェアを組み合わせることで、ＴＤＥＣＱを測定しても良い（非特許文献１参照）。
図２は、単一のマシーン（機械、コンピュータ）、よって、１つの機械学習ネットワークをトレーニングする一実施形態を示す。ＦＦＥタップ最適化ブロック４０は、機械学習ネットワーク４４に送られるトレーニング波形に関するＦＦＥタップを最適化し、最適なＦＦＥタップ４２を見つけるために、既存のソフトウェアを使用しても良い。こうしたソフトウェアとしては、例えば、本願出願人による８シリーズ・サンプリング・オシロスコープ用のソフトウェア「ＴＳＯＶｕ」があり、８シリーズ・サンプリング・オシロスコープと組み合わせて、IEEE802.3規格に定めるＴＤＥＣＱ測定を行うことができ、その過程で、自動的に最適なＦＦＥタップを見つける機能がある（非特許文献１参照）。この実施形態では、マシーン（機械、コンピュータ）をトレーニングすることによって、波形テンソル・アレーを、パラメータと最適なＦＦＥタップとに関連付ける。パラメータ５２は、先に波形を取り込むのに使用した光トランシーバ（ＤＵＴ）に記憶された光トランシーバの動作パラメータ値であっても良い。
上述の波形テンソル・アレーは、本願出願人による２０２２年５月１８日出願の米国特許出願第１７/７４７,９５４号や米国特許公開第２０２２／０２４７６４８号明細書（特許文献２）に記載されているようなものであっても良い。図６は、こうした本願出願人の先行する出願に開示された波形からテンソル・アレーを生成する方法の一実施形態を示す。ＤＵＴから受信した波形５５は、ショート・パターン波形データベース・テンソル生成部４６によって複数のテンソル画像から成るアレー（array：配列）、即ち、テンソル・アレーに変換される。テンソル生成部４６は、２次元（２Ｄ）ヒストグラム画像のアレー（配列）を作成し、この２Ｄヒストグラム画像は、波形パターン中の短い部分又は短いパターン（ショート・パターン）をカバーしている。テンソル・アレーの各要素は、異なる画像であり、波形５５内の特定の短いパターンの複数のインスタンスのオーバーレイ（重ね合わせ）を含む。パターンは、アレー内のテンソルごとに異なる。例えば、テンソル・アレーのある１つの要素は、波形５５中のシンボル０、１、０の短い３シンボル長パターンの全てのインスタンスの画像のオーバーレイであっても良く、また、このテンソル・アレーの別の要素は、波形５５中のシンボル０、２、０の短い３シンボル長パターンの全てのインスタンスの画像のオーバーレイであっても良い、などである。図６は、得られるテンソル・アレーの例も示している。
本願の実施形態では、ショート・パターン波形データベース・テンソル生成部４６は、１つ以上のテンソル・アレーを生成する。本願の実施形態の場合では、特に、テンソル生成部４６は、２組のテンソル・アレー４８及び５０を生成する。本願で使用される用語「テンソル・アレー」は、複数のテンソル画像から成るアレーを意味する。テンソル・アレー４８には、１つのテンソル・アレーがあり、このテンソル・アレー中の複数のテンソル画像の夫々は、以下のランタイム動作で説明するＴＤＥＣＱ算出プロセスのためのＦＦＥタップを決定する際に使用される１つ以上の波形を有する。テンソル・アレー５０には、複数のテンソル画像から成る１つのテンソル・アレーがあり、各テンソル画像は、以下のランタイム動作で説明するチューニング・パラメータ・プロセスで使用される３つ以上の波形を有する。テンソル・アレー中の各テンソル画像は、更に、波形が取り込まれときのＤＵＴ等の温度を表す棒グラフなど、３つ以上の波形と関連する環境パラメータの描写を含んでも良い。即ち、これらテンソル・アレーは、主に、入力波形から生成された複数のショート・パターン波形テンソル画像から構成されるが、それに加えて、場合によっては、波形取り込み時のＤＵＴ等の温度を表す棒グラフなどの画像が補足情報的に付加されても良い。
ＴＤＥＣＱ算出プロセスでは、通常、ＴＤＥＣＱを測定するための既存の方法が使用される。これは、入力波形を受け、最適化されたタップを使って入力波形を等化処理（イコライズ）する。次に、必要な工程を内部的に実行してＴＤＥＣＱを測定し、ＴＤＥＣＱの値を出力する。そして、ＴＤＥＣＱの値を試験自動化アプリケーションに返すことで、合格／不合格の評価が行える。
図３は、試験測定システム内の２つのマシーン（Machine：機械、コンピュータ）、よって、２つの機械学習ネットワークをトレーニングする実施形態を示す。この実施形態には、マシーンＡ５４とマシーンＢ５６がある。マシーンＡ５４は、特に、テンソル・アレーを最適化されたＦＦＥタップに関連付ける処理の専用となっている。マシーンＡ５４は、ＦＦＥタップ最適化ブロック４０からの最適化されたＦＦＥタップ４２と、ショート・パターン波形データベース・テンソル生成部４６からの複数のテンソル画像から成る１つのアレーを含む第１テンソル・アレー４８とを受ける。この１つのアレーは、アレー内のテンソル画像ごとに１つの波形を有しても良い。マシーンＢ５６は、特に、パラメータをテンソル・アレーに関連付ける処理の専用となっている。マシーンＢ５６は、複数のテンソル画像から成る１つのアレーを含む第２テンソル・アレー５０を受ける。アレー内の各テンソル画像は、典型的には、３つの波形を有する（ただし、３つ以上の波形でも良い）。マシーンＢは、また、テンソル・アレー５０を生成するために使用される波形と関連する動作パラメータ５２を受ける。トレーニングで使用される様々なコンポーネントは、ランタイム中の対応するコンポーネントと区別するための識別子「トレーニング」を有している。例えば、波形は、「トレーニング波形」となり、ＦＦＥタップは、「トレーニングＦＦＥタップ」となる、などである。
ランタイムには、この例では、試験自動化プラットフォーム上で光トランスミッタをチューニングするという目的がある。上述したように、これは、製造業者の生産ライン上で実行される製造試験自動化プラットフォームを有していても良い。試験自動化アプリケーションは、システム全体を制御し、パラメータを使用してＤＵＴを設定し、ＤＵＴの波形を取り込むために試験測定装置をセットアップする。試験自動化アプリケーションは、波形とパラメータをチューニング・システムに送信する。システムは、波形を観察し、そのパラメータのセットが、ＴＤＥＣＱ値の制限範囲を通過する最適な波形を生じるのかどうかを判断する。そうでない場合、システムは新しいパラメータ・セットを試験自動化アプリケーションにフィードバックし、試験自動化アプリケーションがＤＵＴへロードして、再度、波形の観察が行われる。もしＤＵＴのＴＤＥＣＱ値が所望の制限範囲にある場合には、ＤＵＴは、合格し、最適化されていると見なされる。
図４は、単一の機械学習ネットワークを用いたランタイム・モード時の設定の一実施形態を示す。試験自動化ソフトウェア・アプリケーション６０は、例えば、図１の試験測定装置１０がＤＵＴから取り込んだ波形５５を受けて、その波形をショート・パターン波形データベース・テンソル生成部４６及びＴＤＥＣＱ測定部６２に提供する。試験自動化アプリケーション６０は、また、パラメータ５３のセットを出力し、それらをトレーニングされた機械学習ネットワーク４４に送信する。機械学習ネットワーク４４は、テンソル生成部４６からテンソル・アレー４８及び５０を受ける。機械学習ネットワーク４４は、夫々３つ以上の波形画像を使用した複数のテンソル画像を有するテンソル・アレー５０を使用して、予測パラメータ６６を生成し、それらを試験自動化アプリケーションに返す。機械学習ネットワーク４４は、また、パラメータ５３も使用して、予測パラメータ６６を生成しても良く、このとき、予測パラメータ６６は、例えば、波形５５が取り込まれたときの温度を有していても良い。機械学習ネットワーク４４は、複数のテンソル画像からなる単一のアレーを含むテンソル・アレー４８を受け、予測ＦＦＥタップ６４をＴＤＥＣＱ測定部６２に提供する。テンソル・アレー４８中の各テンソルは、１つの波形を用いている。ＴＤＥＣＱ測定部６２は、予測ＦＦＥタップ６４を使用して、波形５５を等化処理し、等化処理した波形に関するＴＤＥＣＱ値を算出し、そのＴＤＥＣＱ値６８を試験自動化アプリケーション６０に送信する。もしＴＤＥＣＱ値が基準を満たす場合には、チューニングは終了する。ＴＤＥＣＱ値が合格しない場合、試験自動化アプリケーションは、試験の次の反復処理で予測パラメータを使用する。
図５は、２つの機械学習ネットワークを使用するランタイム・モード時の設定の一実施形態を示す。マシーンＡ５４は、テンソル・アレー４８を受け、ＴＤＥＣＱ測定部６２のためのＦＦＥタップ６４のみを扱う。マシーンＢは、テンソル・アレー５０とパラメータ５３を受け、出力する予測パラメータ６６のみを扱う。
ＴＤＥＣＱ測定のスピードアップとチューニング・パラメータの決定を組み合わせたこのシステムの利点は、波形テンソル生成部を１回だけ動作させれば良いことである。もう１つの利点は、ＴｘのチューニングとＴＤＥＣＱの観測の両方に必要なのは、トレーニング済みのニューラル・ネットワークのみであることことから生じる。このシステムは、チューニング手順とＴＤＥＣＱ測定に、別々のトレーニング手順を必要とする従来のＴＤＥＣＱ測定手法を利用するよりも、工学的な設計手順を改善し、優れたユーザ体験を提供する。
本開示技術の態様は、特別に作成されたハードウェア、ファームウェア、デジタル・シグナル・プロセッサ又はプログラムされた命令に従って動作するプロセッサを含む特別にプログラムされた汎用コンピュータ上で動作できる。本願における「コントローラ」又は「プロセッサ」という用語は、マイクロプロセッサ、マイクロコンピュータ、ＡＳＩＣ及び専用ハードウェア・コントローラ等を意図する。本開示技術の態様は、１つ又は複数のコンピュータ（モニタリング・モジュールを含む）その他のデバイスによって実行される、１つ又は複数のプログラム・モジュールなどのコンピュータ利用可能なデータ及びコンピュータ実行可能な命令で実現できる。概して、プログラム・モジュールとしては、ルーチン、プログラム、オブジェクト、コンポーネント、データ構造などを含み、これらは、コンピュータその他のデバイス内のプロセッサによって実行されると、特定のタスクを実行するか、又は、特定の抽象データ形式を実現する。コンピュータ実行可能命令は、ハードディスク、光ディスク、リムーバブル記憶媒体、ソリッド・ステート・メモリ、ＲＡＭなどのコンピュータ可読記憶媒体に記憶しても良い。当業者には理解されるように、プログラム・モジュールの機能は、様々な実施例において必要に応じて組み合わせられるか又は分散されても良い。更に、こうした機能は、集積回路、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）などのようなファームウェア又はハードウェア同等物において全体又は一部を具体化できる。特定のデータ構造を使用して、本開示技術の１つ以上の態様をより効果的に実施することができ、そのようなデータ構造は、本願に記載されたコンピュータ実行可能命令及びコンピュータ使用可能データの範囲内と考えられる。
開示された態様は、場合によっては、ハードウェア、ファームウェア、ソフトウェア又はこれらの任意の組み合わせで実現されても良い。開示された態様は、１つ以上のプロセッサによって読み取られ、実行され得る１つ又は複数のコンピュータ可読媒体によって運搬されるか又は記憶される命令として実現されても良い。そのような命令は、コンピュータ・プログラム・プロダクトと呼ぶことができる。本願で説明するコンピュータ可読媒体は、コンピューティング装置によってアクセス可能な任意の媒体を意味する。限定するものではないが、一例としては、コンピュータ可読媒体は、コンピュータ記憶媒体及び通信媒体を含んでいても良い。
コンピュータ記憶媒体とは、コンピュータ読み取り可能な情報を記憶するために使用することができる任意の媒体を意味する。限定するものではないが、例としては、コンピュータ記憶媒体としては、ランダム・アクセス・メモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、電気消去可能プログラマブル読み出し専用メモリ（ＥＥＰＲＯＭ）、フラッシュメモリやその他のメモリ技術、コンパクト・ディスク読み出し専用メモリ（ＣＤ-ＲＯＭ）、ＤＶＤ（Digital Video Disc）やその他の光ディスク記憶装置、磁気カセット、磁気テープ、磁気ディスク記憶装置やその他の磁気記憶装置、及び任意の技術で実装された任意の他の揮発性又は不揮発性の取り外し可能又は取り外し不能の媒体を含んでいても良い。コンピュータ記憶媒体としては、信号そのもの及び信号伝送の一時的な形態は除外される。
通信媒体とは、コンピュータ可読情報の通信に利用できる任意の媒体を意味する。限定するものではないが、例としては、通信媒体には、電気、光、無線周波数（ＲＦ）、赤外線、音又はその他の形式の信号の通信に適した同軸ケーブル、光ファイバ・ケーブル、空気又は任意の他の媒体を含んでも良い。
加えて、本願の説明は、特定の特徴に言及している。本明細書における開示には、これらの特定の特徴の全ての可能な組み合わせが含まれると理解すべきである。ある特定の特
徴が特定の態様又は実施例に関連して開示される場合、その特徴は、可能である限り、他の態様及び実施例との関連においても利用できる。
また、本願において、２つ以上の定義されたステップ又は工程を有する方法に言及する場合、これら定義されたステップ又は工程は、状況的にそれらの可能性を排除しない限り、任意の順序で又は同時に実行しても良い。
明細書、要約書、特許請求の範囲及び図面に開示される全ての機能、並びに開示される任意の方法又はプロセスにおける全てのステップは、そのような機能やステップの少なくとも一部が相互に排他的な組み合わせである場合を除いて、任意の組み合わせで組み合わせることができる。明細書、要約書、特許請求の範囲及び図面に開示される機能の夫々は、特に明記されない限り、同じ、等価、又は類似の目的を果たす代替の機能によって置き換えることができる。

実施例
以下では、本願で開示される技術の理解に有益な実施例が提示される。この技術の実施形態は、以下で記述する実施例の１つ以上及び任意の組み合わせを含んでいても良い。
実施例１は、試験測定システムであって、試験測定装置と、試験自動化プラットフォームと、１つ以上のプロセッサとを具え、該１つ以上のプロセッサが、被試験デバイスの動作によって生成される波形を受ける処理と、１つ以上のテンソル・アレーを生成する処理と、上記１つ以上のテンソル・アレーの中の第１テンソル・アレーに機械学習を適用してイコライザ・タップ値を生成する処理と、上記１つ以上のテンソル・アレーの中の第２テンソル・アレーに機械学習を適用して上記被試験デバイスに関する予測チューニング・パラメータを生成する処理と、上記イコライザ・タップ値を使用してＴＤＥＣＱ値を生成する処理と、上記ＴＤＥＣＱ値と上記予測チューニング・パラメータを上記試験自動化プラットフォームに提供する処理とを上記１つ以上のプロセッサに行わせるプログラムを実行するよう構成される。
実施例２は、実施例１の試験測定システムであって、上記第１テンソル・アレーは、１つの波形を夫々有する複数のテンソル画像を含む。
実施例３は、実施例１又は２の試験測定システムであって、上記第２テンソル・アレーは、３つ以上の波形を夫々有する複数のテンソル画像を含む。
実施例４は、実施例１から３のいずれかの試験測定システムであって、上記第１テンソル・アレーに機械学習を適用する処理を上記１つ以上のプロセッサに行わせるプログラムと、上記第２テンソル・アレーに機械学習を適用する処理を上記１つ以上のプロセッサに行わせるプログラムは、同じ機械学習ネットワーク内で動作する。
実施例５は、実施例１から４のいずれかの試験測定システムであって、上記第１テンソル・アレーに機械学習を適用する処理を上記１つ以上のプロセッサに行わせるプログラムと、上記第２テンソル・アレーに機械学習を適用する処理を上記１つ以上のプロセッサに行わせるプログラムは、夫々別々の機械学習ネットワークで動作する。
実施例６は、実施例１から５の試験測定システムであって、上記１つ以上のプロセッサは、上記１つ以上のプロセッサに１つ以上の機械学習ネットワークをトレーニングさせるプログラムを実行するように更に構成され、該プログラムは、上記１つ以上のプロセッサに、トレーニング波形を受ける処理と、上記トレーニング波形を使用してトレーニング・
イコライザ・タップ値を生成する処理と、上記トレーニング波形から１つ以上のトレーニング・テンソル・アレーを生成する処理と、上記トレーニング・テンソル・アレー、上記トレーニング・イコライザ・タップ及び上記トレーニング波形と関連するチューニング・パラメータをトレーニング・データ・セットとして上記１つ以上の機械学習ネットワークに提供する処理とを行わせる。
実施例７は、実施例６の試験測定システムであって、上記１つ以上の機械学習ネットワークが、上記イコライザ・タップ値を生成するようにトレーニング可能な第１機械学習ネットワークと、上記予測チューニング・パラメータを生成するようにトレーニング可能な第２機械学習ネットワークとを含む。
実施例８は、実施例７の試験測定システムであって、上記１つ以上のプロセッサは、上記１つ以上のプロセッサに上記第１機械学習ネットワークをトレーニングさせるプログラムを実行するように更に構成され、該プログラムは、上記１つ以上のプロセッサに、トレーニング波形を受ける処理と、上記トレーニング波形を使用してトレーニング・イコライザ・タップ値を生成する処理と、１つの波形を夫々含む複数のテンソル画像を有する１つのトレーニング・テンソル・アレーを上記トレーニング波形から生成する処理と、上記トレーニング・テンソル・アレー及び上記トレーニング・イコライザ・タップ値をトレーニング・データ・セットとして上記第１機械学習ネットワークに供給する処理とを行わせる。
実施例９は、実施例７の試験測定システムにおいて、上記１つ以上のプロセッサは、上記１つ以上のプロセッサに、上記第２機械学習ネットワークをトレーニングさせるプログラムを実行するように更に構成され、該プログラムは、上記１つ以上のプロセッサに、トレーニング波形を受ける処理と、３つ以上の波形を夫々含む複数のテンソル画像を有する１つのトレーニング・テンソル・アレーを上記トレーニング波形から生成する処理と、上記トレーニング・テンソル・アレーと上記トレーニング波形と関連するチューニング・パラメータをトレーニング・データ・セットとして上記第２械学習ネットワークに供給する処理とを行わせる。
実施例１０は、実施例１から９のいずれかの試験測定システムであって、上記１つ以上のプロセッサが、上記試験測定装置及び上記試験自動化プラットフォームの中の少なくとも１つに存在する１つ以上のプロセッサを含む。
実施例１１は、実施例１から１０のいずれかの試験測定システムであって、上記被試験デバイスが、光トランシーバ又は光トラスミッタを含む。
実施例１２は、実施例１１の試験測定システムであって、光信号を受ける光ファイバを有するプローブと、上記波形に変換される電気信号を上記光信号から生成する光電変換部とを更に具える。
実施例１３は、被試験デバイスの試験方法であって、上記被試験デバイスの動作によって生成される波形を受ける処理と、１つ以上のテンソル・アレーを生成する処理と、上記１つ以上のテンソル・アレーの中の第１テンソル・アレーに機械学習を適用してイコライザ・タップ値を生成する処理と、上記１つ以上のテンソル・アレーの中の第２テンソル・アレーに機械学習を適用して上記被試験デバイスに関する予測チューニング・パラメータを生成する処理と、上記イコライザ・タップ値を使用してＴＤＥＣＱ値を生成する処理と、上記ＴＤＥＣＱ値と上記予測チューニング・パラメータを試験自動化プラットフォームに提供する処理とを具える。
実施例１４は、実施例１３の方法であって、上記第１テンソル・アレーは、１つの波形を夫々有する複数のテンソル画像を含む。
実施例１５は、実施例１３又は１４のいずれかの方法であって、上記第２テンソル・アレーは、３つ以上の波形を夫々有する複数のテンソル画像を含む。
実施例１６は、実施例１３から１５のいずれかの方法であって、機械学習を上記第１テンソル・アレーに適用する処理と、上記第２テンソル・アレーに機械学習を適用する処理は、１つ機械学習ネットワークによって機械学習を適用する。
実施例１７は、実施例１３から１５のいずれかの方法であって、上記第１テンソル・アレーに機械学習を適用する処理は、上記第１機械学習ネットワークを用いて機械学習を適用する処理を含み、上記第２テンソル・アレーに機械学習を適用する処理は、上記第２機械学習ネットワークを用いて機械学習を適用する処理を含む。
実施例１８は、実施例１３から１７のいずれかの方法であって、１つ以上の機械学習ネットワークをトレーニングする処理を更に具え、該トレーニングする処理が、トレーニング波形を受ける処理と、上記トレーニング波形を使用してトレーニング・イコライザ・タップ値を生成する処理と、上記トレーニング波形から１つ以上のトレーニング・テンソル・アレーを生成する処理と、上記トレーニング・イコライザ・タップ値及び上記トレーニング波形と関連するチューニング・パラメータを上記１つ以上の機械学習ネットワークにトレーニング・データ・セットとして供給する処理とを有している。
実施例１９は、実施例１８の方法であって、１つ以上の機械ネットワークをトレーニングする処理が、第１機械学習ネットワーク及び第２機械学習ネットワークをトレーニングする処理を含み、該トレーニングする処理が、上記トレーニング波形を使用してトレーニング・イコライザ・タップ値を生成する処理と、１つの波形を夫々有する複数のテンソル画像を含む第１トレーニング・テンソル・アレーを上記トレーニング波形から生成する処理と、３つ以上の波形を夫々有する複数のテンソル画像を含む第２トレーニング・テンソル・アレーを生成する処理と、上記第１トレーニング・テンソル・アレー及び上記トレーニング・イコライザ・タップ値を上記第１機械学習ネットワークにトレーニング・データ・セットとして供給する処理と、上記第２トレーニング・テンソル・アレー及び上記トレーニング波形と関連するチューニング・パラメータを上記第２機械学習ネットワークにトレーニング・データ・セットとして供給する処理とを有している。
実施例２０は、実施例１３から１９のいずれかの方法であって、上記被試験デバイスの動作によって生成される波形を受ける処理が、上記被試験デバイスから光信号を受ける処理と、上記光信号を上記波形に変換される電気信号に変換する処理とを有している。
説明の都合上、本発明の具体的な実施例を図示し、説明してきたが、本発明の要旨と範囲から離れることなく、種々の変更が可能なことが理解できよう。従って、本発明は、添付の請求項以外では、限定されるべきではない。
１０ 試験測定装置
１１ 入力部
１２ プロセッサ
１４ 被試験デバイス（ＤＵＴ）
１６ 試験ファイバ／プローブ
１８ 光電変換器
２０ クロック・リカバリ・ユニット（ＣＲＵ）
２２ メモリ
２４ 基準イコライザ及び分析モジュール
２６ ユーザ・インタフェース（Ｕ/Ｉ）
３０ 試験自動化プラットフォーム
３２ プロセッサ
３４ ユーザ・インタフェース（Ｕ/Ｉ）
３６ メモリ
４０ ＦＦＥタップ最適化ブロック
４４ 機械学習ネットワーク
４６ ショート・パターン波形データベース・テンソル生成部
５４ 機械学習ネットワークＡ
５６ 機械学習ネットワークＢ
６０ ユーザ試験自動化ソフトウェア・アプリケーション
６２ ＴＤＥＣＱ測定部

Claims (8)

  1. 試験測定装置と、
    試験自動化プラットフォームと、
    １つ以上のプロセッサと
    を具え、該１つ以上のプロセッサが、
    被試験デバイスの動作によって生成される波形を受ける処理と、
    １つ以上のテンソル・アレーを生成する処理と、
    上記１つ以上のテンソル・アレーの中の第１テンソル・アレーに機械学習を適用してイコライザ・タップ値を生成する処理と、
    上記１つ以上のテンソル・アレーの中の第２テンソル・アレーに機械学習を適用して上記被試験デバイスに関する予測チューニング・パラメータを生成する処理と、
    上記イコライザ・タップ値を使用してＴＤＥＣＱ値を生成する処理と、
    上記ＴＤＥＣＱ値と上記予測チューニング・パラメータを上記試験自動化プラットフォームに提供する処理と
    を上記１つ以上のプロセッサに行わせるプログラムを実行するよう構成される試験測定システム。
  2. 上記１つ以上のプロセッサは、上記１つ以上のプロセッサに、１つ以上の機械学習ネットワークをトレーニングさせるプログラムを実行するように更に構成され、該プログラムは、上記１つ以上のプロセッサに、
    トレーニング波形を受ける処理と、
    上記トレーニング波形を使用してトレーニング・イコライザ・タップ値を生成する処理と、
    上記トレーニング波形から１つ以上のトレーニング・テンソル・アレーを生成する処理と、
    上記トレーニング・テンソル・アレー、上記トレーニング・イコライザ・タップ及び上記トレーニング波形と関連するチューニング・パラメータをトレーニング・データ・セットとして上記１つ以上の機械学習ネットワークに提供する処理と
    を行わせる請求項１の試験測定システム。
  3. 上記１つ以上のプロセッサは、上記１つ以上のプロセッサに、上記イコライザ・タップ値を生成するようにトレーニング可能な第１機械学習ネットワークと、上記予測チューニング・パラメータを生成するようにトレーニング可能な第２機械学習ネットワークとをトレーニングさせるプログラムを実行するように更に構成される請求項１の試験測定システム。
  4. 上記１つ以上のプロセッサに、上記第１機械学習ネットワークをトレーニングさせるプログラムは、実行されたときに、更に、上記１つ以上のプロセッサに、
    トレーニング波形を受ける処理と、
    上記トレーニング波形を使用してトレーニング・イコライザ・タップ値を生成する処理と、
    １つの波形を夫々含む複数のテンソル画像を有する１つのトレーニング・テンソル・アレーを上記トレーニング波形から生成する処理と、
    上記トレーニング・テンソル・アレー及び上記トレーニング・イコライザ・タップ値をトレーニング・データ・セットとして上記第１機械学習ネットワークに供給する処理と
    を行わせる請求項３の試験測定システム。
  5. 上記１つ以上のプロセッサに、上記第２機械学習ネットワークをトレーニングさせるプログラムは、実行されたときに、更に、上記１つ以上のプロセッサに、
    トレーニング波形を受ける処理と、
    ３つ以上の波形を夫々含む複数のテンソル画像を有する１つのトレーニング・テンソル・アレーを上記トレーニング波形から生成する処理と、
    上記トレーニング・テンソル・アレーと上記トレーニング波形と関連するチューニング・パラメータをトレーニング・データ・セットとして上記第２械学習ネットワークに供給する処理と
    を行わせる請求項３の試験測定システム。
  6. 被試験デバイスの動作によって生成される波形を受ける処理と、
    １つ以上のテンソル・アレーを生成する処理と、
    上記１つ以上のテンソル・アレーの中の第１テンソル・アレーに機械学習を適用してイコライザ・タップ値を生成する処理と、
    上記１つ以上のテンソル・アレーの中の第２テンソル・アレーに機械学習を適用して上記被試験デバイスに関する予測チューニング・パラメータを生成する処理と、
    上記イコライザ・タップ値を使用してＴＤＥＣＱ値を生成する処理と、
    上記ＴＤＥＣＱ値と上記予測チューニング・パラメータを試験自動化プラットフォームに提供する処理と
    を具える被試験デバイスの試験方法。
  7. １つ以上の機械学習ネットワークをトレーニングする処理を更に具え、該トレーニングする処理が、
    トレーニング波形を受ける処理と、
    上記トレーニング波形を使用してトレーニング・イコライザ・タップ値を生成する処理と、
    上記トレーニング波形から１つ以上のトレーニング・テンソル・アレーを生成する処理と、
    上記トレーニング・イコライザ・タップ値及び上記トレーニング波形と関連するチューニング・パラメータを上記１つ以上の機械学習ネットワークにトレーニング・データ・セットとして供給する処理と
    を有する請求項６の被試験デバイスの試験方法。
  8. １つ以上の機械ネットワークをトレーニングする処理が、第１機械学習ネットワーク及び第２機械学習ネットワークをトレーニングする処理を含み、該トレーニングする処理が、
    上記トレーニング波形を使用してトレーニング・イコライザ・タップ値を生成する処理と、
    １つの波形を夫々有する複数のテンソル画像を含む第１トレーニング・テンソル・アレーを上記トレーニング波形から生成する処理と、
    ３つ以上の波形を夫々有する複数のテンソル画像を含む第２トレーニング・テンソル・アレーを生成する処理と、
    上記第１トレーニング・テンソル・アレー及び上記トレーニング・イコライザ・タップ値を上記第１機械学習ネットワークにトレーニング・データ・セットとして供給する処理と、
    上記第２トレーニング・テンソル・アレー及び上記トレーニング波形と関連するチューニング・パラメータを上記第２機械学習ネットワークにトレーニング・データ・セットとして供給する処理と
    を有する請求項７の被試験デバイスの試験方法。
JP2022128673A 2021-08-12 2022-08-12 試験測定システム及び被試験デバイスの試験方法 Pending JP2023026402A (ja)

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
JP2023026402A true JP2023026402A (ja) 2023-02-24

Family

ID=85040013

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022128673A Pending JP2023026402A (ja) 2021-08-12 2022-08-12 試験測定システム及び被試験デバイスの試験方法

Country Status (5)

Country Link
US (1) US11940889B2 (ja)
JP (1) JP2023026402A (ja)
CN (1) CN115706607A (ja)
DE (1) DE102022119975A1 (ja)
TW (1) TW202315350A (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220247648A1 (en) * 2021-02-03 2022-08-04 Tektronix, Inc. Eye classes separator with overlay, and composite, and dynamic eye-trigger for humans and machine learning
US11923895B2 (en) 2021-03-24 2024-03-05 Tektronix, Inc. Optical transmitter tuning using machine learning and reference parameters

Family Cites Families (106)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69120594T2 (de) 1990-04-26 1997-01-09 Fujitsu Ltd Wellenformentzerrer mit Neuronalnetzwerk
US5594655A (en) 1993-08-20 1997-01-14 Nicolet Instrument Corporation Method and apparatus for frequency triggering in digital oscilloscopes and the like
US5397981A (en) 1994-02-28 1995-03-14 Fluke Corporation Digital storage oscilloscope with automatic time base
US6715112B2 (en) 2000-11-29 2004-03-30 Agilent Technologies, Inc. Method and apparatus for displaying triggered waveform on an error performance analyzer
US7181146B1 (en) 2001-01-17 2007-02-20 Optical Communication Products, Inc. Self-adjusting data transmitter
US7298463B2 (en) 2001-04-23 2007-11-20 Circadiant Systems, Inc. Automated system and method for optical measurement and testing
US6975642B2 (en) 2001-09-17 2005-12-13 Finisar Corporation Optoelectronic device capable of participating in in-band traffic
USRE43685E1 (en) 2002-01-08 2012-09-25 Tecey Software Development Kg, Llc Apparatus and method for measurement for dynamic laser signals
US6892150B2 (en) 2002-05-24 2005-05-10 Tektronix, Inc. Combined analog and DSP trigger system for a digital storage oscilloscope
US6885685B2 (en) 2002-06-11 2005-04-26 Sumitomo Electric Industries, Ltd. Control system for a laser diode and a method for controlling the same
TW524969B (en) 2002-07-25 2003-03-21 Faztec Optronics Corp Rapid testing system for optical transmission module and the testing method
KR100516662B1 (ko) 2003-01-04 2005-09-22 삼성전자주식회사 에스씨엠 아날로그 광전송시 레이저다이오드의 바이어스를최적화하기 위한 광전송 시스템
US6836493B2 (en) 2003-01-15 2004-12-28 Agilent Technologies, Inc. Laser initialization in firmware controlled optical transceiver
US6909731B2 (en) 2003-01-23 2005-06-21 Cheng Youn Lu Statistic parameterized control loop for compensating power and extinction ratio of a laser diode
US20040236527A1 (en) 2003-05-21 2004-11-25 Felps Jimmie Doyle Method and apparatus for synchronous viewing of asynchronous waveforms
US7467336B2 (en) 2004-02-02 2008-12-16 Synthesys Research, Inc Method and apparatus to measure and display data dependent eye diagrams
US20050222789A1 (en) 2004-03-31 2005-10-06 West Burnell G Automatic test system
US7245828B2 (en) 2004-10-29 2007-07-17 Finisar Coporation Extinction ratio determination using duty cycle modulation
US20080126001A1 (en) * 2006-09-01 2008-05-29 Murray David W Equipment testing system and method having scaleable test line limits
JP2008158391A (ja) 2006-12-26 2008-07-10 Nec Corp 光送信器および光送信制御方法
US8526821B2 (en) 2006-12-29 2013-09-03 Finisar Corporation Transceivers for testing networks and adapting to device changes
US8583395B2 (en) 2007-07-23 2013-11-12 Finisar Corporation Self-testing optical transceiver
US8040391B2 (en) 2007-08-06 2011-10-18 Panasonic Corporation White balance adjustment device, image capture device, white balance adjustment method, storage medium, and integrated circuit
CN101355404B (zh) 2008-09-04 2011-04-06 中兴通讯股份有限公司 一种优化调整发射机参数的装置和方法
JP5359760B2 (ja) 2009-10-09 2013-12-04 住友電気工業株式会社 光トランシーバ
JP5706910B2 (ja) 2009-11-12 2015-04-22 ポール リード スミス ギターズ、リミテッド パートナーシップ デジタル信号処理のための方法、コンピュータ可読ストレージ媒体および信号処理システム
US20110286506A1 (en) * 2010-01-29 2011-11-24 Lecroy Corporation User Interface for Signal Integrity Network Analyzer
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
US9742689B1 (en) 2013-12-27 2017-08-22 Inphi Corporation Channel negotiation for a high speed link
US9136952B2 (en) 2014-01-17 2015-09-15 Tektronix, Inc. Pulse amplitude modulation (PAM) bit error test and measurement
US9866928B2 (en) 2014-11-21 2018-01-09 Nec Corporation Intra-transceiver optical superchannel switching via RF sub-band multiplexing technique
US20160328501A1 (en) * 2015-05-05 2016-11-10 Fractal Audio Systems Automatic AMP Matching
KR102356890B1 (ko) 2015-06-11 2022-01-28 삼성전자 주식회사 온도 조절 장치 제어 방법 및 장치
US9548858B1 (en) 2016-01-18 2017-01-17 Inphi Corporation Skew management for PAM communication systems
US9699009B1 (en) 2016-06-30 2017-07-04 International Business Machines Corporation Dual-mode non-return-to-zero (NRZ)/ four-level pulse amplitude modulation (PAM4) receiver with digitally enhanced NRZ sensitivity
JP6717082B2 (ja) 2016-06-30 2020-07-01 富士通オプティカルコンポーネンツ株式会社 光送信モジュールおよび光送信モジュールの制御方法
US10585121B2 (en) 2016-09-12 2020-03-10 Tektronix, Inc. Recommending measurements based on detected waveform type
US10956500B2 (en) * 2017-01-19 2021-03-23 Google Llc Dynamic-length stateful tensor array
WO2018162048A1 (en) 2017-03-07 2018-09-13 Advantest Corporation Test apparatus and method for characterizing a device under test
CN107342810B (zh) 2017-07-03 2019-11-19 北京邮电大学 基于卷积神经网络的深度学习智能眼图分析方法
US20190038387A1 (en) 2017-08-07 2019-02-07 Dentsply Sirona Inc. Integrated porcelain system for a dental prosthesis
US10749594B1 (en) 2017-08-18 2020-08-18 DeepSig Inc. Learning-based space communications systems
US11032022B1 (en) 2017-10-11 2021-06-08 Genghiscomm Holdings, LLC Detection, analysis, and countermeasures for automated and remote-controlled devices
US10270527B1 (en) 2017-11-22 2019-04-23 Mellanox Technologies, Ltd. Method for testing optical transmitters
US10236982B1 (en) 2017-12-21 2019-03-19 Ciena Corporation Fiber parameter identification
US10608672B2 (en) 2017-12-22 2020-03-31 Massachusetts Institute Of Technology Decoding concatenated codes by guessing noise
CN111630936A (zh) 2017-12-30 2020-09-04 英特尔公司 用于无线通信的方法和设备
CN110213678B (zh) 2018-02-28 2020-09-08 上海诺基亚贝尔股份有限公司 无源光网络中的通信方法、设备和计算机可读介质
US10592141B2 (en) 2018-03-06 2020-03-17 Western Digital Technologies, Inc. Error characterization for control of non-volatile memory
US10396897B1 (en) 2018-04-17 2019-08-27 General Electric Company Systems and methods for predicting defects in optical transceiver devices
US10171161B1 (en) 2018-04-23 2019-01-01 Ciena Corporation Machine learning for link parameter identification in an optical communications system
US11238346B2 (en) * 2018-04-25 2022-02-01 Qualcomm Incorproated Learning a truncation rank of singular value decomposed matrices representing weight tensors in neural networks
US10903204B2 (en) 2018-07-24 2021-01-26 Amazing Microelectronic Corp. Lateral transient voltage suppressor device
US11335238B2 (en) 2018-07-27 2022-05-17 Chongqing Boe Optoelectronics Technology Co., Ltd. Signal transmission method and apparatus, and display device
US11468206B2 (en) 2018-08-20 2022-10-11 Sri International Machine learning system for building renderings and building information modeling data
US11181552B2 (en) * 2018-11-28 2021-11-23 Tektronix, Inc. Categorization of acquired data based on explicit and implicit means
CN111327367B (zh) 2018-12-14 2022-01-18 上海诺基亚贝尔股份有限公司 光网络中的光发射器、方法和存储介质
US10852323B2 (en) 2018-12-28 2020-12-01 Rohde & Schwarz Gmbh & Co. Kg Measurement apparatus and method for analyzing a waveform of a signal
US11237190B2 (en) 2019-01-21 2022-02-01 Tektronix, Inc. Automatic detection of logical path segments in a measurement population
US11595289B2 (en) 2019-03-29 2023-02-28 Barefoot Networks, Inc. Network testing using a programmable packet engine
US10863255B2 (en) 2019-04-17 2020-12-08 Cisco Technology, Inc. Method and system for optical path restoration
US10727973B1 (en) 2019-04-19 2020-07-28 Fujitsu Limited Apparatus and method for self-learning and predictive DWDM network
US10935603B1 (en) 2019-08-07 2021-03-02 Seagate Technology Llc Data channel optimization with smart black box algorithms
US11494608B2 (en) * 2019-08-14 2022-11-08 Intel Corporation Methods and apparatus to tile walk a tensor for convolution operations
CN115441944A (zh) 2019-08-31 2022-12-06 华为技术有限公司 一种获取发射机测试参数的方法和装置以及存储介质
US11005697B2 (en) 2019-09-03 2021-05-11 Cisco Technology, Inc. Orthogonal frequency-division multiplexing equalization using deep neural network
US11133865B2 (en) 2019-10-08 2021-09-28 Nec Corporation Optical network performance evaluation using a hybrid neural network
WO2021092156A1 (en) 2019-11-05 2021-05-14 Georgia Tech Research Corporation Devices, systems, and methods for processing optical components
KR20210063721A (ko) 2019-11-25 2021-06-02 삼성전자주식회사 뉴로모픽 장치 및 이를 포함하는 뉴로모픽 시스템
US11323184B2 (en) * 2019-11-29 2022-05-03 Maxim Integrated Products, Inc. Chromatic dispersion equalizer adaption systems and methods
MX2022009652A (es) 2020-02-14 2022-09-07 Commscope Technologies Llc Metodo para medicion del ancho de banda en una fibra optica.
CN113518271B (zh) 2020-04-10 2024-02-13 上海诺基亚贝尔股份有限公司 无源光网络中用于信道管理的方法、装置和系统
US11336378B2 (en) 2020-04-17 2022-05-17 Cisco Technology, Inc. Techniques for applying equalization to signals received over multimode fiber links
CN115667947A (zh) * 2020-06-11 2023-01-31 特克特朗尼克公司 用于测量和机器学习的多电平信号循环环路图像表示的系统和方法
US20220070040A1 (en) 2020-08-25 2022-03-03 Qualcomm Incorporated Machine Learning Based Nonlinearity Mitigation Using Peak Reduction Tones
KR20220032925A (ko) 2020-09-08 2022-03-15 삼성전자주식회사 펄스 진폭 변조 기반 dq 신호를 생성하는 메모리 장치, 메모리 컨트롤러 및 이들을 포함하는 메모리 시스템
KR20220050317A (ko) 2020-10-16 2022-04-25 삼성전자주식회사 멀티 레벨 시그널링을 이용하는 메모리 장치의 테스트용 신호 생성 방법 및 이를 수행하는 메모리 장치
US11177986B1 (en) 2020-11-24 2021-11-16 Texas Instruments Incorporated Lane adaptation in high-speed serial links
KR20220086948A (ko) 2020-12-17 2022-06-24 삼성전자주식회사 기준 전압 트레이닝을 수행하는 수신기 및 이를 포함하는 메모리 시스템
KR20220099251A (ko) 2021-01-06 2022-07-13 삼성전자주식회사 멀티 레벨 신호 수신을 위한 수신기, 이를 포함하는 메모리 장치 및 이를 이용한 데이터 수신 방법
EP3936877B1 (en) 2021-01-22 2022-12-21 Rohde & Schwarz GmbH & Co. KG Measurement instrument, measurement system, and signal processing method
CN114793305A (zh) 2021-01-25 2022-07-26 上海诺基亚贝尔股份有限公司 用于光通信的方法、设备、装置和介质
US20220247648A1 (en) 2021-02-03 2022-08-04 Tektronix, Inc. Eye classes separator with overlay, and composite, and dynamic eye-trigger for humans and machine learning
EP4241394A1 (en) 2021-02-11 2023-09-13 Huawei Technologies Co., Ltd. Optical system and method for configuring the optical system
EP4057016A1 (en) 2021-03-11 2022-09-14 Tridonic GmbH & Co. KG Method for predicting a remaining lifetime of an electrical component of an electrical circuit
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

Also Published As

Publication number Publication date
US11940889B2 (en) 2024-03-26
US20230050303A1 (en) 2023-02-16
TW202315350A (zh) 2023-04-01
DE102022119975A1 (de) 2023-02-16
CN115706607A (zh) 2023-02-17

Similar Documents

Publication Publication Date Title
JP2023026402A (ja) 試験測定システム及び被試験デバイスの試験方法
EP3293528B1 (en) Recommending measurements based on detected waveform type
US11907090B2 (en) Machine learning for taps to accelerate TDECQ and other measurements
JP2022162977A (ja) 試験測定システム、光トランスミッタのチューニング方法及び光トランスミッタをチューニングするための機械学習システムのトレーニング方法
US20220390515A1 (en) General digital signal processing waveform machine learning control application
US11923896B2 (en) Optical transceiver tuning using machine learning
US20200166546A1 (en) Categorization of acquired data based on explicit and implicit means
US20230228803A1 (en) Machine learning model training using de-noised data and model prediction with noise correction
US20080126001A1 (en) Equipment testing system and method having scaleable test line limits
US20130046498A1 (en) Multi-testing procedure management method and system
US7630632B2 (en) Method for measuring the high speed behavior of fiber optic transceivers
TW202318020A (zh) 具有包括對受測裝置模擬之參數控制之機器學習波形產生的數位分身
CN108844642B (zh) 探测器层析仪及量子层析方法
US20240168471A1 (en) Interoperability predictor using machine learning and repository of tx, channel, and rx models from multiple vendors
JP2020003282A5 (ja)
JP2023183409A (ja) 試験測定装置及び被試験デバイスの性能測定方法
TW202413957A (zh) 分離雜訊以增加測試及測量系統中的機器學習預測準確度
CN116451738A (zh) 使用去噪声数据的机器学习模型训练和具有噪声校正的模型预测
JP2023046410A (ja) 試験測定装置及び試験データ分析方法
CN114563637A (zh) 一种线束传导干扰确定方法及相关设备
CN118069982A (en) Interoperability predictor for warehousing using machine learning and Tx, channel and Rx models from multiple vendors
CN117235467A (zh) 分离噪声以提高测试和测量系统中的机器学习预测准确性
TW202334851A (zh) 用於機器學習模型訓練與部署的系統及方法
Bellizzotti Experimental Methodologies for Automotive Non-Manual Transmission Systems