TW202247617A - 使用機器學習及參考參數的光發射器調諧 - Google Patents
使用機器學習及參考參數的光發射器調諧 Download PDFInfo
- Publication number
- TW202247617A TW202247617A TW111110865A TW111110865A TW202247617A TW 202247617 A TW202247617 A TW 202247617A TW 111110865 A TW111110865 A TW 111110865A TW 111110865 A TW111110865 A TW 111110865A TW 202247617 A TW202247617 A TW 202247617A
- Authority
- TW
- Taiwan
- Prior art keywords
- operating parameters
- test
- tensor
- tuning
- optical transceiver
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/077—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using a supervisory or additional signal
- H04B10/0779—Monitoring line transmitter or line receiver equipment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
- H04B10/07955—Monitoring or measuring power
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/40—Transceivers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Optical Communication System (AREA)
- Spinning Or Twisting Of Yarns (AREA)
Abstract
一種測試及測量系統包括測試及測量裝置、允許測試及測量裝置連接到光收發器的連接器以及一個或多個處理器,其被配置為執行程式碼,使一個或多個處理器:光收發器的多個操作參數設定為多個參考操作參數;從光收發器獲取波形;重複執行程式碼以使一個或多個處理器為預定組數的多個參考操作參數中的每組設定多個操作參數並獲取波形;從獲取的波形中建構一個或多個張量;將一個或多個張量傳送至機器學習系統以獲得一組預測操作參數;將光收發器的多個操作參數設定為多個預測操作參數;以及使用多個預測操作參數測試光收發器。
Description
本揭露書涉及測試及測量系統,更具體地涉及用於調諧例如光收發器裝置的待測裝置的參數的系統及方法。
[相關申請案的相互參照]
本揭露書請求基於2021年3月24日提交之發明名稱為「使用機器學習的光發射器調諧」的美國第63/165,698號臨時專利申請案及2021年10月28日提交之發明名稱為「使用機器學習及參考參數的光發射器調諧」的美國第63/272,998號臨時專利申請案的權益,其全部內容以引用方式併入本文。
光發射器製造商透過調諧光發射器來測試它們,以確保它們正常運作。作為最壞的例子,每一個發射器可能需要長達兩個小時。調諧通常採用掃描調諧參數的形式,這意味著發射器在每一個參數的每一個級別(level)進行調諧。在最壞的情況下,它可能需要多達200次的疊代(iteration),而在最好的情況下可能需要3到5次的疊代。加快此處理以減少調諧收發器的疊代次數,既能減少製造時間,亦能減少製造費用。
所揭露的裝置及方法的實施例解決了現有技術中的缺點。
及
目前,光收發器調諧不採用任何類型的機器學習來減少調諧及測試收發器所需的時間。訓練它們所花費的時間增加了收發器的整體成本。使用機器學習處理可減少調諧、測試及確定零件是否通過(pass)或失敗(fail)所需的時間。這裡的多個實施例使用一個或多個神經網路來獲得光收發器的調諧參數,以允許確定收發器是否比當前處理更快地正確運作。
圖1繪示了使用機器學習系統來確定部件的操作參數的測試及測量系統或裝置的實施例。使用者可調諧並將用於測量操作的輸出測量值可能包括發射器色散眼圖閉合四相(transmitter dispersion eye closure penalty quaternary,TDECQ)、消光比(extinction ratio)、平均光功率、光調變幅度、級別分離不匹配比等。本討論中提到的調諧參數包括加載到收發器中以實現所需結果的設定。這些參數變化很大,具體取決於光收發器的性質及它們的操作方式。它們可能包括電壓、電流、頻率、調變等值。
測試及測量裝置10可包括許多不同的組件。圖1顯示了一個可能的實施例並且可包括更多或更少的組件。圖1的裝置連接到DUT,在這種情況下是光收發器12。諸如示波器的測試及測量裝置可包括透過諸如16的連接器連接到測試及測量裝置的光/電(optical/electrical,O/E)轉換模組14。處理器18代表一個或多個處理器並且將被配置為執行程式碼(code)以使處理器執行各種任務。圖1顯示了機器學習系統22作為測試及測量裝置的一部分。機器學習系統可設置在單獨的裝置上,例如與測試及測量裝置通訊的電腦。類似地,由處理器執行的測試自動化程式碼20(以下亦稱測試自動化處理20)可設置在與處理器18連接的製造裝置中。
出於討論的目的,此處使用的術語「測試及測量裝置」包括那些包括作為測試及測量裝置的一部分的外部計算裝置的實施例。記憶體24可設置於測試及測量裝置上或者分佈於測試及測量裝置與計算裝置當中。正如之後將更詳細討論的,記憶體可包含機器學習系統使用的訓練資料及運行時間資料。測試及測量裝置還可包括使用者介面(user interface)26,其可包括觸控螢幕、視訊螢幕、旋鈕、按鈕、燈、鍵盤、滑鼠等中的一個或多個。
圖1顯示了訓練期間系統的一個實施例。在訓練中,光收發器12透過O/E轉換器14及連接器16連接至測試及測量裝置。測試自動化處理20將收發器調諧參數傳送至收發器,在進一步更詳細討論的處理中,這可被稱為「加載」至收發器。測試自動化處理20運作以創建訓練調諧參數並將這些參數傳送至機器學習系統22。用於訓練的調諧參數可基於例如透過使用傳統測試方法的歷史測試開發的平均參數。測試及測量裝置從使用加載的調諧參數運作的收發器DUT獲取波形,並將獲取的波形返回至處理器。該系統可對波形執行測量,並將波形傳送至機器學習系統22。
圖2顯示了操作期間系統的一個實施例的一部分。在處理的第一部分,測試自動化處理20產生參考調諧參數並將它們加載至收發器12中。測試及測量裝置從收發器獲取並返回一組參考波形,機器學習系統將使用這些參考波形來預測多個最佳化的調諧參數。然後機器學習系統返回多個預測調諧參數,亦稱為多個最佳化參數。然後,測試自動化系統將這些預測參數加載至收發器中。測試及測量裝置從使用多個預測參數來運作的收發器獲取新產生的波形,這裡稱為預測波形,並將該波形傳回至測試自動化處理,以確定收發器是通過還是失敗。該波形也可作為對訓練的反饋以傳回至機器學習系統。
在此處的討論中,術語「參考」參數或波形是指由測試自動化處理產生並用於機器學習系統的訓練及運行時間運作的一組波形。術語「預測」是指機器學習系統的輸出。術語「最佳化」是指調諧由測試自動化或機器學習系統的最佳化處理產生的參數。
下面的討論使用在測試自動化處理中從收發器獲取的波形。下面的實施例將三個波形用於非線性收發器。意旨不在限制任何特定數量的波形,亦不應暗示任何限制。
圖3繪示了用於使用機器學習的光收發器調諧系統的訓練系統的實施例的方塊圖。製造測試自動化系統以測量一定數量的光收發器,Tx。測試自動化系統使用「標準」或傳統的製造商調諧處理對它們進行最佳化調諧。對於訓練,必須測量及最佳化調諧許多示例TX單元,以為訓練提供資料。單元的數量需要足以為DUT最佳參數直方圖提供良好的分佈。每一個TX單元以串列方式(serial fashion)進行測試,一次一個,如所示透過輸入的串列資料流進入提供給每一個Tx的Tx 34。
針對為了實現最佳調諧的每一個溫度的每一個裝置的每一個調諧參數創建一個直方圖。然後將其用於開發平均參數組。應該注意的是,該處理不必使用一組平均的(average)或平均值(mean)的參數,但為了便於討論及理解,本討論將使用它。使用者或系統然後可產生平均參數組MeanPar的兩個變量(variation),例如透過添加至平均參數以產生Delta1Par組,並且從平均參數中減去以產生Delta2Par組。
然後將MeanPar組以及Delta1Par及Delta2Par參數組作為訓練及系統運行時間的參考參數。目標是在參數的非線性特性曲線上提供三個樣本點,以便神經網路有足夠的資料以透過查看這些來自參考參數設定的處理波形來準確預測最佳參數組。多個參考參數組的數量可從1到N,其中N受計算時間及資源的限制。在一個示例中,使用這三個參數組對200個收發器進行了五次採集的測試,從而為每一個收發器產生15個波形,總共3000個波形用於訓練。在圖3中,切換器(switch)30不包括硬體切換器,而是使每一個參數組加載到每一個收發器32至34中的邏輯塊(logic block),其中N再次僅受時間及資源限制。
然後按順序處理產生的波形,由後接數位轉化器(digitizer)38的切換器36來表示。每組參考參數的波形儲存在記憶體中,如圖1所示。這需要透過A/D進行三次採集,每次採集使用不同的參考參數組。測試自動化應用程式控制與一組特定調諧參數相關的系統溫度。在該示例中,於44處提供與每組參數相關的溫度,於46處提供儀器雜訊(noise)曲線。該溫度被輸入到高光譜張量建構器(以下亦稱建構器)42並被併入用於訓練及運行時間的張量圖像中。溫度可能在圖像中顯示為長條圖。然而,如果需要,它可替代地表示為圓餅圖或某種其他形式。
如上所述,測試自動化處理20將使用「標準」調諧處理,該調諧處理將被實施例的更快機器學習處理所替代。訓練中使用的最佳調諧參數可能會根據41處的資料進行正規化(normalization)或標準化(standardization)。正規化或標準化重新調整了調諧參數值以適合神經網路22的正規化範圍而處理得很好。在一個實施例中,正規化將重新調整調諧參數,使其值下降到0到1,或者在-1到1的範圍內將其集中為零。正規化公式的一個實施例是y=(x-min)/(max-min),其中y是正規化值,x是原始值。如果系統使用無內建(built in)正規化的預訓練網路,它將使用這種正規化。
使用者演算法40調諧每一個Tx裝置樣本以獲得多個最佳調諧參數,然後將多個最佳調諧參數用於訓練網路,以將多個最佳調諧參數與給定的波形形狀及特性(例如溫度及範圍雜訊)相關聯。這種關聯於波形採集期間一直使用儲存在Tx DUT中的相同的多個輸入參考調諧參數來完成。
高光譜張量建構可使用用於機器學習的短圖案(short pattern)張量建構處理。建構器42使用解碼圖案(decoded pattern)及輸入波形來搜尋記錄長度並尋找可從機器學習系統中的單位間隔所定義的或者可根據應用而對使用者隱藏的預先指定的圖案。可使用幾種不同的圖案。對於光學調諧,系統可使用每一個級別的短圖案,在五個單一單位間隔內無轉換,用於透過機器查看PAM4級別。這使機器能夠更容易地識別Tx級別參數設定。
為了識別TX參數設定的FFE分接頭(tap),提取脈衝響應程式碼序列,即短圖案,並將其放入於輸入至神經網路22的圖像中。術語高光譜用於輸入至深度學習神經網路22的圖像具有標記為R、G及B(紅色、綠色及藍色)的三個顏色通道(color channel)的意義中。構成這些高光譜圖像的波形實際上並不在這些顏色中,而是系統使用三個顏色通道來合併由張量建構器創建的不同圖像。此系統收集三個波形,並且來自三個波形中的每一個的每一個圖像都進入一個顏色通道。例如,但不限於,由來自MeanPar資料組產生的wfmMean可在紅色通道(Red channel)上,來自Delta1Par組的wfmDelta1在藍色通道(Blue channel)上,而來自Delta2Par組的wfmDelta2在綠色通道(Green channel)上。對這些通道沒有限制。如果需要,可合併RGB以外的其他顏色通道。這裡使用的預訓練深度學習網路只有三個顏色通道,但更多通道可能來自傳統深度學習網路,或者多個預訓練的三色通道網路。
正如將進一步詳細討論的那樣,這裡的討論顯示了張量建構器的兩個實例。一個創建用於訓練最佳參數網路的圖像。另一個可用於調諧輸出TDECQ(發射器色散眼圖閉合四相)及最佳化的FFE前饋均衡(feed-forward equalization)濾波器分接頭的網路。綜上所述,機器學習系統被訓練為接收波形張量圖像並輸出一組最佳化的發射器參數,還可輸出一組最佳化的FFE分接頭及TDECQ。
圖4繪示了用於使用機器學習的光收發器調諧系統的運行時間系統的實施例的方塊圖。在運行時間期間,使用者的自動化測試應用程式會將三組不同的參考調諧參數切換到一個正在測試的收發器,例如32,並為每一個收發器獲取一個波形,由切換器30表示。TDECQ分析,如圖6中的90所示,將重新採樣波形,解碼圖案,並對齊圖案及波形。它不會在運行時間期間計算TDECQ。TDECQ及FFE分接頭將從第二個經過訓練的深度學習網路輸出,如圖6中的步驟100所示。高光譜張量建構器42塊將創建相同類型的張量圖像,其包括在訓練期間創建的長條圖。這些張量圖像將輸入至訓練過的深度學習神經網路22。訓練過的深度學習神經網路22的輸出是最佳化調諧參數、TDECQ及最佳化的FFE分接頭。然後系統採用反向正規化或標準化塊43以從神經網路輸出中獲得期望值。
圖5繪示了獲得要在訓練及運行時間處理中使用的最佳化調諧參數的直方圖的方法的實施例。此處理使用傳統用於創建平均參數結構(average parameters structure,APS)的「標準」調諧方法產生直方圖及平均值。在步驟50中,製造商將收發器連接至測試及測量系統,然後在步驟52中,設定溫度並等待其穩定。然後在步驟54,獲取來自收發器的波形。然後在步驟56中的TDECQ分析之後允許步驟58中的系統計算平均值。類似地,步驟60中的標準調諧方法將導致步驟62中的每一個收發器的多個調諧參數可被平均。這也允許在步驟64中建構用於訓練的直方圖。在步驟66中,將所有這些訊息創建平均參數結構(APS),其將於圖6進行更詳細的討論,在步驟68中,將平均參數結構傳送至訓練及運行時間處理。
然後該處理依據需要循環多次。在步驟70中,對於每一個收發器,溫度會發生變化,直到收發器完成所需溫度的範圍的測試。在步驟72中,該處理然後移動到下一個收發器,直到已經完成了足夠數量以確保足夠高的準確度等級。
圖6繪示了訓練機器學習系統以使其準備好執行最佳化的收發器參數的運行時間預測的實施例的流程圖。在步驟80中,使用者將收發器連接到測試及測量系統,並在步驟82中設定溫度並等待其穩定。在步驟84中,收發器被加載有來自圖5的平均參數結構(APS)68中的參考參數組之一。然後在步驟86中,收發器運作,且測試及測量系統獲得,即獲取,波形。然後在步驟88中使用者執行標準調諧方法,且在步驟90中,系統執行TDECQ分析模組。如步驟92所示,這步驟重複直到所有的三個參考參數組都已運行。然後,在步驟94中,TDECQ分析模組將所有參考集的波形及圖案傳送到張量建構器。TDECQ模組重新採樣波形,解碼圖案並在將圖案及波形傳送至張量建構器之前對齊圖案及波形。在本實施例中只有一種圖案,因為對於訓練及運行時間處理的所有波形都是相同的。
然後,張量建構器產生幾個輸出並將它們傳送至神經網路,該神經網路可能包括機器學習系統內的多個子網路。張量建構器將等級張量傳送至第一個神經網路,標識為神經網路(以下亦稱網路)A,將脈衝張量傳送至收發器FFE分接頭神經網路(以下亦稱網路)B,沿著來自TDECQ模組的最佳化FFE分接頭陣列將脈衝張量傳送至最佳化FFE分接頭神經網路(以下亦稱網路)C,以及用於TDECQ結果的神經網路D的組合張量。這步驟持續到步驟96中的當前收發器循環過所有溫度,然後在步驟98中對所有收發器重複,直到已經處理了足夠多的資料,此時訓練處理結束。關於是否已經處理了足夠的收發器的確定可能涉及測試機器學習系統以確定其準確性。
圖8顯示了來自波形的原始4級脈衝幅度調變(PAM4)圖像的示例,以及由此產生的張量。如上所述,本實施例使用三個通道。圖8顯示了左側的輸入波形,三個通道顯示了紅色通道140、藍色(通道)142及綠色(通道)144上的輸入波形。張量150及圖中相同位置的張量對應紅色通道,張量152的位置對應藍色通道,張量154的位置對應綠色通道。
一旦經過訓練及驗證,機器學習系統將在運行時間運作。圖7顯示了這個處理的一個實施例的流程圖。在步驟110中,使用者連接收發器,設定溫度並在步驟112中等待其穩定。在步驟114中,包含在平均參數結構68中的參考參數被加載到收發器中,作為這個處理的一部分的適當參數。如將更詳細討論的,適當的參數可根據收發器在其週期中的位置而改變。
在步驟116中,透過獲得或獲取波形,該處理與訓練週期類似地繼續,並在步驟118中執行TDECQ分析。在步驟120中,系統檢查收發器是否已經經歷了所有的三個參考參數組的處理。在步驟122中,一旦所有的三個參考組都完成了,三個波形及解碼圖案就被傳送至張量建構器。張量建構器為所有的三個波形創建張量圖像,並將它們全部組合成RGB圖像,如前所述。與訓練處理類似,張量建構器將級別張量、脈衝張量及組合張量圖像傳送至神經網路124。然而,在運行時間期間,神經網路/機器學習系統會產生最佳化的FFE分接頭及TDECQ訊息,以便為收發器提供預測的、最佳化的調諧參數組。
在步驟126中,做出預測後,將APS旗標設定為假(false)。當處理返回到步驟114以將收發器設定為適當的參數時,適當的參數現在是預測的調諧參數。這亦說明了系統應該只獲取一個波形,只產生一個張量圖像,神經網路D產生一個單一的TDECQ值。在步驟126中,APS旗標保持為假,因此在步驟130中,檢查該值並且收發器通過或失敗。如果通過,則在步驟128中選擇下一個溫度(如果還需要測試的話),或者處理結束。
以這種方式,已經在整個神經網路/機器學習系統中訓練了一個以上的神經網路。兩個網路預測最佳發射器調諧參數,一個網路C用於預測FFE分接頭,(網路)D用於預測TDECQ測量。
系統在訓練期間使用TDECQ測量作為網路D的輸入,以便網路D將輸入波形與TDECQ值相關聯。類似地,TDECQ模組中最佳化的FFE分接頭用於C網路的訓練,以便C網路將波形與最佳化的分接頭值相關聯。網路A及B都提供了與三個參考波形相關聯的調諧參數。網路A提供級別及增益類型參數。與網路B相關聯的FFE調諧參數。發射器具有內建FFE,因此FFE濾波器的分接頭是多個調諧參數。
TDECQ模組的最佳化FFE分接頭是不同的。它們不是TX的調諧參數,但它們代表了將FFE設定為使眼圖盡可能張開以進行TDECQ測量。這些FFE分接頭在進行TDECQ測量之前應用於波形。
儘管使用光收發器調諧處理的示例應用討論了上述實施例,但是本揭露書的實施例可用於涉及調諧任何類型的待測裝置的操作參數的任何處理中,並且對於改進涉及疊代的調諧操作參數的處理可能特別有用,以實現DUT的所需性能測量或使DUT獲得通過的測試結果。
本揭露書的各方面可在特別創建的硬體、韌體、數位訊號處理器上或在包括根據程式指令運作的處理器的特別程式化的通用電腦上運作。如本文所用,控制器或處理器的術語旨在包括微處理器、微型電腦、專用積體電路(ASIC)及專用硬體控制器。本揭露書的一個或多個方面可實現在電腦可用資料及電腦可執行指令中,例如在一個或多個程式模組中,由一台或多台電腦(包括監控模組)或其他裝置執行。通常,程式模組包括在由電腦或其他裝置中的處理器執行時執行特定任務或實現特定抽像資料類型的常式(routine)、程式、物件(object)、組件、資料結構等。電腦可執行指令可儲存在非暫態性電腦可讀取媒體上,例如硬碟、光碟、可移除儲存媒體、固態記憶體、隨機存取記憶體(RAM)等。如本領域技術人員將理解的,程式模組的功能可根據需要在各個方案中進行組合或分佈。此外,該功能可全部或部分實現在韌體或硬體等效物中,例如積體電路、FPGA等。特定資料結構可用於更有效地實現本揭露書的一個或多個方案,且此類資料結構被設想在本文描述的電腦可執行指令及電腦可執行資料的範圍內。
在一些情況下,可在硬體、韌體、軟體或其任何組合中實現所揭露的方案。所揭露的方案還可被實現為由一個或多個或非暫態性電腦可讀取媒體承載或儲存在其上的指令,其可由一個或多個處理器讀取及執行。這樣的指令可被稱為電腦程式產品。如本文所討論的,電腦可讀取媒體是指可由計算裝置存取的任何媒體。作為示例而非限制,電腦可讀取媒體可包括電腦儲存媒體及通訊媒體。
電腦儲存媒體是指可用於儲存電腦可讀取資訊的任何媒體。作為示例而非限制,電腦儲存媒體可包括RAM、ROM、電子可抹除可程式化唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、光碟唯讀記憶體(CD-ROM)、數位影音光碟(DVD)或其他光碟儲存裝置、磁卡、磁帶、磁碟儲存裝置或其他磁性儲存裝置,以及以任何技術實現的任何其他揮發性或非揮發性、可移除或不可移除媒體。電腦儲存媒體不包括訊號本身及訊號傳輸的暫態形式。
通訊媒體是指可用於電腦可讀取資訊通訊的任何媒體。作為示例而非限制,通訊媒體可包括同軸電纜、光纖電纜、空氣或任何其他適合於電、光、射頻(RF)、紅外線、聲音或其他類型的訊號的通訊的媒體。
此外,此書面描述參考了特定特徵。應當理解,本說明書中的揭露內容包括那些特定特徵的所有可能組合。例如,在特定方案的上下文中揭露了特定特徵的情況下,該特徵也可在可能的範圍內用於其他方案的上下文中。
此外,當在本申請中提及具有兩個或更多個定義的步驟或操作的方法時,定義的步驟或操作可以任何順序或同時執行,除非上下文排除那些可能性。
示例
下面提供了所揭露的技術的說明性示例。技術的實施例可包括以下描述的示例中的一個或多個及其任意組合。
示例1是一種測試測量系統,包括:測試及測量裝置;允許所述測試及測量裝置連接到光收發器的連接器;以及一個或多個處理器,被配置為執行程式碼,使一個或多個處理器:將所述光收發器的多個操作參數設定為多個參考操作參數;從所述光收發器獲取波形;重複執行所述程式碼以使所述一個或多個處理器為預定組數的多個參考操作參數中的每一組設定多個操作參數並獲取波形;從獲取的所述波形中建構一個或多個張量;將所述一個或多個張量傳送至機器學習系統以獲得一組預測操作參數;將所述光收發器的所述多個操作參數設定為所述多個預測操作參數;以及使用所述多個預測操作參數測試所述光收發器。
示例2是示例1的測試及測量系統,其中,所述一個或多個處理器還被配置為執行程式碼以使所述一個或多個處理器針對溫度設定範圍內的每一個溫度設定重複執行所述程式碼。
示例3是示例1或2的測試及測量系統,其中,所述一個或多個處理器分佈在所述測試及測量裝置、測試自動化系統及與所述測試及測量裝置分離的機器學習系統當中。
示例4是示例1至3中任一者的測試及測量系統,其中,所述機器學習系統包括複數個神經網路,一個或多個產生所述多個預測操作參數,一個產生預測測量值,且一個產生一組最佳化的前饋均衡濾波器分接頭值。
示例5是示例1至4中任一者的測試及測量系統,其中,所述多個預定組數參考參數為三組,一組作為所述多個參數的平均值,一組具有高於所述平均值的值,以及一組具有低於所述平均值的值。
示例6是示例1至5中任一者的測試及測量系統,其中,所述一個或多個處理器還被配置為執行程式碼以使所述一個或多個處理器對所述多個預測操作參數進行反向正規化。
示例7是一種調諧光收發器的方法,包括:將光收發器連接到測試及測量裝置;設定用於將所述光收發器調諧到多個參考操作參數的多個操作參數;從所述光收發器獲取波形;針對預定組數的多個參考操作參數中的每一組重複設定多個操作參數並獲取波形;從獲取的所述波形中建構一個或多個張量;將所述一個或多個張量傳送至機器學習系統以獲得一組預測操作參數;設定用於將所述光收發器調諧至所述預測操作參數的所述多個操作參數;及驗證所述多個預測操作參數。
示例8是實施例7的方法,還包括針對溫度範圍內的每一個溫度重複所述方法。
示例9是示例7或8的方法,其中,建構一個或多個張量包括建構級別張量、脈衝張量及組合張量。
示例10是示例7至9中任一者的方法,其中,建構組合張量包括建構具有三個或更多通道的圖像。
示例11是示例10的方法,其中,所述圖像包括表示溫度值及雜訊值中的至少一個的長條圖圖像。
示例12是示例7至11中任一者的方法,還包括產生參考操作參數,包括:在複數個溫度下調諧複數個光收發器;在每一個溫度下,為所述多個調諧光收發器產生每一個調諧參數的直方圖;透過對所述直方圖中的每一個參數取平均值來計算平均參考參數組;增加所述平均參數組中的值以創建第一差量參考參數組;以及減少所述平均參數組中的值以創建第二差量參考參數組。
示例13是示例7至13中任一者的方法,其中,建構一個或多個張量包括建構具有三個通道的張量,一個通道用於平均參考張量,一個通道用於第一差量張量,以及一個通道用於第二差量張量。
示例14是示例7至13中任一者的方法,其中將所述一個或多個張量傳送至機器學習系統包括:將所述一個或多個張量傳送至機器學習系統中的兩個神經網路以獲得最佳化的多個操作參數;將脈衝張量傳送至第三神經網路以獲得最佳化的前饋均衡濾波器分接頭;以及將組合張量傳送至第四神經網路以獲得預測的發射器及色散眼圖閉合四相(TDECQ)測量。
示例15是示例7至14中任一者的方法,其中,驗證所述多個預測操作參數包括測量所述收發器的輸出並確定所述輸出是否在預定範圍內。
示例16是示例7至15中任一者的方法,還包括對所述多個預測操作參數進行反向正規化。
示例17是訓練用於調諧光收發器的機器學習系統的方法,包括:創建預定組數的多個參考操作參數;重複對於每組參考操作參數:將所述光收發器的所述多個操作參數設定為一組參考操作參數;從所述光收發器獲取波形;調諧所述光收發器以滿足所需的輸出;以及對所述波形執行發射器色散眼圖閉合四相(TDECQ)分析;將所述分析的結果及所述多個波形提供給張量產生器;將一個或多個張量與所述多個相關波形及多個參考操作參數一起傳送到一個或多個神經網路;以及重複該方法直到調諧足夠數量的多個發射器。
示例18是示例17的方法,其中創建所述預定組數的多個參考操作參數組包括:在多個溫度下調諧複數個光收發器;為多個調諧後的光收發器在每一個溫度下產生每一個參數的直方圖;透過對所述直方圖中的每一個參數取平均值來計算平均參考參數組;增加所述平均參數組中的值以創建第一差量參考參數組;以及減少所述平均參數組中的值以創建第二差量參考參數組。
示例19是示例17或18的方法,還包括對所述多個參考參數進行正規化。
示例20是示例17至19中任一者的方法,其中,所述一個或多個神經網路包括一個或多個用於級別的神經網路,一個網路用於為前饋均衡濾波器提供值,以及一個網路用於時間色散眼圖閉合四相值。
說明書中揭露的所有特徵,包括申請專利範圍、摘要及所附圖式,以及揭露的任何方法或處理中的所有步驟,可以任何組合進行組合,除非這些特徵及/或步驟中的至少一些是相互排斥的組合。除非另有明確說明,否則說明書中揭露的每一個特徵,包括申請專利範圍、摘要及所附圖式,都可被用於相同、等效或類似目的的替代特徵代替。
儘管出於說明的目的已經說明及描述了特定實施例,但是應當理解,在不悖離本揭露書的精神及範圍的情況下可進行各種修改。因此,本發明不應受所附申請專利範圍的限制。
10:測試及測量裝置
12:光收發器
14:光/電(O/E)轉換模組
16:連接器
18:處理器
20:測試自動化程式碼/測試自動化處理
22:機器學習系統
24:記憶體
26:使用者介面
32:收發器
34:收發器
TX:光收發器
MeanPar:平均參數組
Delta1Par:第一差量參數
Delta2Par:第二差量參數
30:切換器
36:切換器
38:數位轉化器
40:使用者演算法
41:正規化或標準化
42:高光譜張量建構器
44:溫度
46:雜訊
43:反向正規化或標準化塊
140:紅色通道
142:藍色通道
144:綠色通道
150:張量
152:張量
154:張量
[圖1]及[圖2]繪示了測試及測量系統的實施例。
[圖3]繪示了用於光發射器調諧系統的訓練處理的實施例。
[圖4]繪示了光發射器調諧系統的運行時間(run-time)處理的實施例。
[圖5]繪示了獲得調諧參數群的方法的實施例的流程圖。
[圖6]繪示了訓練神經網路以獲得光收發器的最佳化調諧參數的方法的實施例的流程圖。
[圖7]繪示了使用神經網路來獲得光收發器的最佳化調諧參數的方法的實施例的流程圖。
[圖8]繪示了波形及張量圖像的示例。
10:測試及測量裝置
12:光收發器
14:光/電(O/E)轉換模組
16:連接器
18:處理器
20:測試自動化程式碼/測試自動化處理
22:機器學習系統
24:記憶體
26:使用者介面
Claims (20)
- 一種測試及測量系統,包括: 測試及測量裝置; 允許所述測試及測量裝置連接到光收發器的連接器;以及 一個或多個處理器,被配置為執行程式碼,使一個或多個處理器: 將所述光收發器的多個操作參數設定為多個參考操作參數; 從所述光收發器獲取波形; 重複執行所述程式碼以使所述一個或多個處理器為預定組數的多個參考操作參數中的每一組設定多個操作參數並獲取波形; 從獲取的所述波形中建構一個或多個張量; 將所述一個或多個張量傳送至機器學習系統以獲得一組預測操作參數; 將所述光收發器的所述多個操作參數設定為所述多個預測操作參數;以及 使用所述多個預測操作參數測試所述光收發器。
- 如請求項1所述的測試及測量系統,其中,所述一個或多個處理器還被配置為執行程式碼以使所述一個或多個處理器針對溫度設定範圍內的每一個溫度設定重複執行所述程式碼。
- 如請求項1所述的測試及測量系統,其中,所述一個或多個處理器分佈在所述測試及測量裝置、測試自動化系統及與所述測試及測量裝置分離的機器學習系統當中。
- 如請求項1所述的測試及測量系統,其中,所述機器學習系統包括複數個神經網路,一個或多個產生所述多個預測操作參數,一個產生預測測量值,且一個產生一組最佳化的前饋均衡濾波器分接頭值。
- 如請求項1所述的測試及測量系統,其中,所述預定組數的多個參考參數為三組,一組作為所述多個參數的平均值,一組具有高於所述平均值的值,以及一組具有低於所述平均值的值。
- 如請求項1所述的測試及測量系統,其中,所述一個或多個處理器還被配置為執行程式碼以使所述一個或多個處理器對所述多個預測操作參數進行反向正規化。
- 一種調諧光收發器的方法,包括: 將光收發器連接到測試及測量裝置; 設定用於將所述光收發器調諧到多個參考操作參數的多個操作參數; 從所述光收發器獲取波形; 針對預定組數的多個參考操作參數中的每一組重複設定多個操作參數並獲取波形; 從獲取的所述波形中建構一個或多個張量; 將所述一個或多個張量傳送至機器學習系統以獲得一組預測操作參數; 設定用於將所述光收發器調諧至所述預測操作參數的所述多個操作參數;以及 驗證所述多個預測操作參數。
- 如請求項7所述的方法,還包括針對溫度範圍內的每一個溫度重複所述方法。
- 如請求項7所述的方法,其中,建構一個或多個張量包括建構級別張量、脈衝張量及組合張量。
- 如請求項7所述的方法,其中,建構組合張量包括建構具有三個或更多通道的圖像。
- 如請求項10所述的方法,其中,所述圖像包括表示溫度值及雜訊值中的至少一個的長條圖圖像。
- 如請求項7所述的方法,還包括產生參考操作參數,包括: 在複數個溫度下調諧複數個光收發器; 在每一個溫度下,為所述多個調諧光收發器產生每一個調諧參數的直方圖; 透過對所述直方圖中的每一個參數取平均值來計算平均參考參數組; 增加所述平均參數組中的值以創建第一差量參考參數組;以及 減少所述平均參數組中的值以創建第二差量參考參數組。
- 如請求項7所述的方法,其中,建構一個或多個張量包括建構具有三個通道的張量,一個通道用於平均參考張量,一個通道用於第一差量張量,以及一個通道用於第二差量張量。
- 如請求項7所述的方法,其中,將所述一個或多個張量傳送至機器學習系統包括: 將所述一個或多個張量傳送至機器學習系統中的兩個神經網路以獲得最佳化的多個操作參數; 將脈衝張量傳送至第三神經網路以獲得最佳化的前饋均衡濾波器分接頭;以及 將組合張量傳送至第四神經網路以獲得預測的發射器及色散眼圖閉合四相(TDECQ)測量。
- 如請求項7所述的方法,其中,驗證所述多個預測操作參數包括測量所述收發器的輸出並確定所述輸出是否在預定範圍內。
- 如請求項7所述的方法,還包括對所述多個預測操作參數進行反向正規化。
- 一種訓練用於調諧光收發器的機器學習系統的方法,包括: 創建預定組數的多個參考操作參數; 重複對於每組參考操作參數: 將所述光收發器的所述多個操作參數設定為一組參考操作參數; 從所述光收發器獲取波形; 調諧所述光收發器以滿足所需的輸出;以及 對所述波形執行發射器色散眼圖閉合四相(TDECQ)分析; 將所述分析的結果及所述多個波形提供給張量產生器; 將一個或多個張量與所述多個相關波形及多個參考操作參數一起傳送到一個或多個神經網路;以及 重複該方法直到調諧足夠數量的多個發射器。
- 如請求項17所述的方法,其中,創建所述預定組數的多個參考操作參數組包括: 在多個溫度下調諧複數個光收發器; 為多個調諧後的光收發器在每一個溫度下產生每一個參數的直方圖; 透過對所述直方圖中的每一個參數取平均值來計算平均參考參數組; 增加所述平均參數組中的值以創建第一差量參考參數組;以及 減少所述平均參數組中的值以創建第二差量參考參數組。
- 如請求項17所述的方法,還包括對所述多個參考參數進行正規化。
- 如請求項17所述的方法,其中,所述一個或多個神經網路包括一個或多個用於級別的神經網路,一個網路用於為前饋均衡濾波器提供值,以及一個網路用於時間色散眼圖閉合四相值。
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163165698P | 2021-03-24 | 2021-03-24 | |
US63/165,698 | 2021-03-24 | ||
US202163272998P | 2021-10-28 | 2021-10-28 | |
US63/272,998 | 2021-10-28 | ||
US17/701,186 | 2022-03-22 | ||
US17/701,186 US11923895B2 (en) | 2021-03-24 | 2022-03-22 | Optical transmitter tuning using machine learning and reference parameters |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202247617A true TW202247617A (zh) | 2022-12-01 |
Family
ID=83192431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111110865A TW202247617A (zh) | 2021-03-24 | 2022-03-23 | 使用機器學習及參考參數的光發射器調諧 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11923895B2 (zh) |
JP (1) | JP2022162977A (zh) |
CN (1) | CN115133985A (zh) |
DE (1) | DE102022106892A1 (zh) |
TW (1) | TW202247617A (zh) |
Families Citing this family (5)
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 |
US11923896B2 (en) | 2021-03-24 | 2024-03-05 | Tektronix, Inc. | Optical transceiver tuning using machine learning |
US11940889B2 (en) * | 2021-08-12 | 2024-03-26 | Tektronix, Inc. | Combined TDECQ measurement and transmitter tuning using machine learning |
US11907090B2 (en) * | 2021-08-12 | 2024-02-20 | Tektronix, Inc. | Machine learning for taps to accelerate TDECQ and other measurements |
Family Cites Families (107)
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 |
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 |
CA2475850A1 (en) | 2003-01-08 | 2003-07-29 | Ceyx Technologies, Inc. | Apparatus and method for measurement of dynamic laser signals |
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 |
CN102667501B (zh) | 2009-11-12 | 2016-05-18 | 保罗-里德-史密斯-吉塔尔斯股份合作有限公司 | 使用反卷积和窗的精确波形测量 |
US20110286506A1 (en) | 2010-01-29 | 2011-11-24 | Lecroy Corporation | User Interface for Signal Integrity Network Analyzer |
US9059803B2 (en) | 2012-09-28 | 2015-06-16 | Intel Corporation | Mechanism for facilitating an optical instrumentation testing system employing multiple testing paths |
US8938164B2 (en) * | 2012-09-28 | 2015-01-20 | Intel Corporation | Optical link auto-setting |
US9709605B2 (en) | 2012-12-12 | 2017-07-18 | Tektronix, Inc. | Scrolling measurement display ticker for test and measurement instruments |
US20140343883A1 (en) | 2013-05-15 | 2014-11-20 | Teledyne Lecroy, Inc. | User Interface for Signal Integrity Network Analyzer |
US8861578B1 (en) | 2013-06-25 | 2014-10-14 | Intel Corporation | Transition time measurement of PAM4 transmitters |
US9264270B2 (en) | 2013-06-27 | 2016-02-16 | Intel Corporation | Transition time measurement of PAM4 transmitters |
US9049075B2 (en) | 2013-08-21 | 2015-06-02 | Avago Technologies General Ip (Singapore) Pte. Ltd. | Adaptive modal PAM2/PAM4 in-phase (I) quadrature (Q) phase detector for a receiver |
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 |
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 |
US10782543B2 (en) * | 2017-06-10 | 2020-09-22 | Luxtera Llc | Method and system for a distributed mach-zehnder interferometer with integrated feed forward equalizer |
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 |
EP3732932A4 (en) | 2017-12-30 | 2022-05-11 | INTEL Corporation | WIRELESS COMMUNICATION METHODS AND DEVICES |
CN110213678B (zh) | 2018-02-28 | 2020-09-08 | 上海诺基亚贝尔股份有限公司 | 无源光网络中的通信方法、设备和计算机可读介质 |
US10592141B2 (en) | 2018-03-06 | 2020-03-17 | Western Digital Technologies, Inc. | Error characterization for control of non-volatile memory |
US10396897B1 (en) * | 2018-04-17 | 2019-08-27 | General Electric Company | Systems and methods for predicting defects in optical transceiver devices |
US10171161B1 (en) | 2018-04-23 | 2019-01-01 | Ciena Corporation | Machine learning for link parameter identification in an optical communications system |
US11238346B2 (en) | 2018-04-25 | 2022-02-01 | Qualcomm Incorproated | Learning a truncation rank of singular value decomposed matrices representing weight tensors in neural networks |
JP6560793B1 (ja) | 2018-06-15 | 2019-08-14 | 株式会社フジクラ | 光モジュールの検査システム、検査方法及び製造方法 |
US10903204B2 (en) | 2018-07-24 | 2021-01-26 | Amazing Microelectronic Corp. | Lateral transient voltage suppressor device |
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 |
CN114729965A (zh) * | 2019-11-05 | 2022-07-08 | 佐治亚技术研究公司 | 用于处理光学部件的设备、系统和方法 |
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 |
US20230088409A1 (en) | 2020-02-14 | 2023-03-23 | Commscope Technologies Llc | Method for bandwidth measurement in an optical fiber |
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 |
CN115667945A (zh) | 2020-06-11 | 2023-01-31 | 特克特朗尼克公司 | 使用循环环路图像对信号进行分离和分类的系统和方法 |
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 |
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 (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 |
US11940889B2 (en) | 2021-08-12 | 2024-03-26 | Tektronix, Inc. | Combined TDECQ measurement and transmitter tuning using machine learning |
US11695601B2 (en) | 2021-08-13 | 2023-07-04 | Nvidia Corporation | On-chip virtual oscilloscope using high-speed receiver sampler readback |
US20230098379A1 (en) * | 2021-09-29 | 2023-03-30 | Tektronix, Inc. | System and method for developing machine learning models for testing and measurement |
US20220200712A1 (en) | 2021-10-14 | 2022-06-23 | Intel Corporation | Link monitoring and indication of potential link failure |
US20230228803A1 (en) | 2022-01-14 | 2023-07-20 | Tektronix, Inc. | Machine learning model training using de-noised data and model prediction with noise correction |
-
2022
- 2022-03-22 US US17/701,186 patent/US11923895B2/en active Active
- 2022-03-23 DE DE102022106892.7A patent/DE102022106892A1/de active Pending
- 2022-03-23 TW TW111110865A patent/TW202247617A/zh unknown
- 2022-03-24 JP JP2022048374A patent/JP2022162977A/ja active Pending
- 2022-03-24 CN CN202210295425.4A patent/CN115133985A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN115133985A (zh) | 2022-09-30 |
US11923895B2 (en) | 2024-03-05 |
US20220311513A1 (en) | 2022-09-29 |
DE102022106892A1 (de) | 2022-09-29 |
JP2022162977A (ja) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202247617A (zh) | 使用機器學習及參考參數的光發射器調諧 | |
US11923896B2 (en) | Optical transceiver tuning using machine learning | |
JP2004506204A (ja) | 高速データストリームの捕捉および評価 | |
CN102749604B (zh) | 测试设备自动校准仪、校准系统及校准方法 | |
US20210173011A1 (en) | Physics-Based Artificial Intelligence Integrated Simulation and Measurement Platform | |
JP2022177835A (ja) | 試験測定システム及びビット・エラー・レートを求める方法 | |
TW202315350A (zh) | 使用機器學習的組合tdecq測量和發射機調諧 | |
US20230228803A1 (en) | Machine learning model training using de-noised data and model prediction with noise correction | |
CN112511367A (zh) | 一种测试方法及设备 | |
CN103037239A (zh) | 一种数字视频接收终端接收性能的测试系统和方法 | |
US20230057479A1 (en) | Digital twin with machine learning waveform generation including parameter control for device under test emulation | |
CN110212996B (zh) | 频谱仪校准系统、并行校准方法及自动排配校准方法 | |
US6968286B1 (en) | Functional-pattern management system for device verification | |
CN106341831B (zh) | 一种灵敏度的测量方法和装置 | |
US20240235669A1 (en) | Systems and methods for tuning and measuring a device under test using machine learning | |
US20240168471A1 (en) | Interoperability predictor using machine learning and repository of tx, channel, and rx models from multiple vendors | |
JP2023183409A (ja) | 試験測定装置及び被試験デバイスの性能測定方法 | |
US20240169210A1 (en) | Methods for 3d tensor builder for input to machine learning | |
US20240028002A1 (en) | Runtime data collection and monitoring in machine learning systems | |
CN118069982A (zh) | 使用机器学习和来自多个供应商的Tx、信道和Rx模型的仓储的互操作性预测器 | |
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 | |
CN114859217A (zh) | 数字芯片pwm模块的自动化测试方法、装置、数字芯片及系统 | |
CN117436541A (zh) | 机器学习系统中的运行时数据收集和监视 | |
TW202334851A (zh) | 用於機器學習模型訓練與部署的系統及方法 | |
TW202422254A (zh) | 機器學習系統中的運行時資料收集和監控 |