TW202247618A - 使用機器學習的光收發器調諧 - Google Patents
使用機器學習的光收發器調諧 Download PDFInfo
- Publication number
- TW202247618A TW202247618A TW111110866A TW111110866A TW202247618A TW 202247618 A TW202247618 A TW 202247618A TW 111110866 A TW111110866 A TW 111110866A TW 111110866 A TW111110866 A TW 111110866A TW 202247618 A TW202247618 A TW 202247618A
- Authority
- TW
- Taiwan
- Prior art keywords
- transceiver
- parameters
- operating parameters
- waveform
- machine learning
- 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
- H04B10/40—Transceivers
-
- 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
- H04B10/073—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
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B6/00—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings
- G02B6/24—Coupling light guides
- G02B6/42—Coupling light guides with opto-electronic elements
-
- 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
- H04B10/0771—Fault location on the transmission path
-
- 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
- H04B10/0775—Performance monitoring and 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
- H04B10/077—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
- H04B10/0777—Monitoring line amplifier or line repeater 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
-
- 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
- H04B10/50—Transmitters
- H04B10/564—Power control
-
- 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
- H04B10/50—Transmitters
- H04B10/572—Wavelength control
-
- 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
- H04B10/50—Transmitters
- H04B10/58—Compensation for non-linear transmitter output
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Optical Communication System (AREA)
Abstract
本案的測試及測量裝置具有使測試及測量裝置連接至光收發器的連接器、一個或多個處理器,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:起初將光收發器的多個操作參數設定為多個平均參數,從光收發器獲取波形,測量獲取的波形並確定收發器的操作是通過還是失敗,如果收發器失敗,將波形及多個操作參數發送至機器學習系統以獲得多個估計參數,根據多個估計參數調整多個操作參數,及根據需要重複獲取、測量、發送及調整,直到收發器通過。本案的調諧光收發器的方法,包括將收發器連接至測試及測量裝置,將收發器的多個操作參數設定為一組平均參數,從收發器獲取波形,測量波形以確定收發器是通過還是失敗,當收發器失敗時,將波形及多個操作參數發送至機器學習系統,使用機器學習系統提供多個調整後的操作參數,將多個操作參數設定為多個調整後的參數,及重複獲取、測量、發送、使用、設定,直到收發器通過。
Description
本揭露書涉及測試及測量系統,並且更具體地涉及用於,例如於製造期間,調諧光收發器的系統及方法。
[相關申請案的相互參照]
本揭露書主張要求2021年3月24日提交的案名為「使用機器學習的光發射器調諧」的美國臨時專利申請號63/165,698的權益,該申請案的全文內容以引用的方式併入本文。
作為最差的例子,光收發器製造商可能需要長達兩個小時來調諧他們的光收發器。製造商通常透過掃描(sweep)此調諧參數來實現。於某些情況下,最差的情況可能需要200次的疊代,最好的情況可能需要3至5次的疊代。加快此過程以減少疊代次數以調諧收發器,從而減少製造時間及成本。
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。訓練收發器所花費的時間增加了收發器的整體成本。典型的製造商工作流程如圖1所示。於步驟10,使用者將光收發器連接至測試及測量裝置。如這裡所使用的,術語「測試及測量裝置」包括能夠執行測試及測量作為待測裝置的光收發器的結果操作(resulting operation)的任何裝置。
於步驟12,使用者設定溫度並等待直到溫度穩定。然後,於步驟14,使用者設定電壓。於步驟16,使用者設定待測裝置(Device Under Test, DUT)的操作參數,操作DUT,然後測量其操作。測量可以採取多種形式,稍後將更詳細地討論。於步驟18,系統確定測量是否表示部件於測量值的期望範圍內操作。於步驟20,如果部件於所需的一個或多個範圍內操作,則於步驟22,收發器通過(pass)。於步驟24,測試中使用的最終溫度及電壓可被儲存並用於下一個收發器,然後該部件的測試完成。
於步驟22,如果未調諧DUT,則於步驟16,使用者可調整參數並返回通過步驟22重新運行測試。這個過程可能會完成很多次,直到DUT通過測試或失敗/未通過(fail),且於步驟26,測試完成。
這是一個耗時且終究昂貴的過程。這裡的實施例採用機器學習來提供更準確的起點及更有效地調整參數。
使用機器學習處理可減少調諧、測試及確定部件是否通過或失敗所需的時間。圖2顯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可能包括發射器及色散眼圖閉合四相(transmitter and 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(level separation mismatch ratio)等。可以改變或調整的光收發器的調諧參數可包括諸如偏壓電流、調變電壓等。
測試及測量裝置30可包括許多不同的組件。圖2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2的裝置連接至DUT,在此情況下,DUT是光收發器32。諸如示波器(oscilloscope)的測試及測量裝置可包括透過諸如36的連接器連接至測試及測量裝置的光/電(optical/electrical, O/E)轉換模組34。處理器38代表一個或多個處理器,且被配置為執行程式碼以使處理器執行各種任務,其中,程式碼包括製造商的測試自動化程式碼40。或者,測試自動化程式碼可以是與測試及測量裝置30分離的另一個計算裝置的一部分,且與處理器38互相交流(interact)。圖2顯示了機器學習系統42作為測試及測量裝置的一部分。機器學習系統亦可以設置於單獨的裝置上,其中,裝置例如與測試及測量裝置通訊的電腦。
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44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之間。如稍後將更詳細討論的,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(U/I)46,使用者介面46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。
於操作中,光收發器32通過O/E轉換器34及連接器36連接至測試及測量裝置。測試自動化處理40將收發器調諧參數發送至收發器。其中,收發器參數是從機器學習系統42接收,且可基於透過測試及訓練所開發的平均參數。測試及測量裝置從收發器DUT獲取波形,並將波形返回至處理器。系統測量波形並確定收發器針對該組調諧參數是否通過或失敗。
上面提到的一種測量是TDECQ,其使用PAM4眼圖(eye diagram)。如上所述,測量包括收發器可被調諧的性能測量之一,以及其他可能包括消光比(ER)、平均光功率(AOP)、光調變幅度(OMA)、級別分離不匹配(RLM)比等。
機器學習系統42基於其訓練執行調諧參數的運行時間選擇及調整。訓練過程構建了一組訓練用的調諧參數及相關波形,然後可根據從DUT獲取的波形通知調諧參數的選擇。圖3顯示了訓練機器學習系統的過程,該系統還針對運行時間測試過程提供啟動參數。
在下面的討論中,幾個術語具有特定的含義。於訓練機器學習系統時,過程需要一組參數及相關波形來進行訓練。如下文詳細討論的,使用者對大量的收發器進行最佳化(optimally)調諧,從而產生一組參數,此處稱為「最佳化參數」,且包含大量的收發器中的每一個收發器的最佳化參數。術語「平均參數」是指一組參數,其中,每一個參數代表該特定參數的平均值。
於步驟50,於第一疊代子過程(sub-process)中,使用者將光收發器連接至測試及測量裝置。通常,此過程包括使收發器的溫度穩定。於步驟52,收發器經歷標準調諧,這意味著於實施這裡的實施例之前使用的任何當前調諧程序。一旦特定收發器經過調諧以達至其調諧狀態,在該狀態下,使用的參數就是該收發器的最佳化參數。於步驟56,收集來自這些疊代中的每一個的最佳化參數,例如形成直方圖,並且於步驟58,確定平均值。
如關於圖4及運行時間環境更詳細討論的,這些平均值將作為運行時間過程的初始啟動參數。此過程繼續進行,直到於步驟54確定有足夠多的收發器經歷調諧。確定多少發射器為足夠可能取決於機器學習系統的架構以及系統需要多少才能產生準確的結果。
第二疊代子過程開始於步驟60。使用者連接收發器,讓溫度穩定下來。於步驟62,收發器經歷調諧至「下一」組參數,對於第一次疊代,該「下一」組參數包括一組初始的參數。系統亦記錄這些參數以發送至機器學習系統。每次疊代都會掃描多個參數,這意味著系統將每一個參數調整為該參數的下一個設定,直到該參數的所有設定都完成。
於步驟64,系統針對每一組參數擷取波形,且還將波形發送至機器學習系統。作為擷取波形的一部分,系統可執行時脈恢復(clock recovery)並產生部分眼圖,亦稱為短圖案疊加(short pattern overlay)。於一個實施例中,部分眼圖可僅包括多個單級轉換(single-level transition),其中單級轉換是指僅從一個級別至另一個級別的轉換,從低至高、從高至低等的轉換,例如美國專利申請案第17/592,437號中描述的分離的單級部分眼圖。儘管在其他實施例中波形可以以其他格式或向量空間來表示,但結果疊加(resulting overlay)可包括發送至機器學習系統的波形。在一個實施例中,作為波形擷取的一部分,系統還計算多個測量值,其中,測量值例如,如上所述的TDECQ、OMA、ER、AOP、RLM。於步驟66,系統向機器學習系統發送收集的訊息以進行處理,收集的訊息包括直方圖、平均值及每次疊代的特定訊息,其中,特定訊息例如與每一組參數相關聯的波形、短圖案疊加、測量。機器學習系統將所有這些訊息與波形相關聯,以訓練機器學習系統識別下一次疊代的最準確的參數。重複這個過程,直到於步驟68,掃描的參數的所有疊代都已檢查。
作為機器學習訓練過程的一部分,系統會進行測試及驗證。系統將向機器學習系統提供測試波形,使機器學習系統產生下一組參數的預測,然後測試這些參數以查看機器學習系統是否做出了準確的預測。訓練過程繼續進行,直到於步驟70,有足夠的收發器經過篩選,直到機器學習系統產生具有所需準確度的結果。一旦上述已經實現,於步驟72,訓練過程完成且系統可移向運行時間使用(run-time use)。應該注意的是,系統可能會根據需要返回至訓練過程,例如,如果預測準確度下降,或者正在測試的收發器的性質發生一些變化。
圖4顯示了在運行時間環境(runtime environment)中測試光收發器的方法的實施例。於步驟80,使用者將收發器連接至測試及測量裝置並使溫度穩定。溫度可包括所做的調整之一,且多次疊代可包括不同的溫度。於步驟82,系統將收發器調諧至一組操作參數。如本文所用,術語「操作參數」是指針對收發器設定的參數。操作參數可能會取決於過程中的點而改變。起初,此過程將操作參數設定為訓練過程的第一部分中開發的平均參數。於步驟84,測試及測量裝置從收發器獲取波形。於訓練過程中,這可能包括執行時脈恢復及產生僅具有單級轉換的部分眼圖疊加。於步驟86,系統還可以執行測量,其中,測量例如TDECQ、ER、AOP、OMA、RLM等。於步驟88,如果結果表示收發器的操作於所需範圍內,則於步驟90,收發器通過。
在一個實施例中,圖4顯示的通過失敗的測量及確定,如圖5所示,於步驟110,此過程執行時脈恢復,並於步驟111,由此產生張量圖像。圖6顯示了一個示例張量圖像。圖6顯示了左側的輸入波形,其中,三個通道顯示了紅色通道120、藍色通道122及綠色通道124上的輸入波形。張量130及圖中相同位置的張量對應紅色通道,張量132的位置對應藍色通道,張量134的位置對應綠色通道。從獲取的波形創建的短圖案圖像可放置於所有三個顏色通道中。不同的程式碼序列可放置於不同的顏色通道中。圖案及通道的許多組合是可能的。
張量圖像發送至機器學習系統,以作為機器學習系統中使用的波形圖像。之後,於圖5的步驟112,過程測量波形,然後,於步驟114,檢查這些波形是否於範圍內。然後過程返回至圖4的步驟88。
返回參考圖3,對於此實施例,獲取波形的過程包括產生要於機器學習系統中使用的圖像及張量。機器學習系統將使用這些類型的張量圖像進行訓練。這允許系統於運行時間使用機器學習系統中的張量圖像。
如果結果顯示收發器未於所使用的任何測量的期望範圍內操作,則收發器失敗(fail)。於步驟92,系統可檢查收發器已經經歷了多少次此過程。如果次數低於預定次數,則於步驟94,將結果發送至機器學習系統以確定下一組操作參數。然後機器學習系統提供下一次疊代的估計參數。在一個實施例中,收發器於下一次疊代中的操作參數包括多個「調整後的參數」,這些「調整後的參數」是透過從多個先前的操作參數中減去多個估計參數以得到差值(difference),然後將此差值添加回至多個平均參數以產生多個新的操作參數而產生。
返回至步驟92,如果機器學習過程已重複多次且收發器繼續失敗,則於步驟96,系統使用「標準」步驟進行調諧。這包括於實施本實施例之前先前使用的任何調諧步驟。然後此過程繼續,直到於步驟98,收發器的操作滿足多個期望的測量值,且於步驟90,收發器通過。然而,如果即使於標準調諧過程之後,收發器仍無法調整至在所需範圍內操作,則於步驟100,收發器失敗。
以此種方式,機器學習系統可提高調諧過程的效率。這允許系統更快地使收發器通過或失敗,並減少製造過程的時間及費用。
本揭露書的各方面可於特別創建的硬體、韌體、數位訊號處理器上或於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,術語控制器或處理器旨在包括微處理器、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於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象資料類型的常式(routine)、程式、物件(object)、組件、資料結構等。電腦可執行指令可儲存於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於各個方案中進行組合或分佈。此外,此功能可全部或部分實現於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於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,可用於硬體、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於其上的指令,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)、快閃記憶體或其他儲存技術、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,此文字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,於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為一種調諧光收發器的方法,包括:將收發器連接至測試及測量裝置;將所述收發器的多個操作參數設定為一組平均參數;從所述收發器獲取波形;測量所述波形以確定所述收發器是通過還是失敗;當所述收發器失敗時,將所述波形及所述多個操作參數發送至機器學習系統;使用所述機器學習系統提供多個調整後的操作參數;將所述多個操作參數設定為所述多個調整後的操作參數;及重複所述獲取、所述測量、所述發送、所述使用、所述設定,直到所述收發器通過。
示例2為示例1的方法,還包括設定所述收發器的溫度。
示例3為示例2的方法,還包括每次針對不同溫度多次重複所述方法。
示例4為示例1至3中的任一個的方法,其中,提供多個調整後的操作參數包括:將所述多個操作參數減去所述機器學習系統提供的多個估計參數以得到差值;及將所述差值添加至所述多個操作參數以產生多個新的操作參數。
示例5為示例1至4中的任一個的方法,還包括如果所述收發器通過,則完成對所述收發器的測試。
示例6為示例1至5中的任一個的方法,其中,重複所述獲取及所述發送包括:重複所述獲取及所述發送,直到達到預定次數而所述收發器未通過;及使用不同的方法測試所述收發器。
示例7為示例1至6中的任一個的方法,其中,所述波形以眼圖表示,所述眼圖由單級訊號轉換組成。
示例8為示例1至7中的任一個的方法,其中,測量所述波形包括測量發射器色散眼圖閉合四相(TDECQ)值。
示例9為一種測試及測量裝置,包括:連接器,以使所述測試及測量裝置連接至光收發器;及一個或多個處理器,被配置為執行程式碼,使所述一個或多個處理器:起初將所述光收發器的多個操作參數設定為多個平均參數;從所述光收發器獲取波形;測量所述獲取的波形並確定所述收發器的操作是通過還是失敗;如果所述收發器失敗,將所述波形及所述多個操作參數發送至機器學習系統以獲得多個估計參數;根據所述多個估計參數調整所述多個操作參數;及根據需要重複所述獲取、所述測量、所述發送及所述調整,直到所述收發器通過。
示例10為示例9的裝置,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設定所述收發器的溫度。
示例11為示例10的裝置,其中,所述一個或多個處理器還被配置為使所述一個或多個處理器每次針對不同的溫度多次重複執行所述程式碼。
示例12為示例10的裝置,其中,使所述一個或多個處理器調整所述多個操作參數的所述程式碼包括使所述一個或多個處理器將所述多個操作參數減去所述多個估計參數以得到差值,並將所述差值添加至所述多個平均參數以產生多個新的操作參數的程式碼。
示例13為一種訓練機器學習系統以確定光收發器的多個操作參數的方法,包括:將收發器連接至測試及測量裝置;使用一組參數調諧所述收發器;從所述收發器擷取波形;將所述波形及所述一組參數發送至機器學習系統;及重複所述調諧、所述擷取及所述發送,直到收集到足夠數量的樣本。
示例14為示例13的方法,還包括:設定所述收發器的溫度;等待直到所述溫度穩定下來;及記錄所述多個參數。
示例15為示例14的方法,還包括將所述一組參數添加至所述溫度的多個參數的直方圖中。
示例16為示例14的方法,還包括將所述一組參數添加至所述溫度的多個參數的直方圖中。
示例17為示例14的方法,還包括重複所述設定、所述等待及所述記錄,直到收集到足夠數量的樣本。
示例18為示例13至17中的任一個的方法,其中,擷取所述波形還包括產生僅包含單級轉換的眼圖疊加。
示例19為示例13至18中的任一個的方法,其中,所述重複發生於改變所述多個參數以掃描所述一組參數中的每一個參數的範圍之後。
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,本發明不應受限制,除所附申請專利範圍外。
30:測試及測量裝置
32:光收發器
34:光/電(O/E)轉換模組
36:連接器
38:處理器
40:測試自動化程式碼
42:機器學習系統
44:記憶體
46:使用者介面(U/I)
120:紅色通道
122:藍色通道
124:綠色通道
130:張量
132:張量
134:張量
[圖1]顯示了用於調諧光收發器參數的製造工作流程的示例。
[圖2]顯示了可用於調諧光收發器的測試及測量裝置。
[圖3]顯示了訓練用於調諧光收發器的機器學習系統的過程的實施例的流程圖。
[圖4]顯示了使用機器學習來調諧光收發器的過程的實施例的流程圖。
[圖5]顯示了使用機器學習來調諧光收發器的過程的一部分的實施例的流程圖。
[圖6]顯示了從用於機器學習系統的波形中導出的張量圖像的示例。
30:測試及測量裝置
32:光收發器
34:光/電(O/E)轉換模組
36:連接器
38:處理器
40:測試自動化程式碼
42:機器學習系統
44:記憶體
46:使用者介面(U/I)
Claims (19)
- 一種調諧光收發器的方法,包括: 將收發器連接至測試及測量裝置; 將所述收發器的多個操作參數設定為一組平均參數; 從所述收發器獲取波形; 測量所述波形以確定所述收發器是通過還是失敗; 當所述收發器失敗時,將所述波形及所述多個操作參數發送至機器學習系統; 使用所述機器學習系統提供多個調整後的操作參數; 將所述多個操作參數設定為所述多個調整後的操作參數;及 重複所述獲取、所述測量、所述發送、所述使用、所述設定,直到所述收發器通過。
- 如請求項1所述的方法,還包括設定所述收發器的溫度。
- 如請求項2所述的方法,還包括每次針對不同溫度多次重複所述方法。
- 如請求項1所述的方法,其中,提供多個調整後的操作參數包括: 將所述多個操作參數減去所述機器學習系統提供的多個估計參數以得到差值;及 將所述差值添加至所述多個操作參數以產生多個新的操作參數。
- 如請求項1所述的方法,還包括如果所述收發器通過,則完成對所述收發器的測試。
- 如請求項1所述的方法,其中,重複所述獲取及所述發送包括: 重複所述獲取及所述發送,直到達到預定次數而所述收發器未通過;及 使用不同的方法測試所述收發器。
- 如請求項1所述的方法,其中,所述波形以眼圖表示,所述眼圖由單級訊號轉換組成。
- 如請求項1所述的方法,其中,測量所述波形包括測量發射器色散眼圖閉合四相(TDECQ)值。
- 一種測試及測量裝置,包括: 連接器,用以使所述測試及測量裝置連接至光收發器;及 一個或多個處理器,被配置為執行程式碼,使所述一個或多個處理器: 起初將所述光收發器的多個操作參數設定為多個平均參數; 從所述光收發器獲取波形; 測量所述獲取的波形並確定所述收發器的操作是通過還是失敗; 如果所述收發器失敗,將所述波形及所述多個操作參數發送至機器學習系統以獲得多個估計參數; 根據所述多個估計參數調整所述多個操作參數;及 根據需要重複所述獲取、所述測量、所述發送及所述調整,直到所述收發器通過。
- 如請求項9所述的裝置,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設定所述收發器的溫度。
- 如請求項10所述的裝置,其中,所述一個或多個處理器還被配置為使所述一個或多個處理器每次針對不同的溫度多次重複執行所述程式碼。
- 如請求項10所述的裝置,其中,使所述一個或多個處理器調整所述多個操作參數的所述程式碼包括使所述一個或多個處理器將所述多個操作參數減去所述多個估計參數以得到差值,並將所述差值添加至所述多個平均參數以產生多個新的操作參數的程式碼。
- 一種訓練機器學習系統以確定光收發器的多個操作參數的方法,包括: 將收發器連接至測試及測量裝置; 使用一組參數調諧所述收發器; 從所述收發器擷取波形; 將所述波形及所述一組參數發送至機器學習系統;及 重複所述調諧、所述擷取及所述發送,直到收集到足夠數量的樣本。
- 如請求項13所述的方法,還包括: 設定所述收發器的溫度; 等待直到所述溫度穩定下來;及 記錄所述多個參數。
- 如請求項14所述的方法,還包括將所述一組參數添加至所述溫度的多個參數的直方圖中。
- 如請求項14所述的方法,還包括將所述一組參數添加至所述溫度的多個參數的直方圖中。
- 如請求項14所述的方法,還包括重複所述設定、所述等待及所述記錄,直到收集到足夠數量的樣本。
- 如請求項13所述的方法,其中,擷取所述波形還包括產生僅包含單級轉換的眼圖疊加。
- 如請求項13所述的方法,其中,所述重複發生於改變所述多個參數以掃描所述一組參數中的每一個參數的範圍之後。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163165698P | 2021-03-24 | 2021-03-24 | |
US63/165,698 | 2021-03-24 | ||
US17/701,411 | 2022-03-22 | ||
US17/701,411 US11923896B2 (en) | 2021-03-24 | 2022-03-22 | Optical transceiver tuning using machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202247618A true TW202247618A (zh) | 2022-12-01 |
Family
ID=83192746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111110866A TW202247618A (zh) | 2021-03-24 | 2022-03-23 | 使用機器學習的光收發器調諧 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11923896B2 (zh) |
JP (1) | JP2022162978A (zh) |
CN (1) | CN115133984A (zh) |
DE (1) | DE102022106908A1 (zh) |
TW (1) | TW202247618A (zh) |
Families Citing this family (4)
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 |
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 (104)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US592437A (en) | 1897-10-26 | Peter oberhammer | ||
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 |
US8938164B2 (en) * | 2012-09-28 | 2015-01-20 | Intel Corporation | Optical link auto-setting |
US9059803B2 (en) | 2012-09-28 | 2015-06-16 | Intel Corporation | Mechanism for facilitating an optical instrumentation testing system employing multiple testing paths |
US9709605B2 (en) | 2012-12-12 | 2017-07-18 | Tektronix, Inc. | Scrolling measurement display ticker for test and measurement instruments |
US20140343883A1 (en) | 2013-05-15 | 2014-11-20 | Teledyne Lecroy, Inc. | User Interface for Signal Integrity Network Analyzer |
US8861578B1 (en) | 2013-06-25 | 2014-10-14 | Intel Corporation | Transition time measurement of PAM4 transmitters |
US9264270B2 (en) | 2013-06-27 | 2016-02-16 | Intel Corporation | Transition time measurement of PAM4 transmitters |
US9049075B2 (en) | 2013-08-21 | 2015-06-02 | Avago Technologies General Ip (Singapore) Pte. Ltd. | Adaptive modal PAM2/PAM4 in-phase (I) quadrature (Q) phase detector for a receiver |
US9379878B1 (en) | 2013-12-27 | 2016-06-28 | Clariphy Communications, Inc. | Deskew in a high speed link |
US9136952B2 (en) | 2014-01-17 | 2015-09-15 | Tektronix, Inc. | Pulse amplitude modulation (PAM) bit error test and measurement |
US9866928B2 (en) | 2014-11-21 | 2018-01-09 | Nec Corporation | Intra-transceiver optical superchannel switching via RF sub-band multiplexing technique |
US20160328501A1 (en) | 2015-05-05 | 2016-11-10 | Fractal Audio Systems | Automatic AMP Matching |
KR102356890B1 (ko) | 2015-06-11 | 2022-01-28 | 삼성전자 주식회사 | 온도 조절 장치 제어 방법 및 장치 |
US9548858B1 (en) | 2016-01-18 | 2017-01-17 | Inphi Corporation | Skew management for PAM communication systems |
JP6717082B2 (ja) * | 2016-06-30 | 2020-07-01 | 富士通オプティカルコンポーネンツ株式会社 | 光送信モジュールおよび光送信モジュールの制御方法 |
US9699009B1 (en) | 2016-06-30 | 2017-07-04 | International Business Machines Corporation | Dual-mode non-return-to-zero (NRZ)/ four-level pulse amplitude modulation (PAM4) receiver with digitally enhanced NRZ sensitivity |
US10585121B2 (en) | 2016-09-12 | 2020-03-10 | Tektronix, Inc. | Recommending measurements based on detected waveform type |
US10956500B2 (en) | 2017-01-19 | 2021-03-23 | Google Llc | Dynamic-length stateful tensor array |
WO2018162048A1 (en) | 2017-03-07 | 2018-09-13 | Advantest Corporation | Test apparatus and method for characterizing a device under test |
CN107342810B (zh) | 2017-07-03 | 2019-11-19 | 北京邮电大学 | 基于卷积神经网络的深度学习智能眼图分析方法 |
US20190038387A1 (en) | 2017-08-07 | 2019-02-07 | Dentsply Sirona Inc. | Integrated porcelain system for a dental prosthesis |
US10749594B1 (en) | 2017-08-18 | 2020-08-18 | DeepSig Inc. | Learning-based space communications systems |
US11032022B1 (en) | 2017-10-11 | 2021-06-08 | Genghiscomm Holdings, LLC | Detection, analysis, and countermeasures for automated and remote-controlled devices |
US10270527B1 (en) * | 2017-11-22 | 2019-04-23 | Mellanox Technologies, Ltd. | Method for testing optical transmitters |
US10236982B1 (en) * | 2017-12-21 | 2019-03-19 | Ciena Corporation | Fiber parameter identification |
US10608672B2 (en) | 2017-12-22 | 2020-03-31 | Massachusetts Institute Of Technology | Decoding concatenated codes by guessing noise |
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 |
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 |
US20220200712A1 (en) | 2021-10-14 | 2022-06-23 | Intel Corporation | Link monitoring and indication of potential link failure |
-
2022
- 2022-03-22 US US17/701,411 patent/US11923896B2/en active Active
- 2022-03-23 DE DE102022106908.7A patent/DE102022106908A1/de active Pending
- 2022-03-23 TW TW111110866A patent/TW202247618A/zh unknown
- 2022-03-24 CN CN202210295444.7A patent/CN115133984A/zh active Pending
- 2022-03-24 JP JP2022048778A patent/JP2022162978A/ja active Pending
-
2024
- 2024-03-04 US US18/595,085 patent/US20240214068A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240214068A1 (en) | 2024-06-27 |
US20220311514A1 (en) | 2022-09-29 |
DE102022106908A1 (de) | 2022-09-29 |
CN115133984A (zh) | 2022-09-30 |
JP2022162978A (ja) | 2022-10-25 |
US11923896B2 (en) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202247618A (zh) | 使用機器學習的光收發器調諧 | |
US11923895B2 (en) | Optical transmitter tuning using machine learning and reference parameters | |
US11181552B2 (en) | Categorization of acquired data based on explicit and implicit means | |
US20220390515A1 (en) | General digital signal processing waveform machine learning control application | |
US11907090B2 (en) | Machine learning for taps to accelerate TDECQ and other measurements | |
CN115378522A (zh) | 使用机器学习的误比特率估计 | |
TW202315350A (zh) | 使用機器學習的組合tdecq測量和發射機調諧 | |
CN113092917B (zh) | 一种快速实现电子设备电磁环境适应性边界测试方法 | |
US10432325B1 (en) | Testing phase noise in output signal of device under test using transformable frequency signals | |
CN110784236B (zh) | 增强系统集成镜的精确度和分辨率的方法和系统 | |
US8253804B2 (en) | Electronic device and method for measuring video signals | |
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 | |
US20240235669A1 (en) | Systems and methods for tuning and measuring a device under test using machine learning | |
US20230408550A1 (en) | Separating noise to increase machine learning prediction accuracy in a test and measurement system | |
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 | |
US20240168471A1 (en) | Interoperability predictor using machine learning and repository of tx, channel, and rx models from multiple vendors | |
CN113093081B (zh) | 用于频谱分析仪的校准和pv方法及生产系统 | |
US9141499B2 (en) | Semiconductor inspection apparatus and semiconductor inspection method | |
US20240028002A1 (en) | Runtime data collection and monitoring in machine learning systems | |
TW202334851A (zh) | 用於機器學習模型訓練與部署的系統及方法 | |
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 | |
US20220123844A1 (en) | Method and apparatus for signal regeneration | |
TW202422254A (zh) | 機器學習系統中的運行時資料收集和監控 | |
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 | |
TW202422417A (zh) | 綜合的機器學習模型定義 |