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 PDFInfo
- 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
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。
「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、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。
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。
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
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。
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
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)
- 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。 - 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。 - 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。
- 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。 - 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。 - 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。 - 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。 - 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。
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)
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)
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 |
-
2022
- 2022-07-29 US US17/877,829 patent/US11940889B2/en active Active
- 2022-08-09 DE DE102022119975.4A patent/DE102022119975A1/de active Pending
- 2022-08-09 TW TW111129847A patent/TW202315350A/zh unknown
- 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 |
---|---|
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 |