MétaCan
Menu
Retour à la cohorte
Enregistrement W2040826381 · doi:10.1109/lpt.2013.2286105

A Study of Error Correction Codes for PAM Signals in Data Center Applications

2013· article· en· W2040826381 sur OpenAlexaff
Meer Sakib, Odile Liboiron-Ladouceur

Notice bibliographique

RevueIEEE Photonics Technology Letters · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueOptical Network Technologies
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésBCH codeForward error correctionCoding gainDecoding methodsBit error rateComputer scienceReed–Solomon error correctionAlgorithmError detection and correctionConcatenated error correction codeBlock code

Résumé

récupéré en direct d'OpenAlex

A study is presented through simulation and experiment on the proposed forward error correction (FEC) codes for data centers using higher order pulse amplitude modulation (PAM). The results highlight the tradeoffs in the adopted FEC approach for a fixed transmission link. Reed-Solomon (RS) and Bose-Chaudhuri-Hocquenghem (BCH) codes are considered in data center applications due to the low latency requirement budgeted for the encoding and decoding processes. Using Monte-Carlo and semi-analytical simulations, the signal to noise ratio requirement of PAM-N is obtained for a 500-m fiber transmission link at 100 Gb/s. For latency requirement under 100 ns, short-block RS codes offer possibly low complexity implementation with a pre-FEC bit error rate (BER) threshold at 8.8×10-5. On the other end, BCH codes provide higher coding gain up to 9.3 dB with a BER threshold at 2.5×10-3at the expense of potentially longer decoding delay and complexity. An experimental investigation at 25 Gb/s for PAM-4 signal is performed to measure the actual net coding gain of the system. Results show that the performance of RS(578 514) code is within 1 dB of both BCH(3456 3084) and BCH(2464 2056) with 15% and 23% reduction in complexity, respectively.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,031
Tête enseignante GPT0,278
Écart entre enseignants0,247 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Photonics Technology LettersMême sujetOptical Network TechnologiesTravaux en français237 207