MétaCan
Menu
Retour à la cohorte
Enregistrement W3027242299 · doi:10.1109/jlt.2020.2996188

800G DSP ASIC Design Using Probabilistic Shaping and Digital Sub-Carrier Multiplexing

2020· article· en· W3027242299 sur OpenAlexaff
Han Sun, Mehdi Torbatian, Mehdi Karimi, Robert Maher, Sandy Thomson, Mohsen Nader Tehrani, Yuliang Gao, A. Kumpera, George Soliman, Aditya Kakkar, Mohamad Hairi Osman, Ziad A. El-Sahn, Clayton Doggart, Weikun Hou, Shailesh Sutarwala, Yuejian Wu, Mohammad Reza Chitgarha, V. Lal, Huan-Shang Tsai, S. Corzine, Jiaming Zhang, John Osenbach, S. Buggaveeti, Z. Morbi, Miguel Iglesias Olmedo, I. Leung, Xian Xu, Parmijit Samra, Vince Dominic, Steve Sanders, M. Ziari, Antonio Napoli, Bernhard Spinnler, Kuang-Tsan Wu, Parthiban Kandappan

Notice bibliographique

RevueJournal of Lightwave Technology · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueOptical Network Technologies
Établissements canadiensInfineon Technologies (Canada)
Organismes subventionnairesnon disponible
Mots-clésDigital signal processingApplication-specific integrated circuitMultiplexingTransmission (telecommunications)Computer scienceComputer hardwareElectronic engineeringEmbedded systemEngineeringTelecommunications

Résumé

récupéré en direct d'OpenAlex

The design of application-specific integrated circuits (ASIC) is at the core of modern ultra-high-speed transponders employing advanced digital signal processing (DSP) algorithms. This manuscript discusses the motivations for jointly utilizing transmission techniques such as probabilistic shaping and digital sub-carrier multiplexing in digital coherent optical transmissions systems. First, we describe the key-building blocks of modern high-speed DSP-based transponders working at up to 800G per wave. Second, we show the benefits of these transmission methods in terms of system level performance. Finally, we report, to the best of our knowledge, the first long-haul experimental transmission – e.g., over 1000 km – with a real-time 7 nm DSP ASIC and digital coherent optics (DCO) capable of data rates up to 1.6 Tb/s using two waves (2 × 800G).

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,051
Tête enseignante GPT0,228
Écart entre enseignants0,177 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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

En bref

Citations286
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Lightwave TechnologyMême sujetOptical Network TechnologiesTravaux en français237 207