研發應用於下世代BeyondGigabit乙太網路傳收機之深度學習技術(IC設計)(1/3)

隨著網路速度的提升，數據傳輸的信號頻寬因而跟著必須提高，為了克服既有乙太網路所使用的銅雙絞線的頻寬限制，IEEE Std 802.3bz™-2016 (2.5GBASE-T & 5GBASE-T)及10GBASE-T 均採用更高的PAM16 (16-level Pulse Amplitude Modulation) 及導入 Low-Density Parity-Check (LDPC)編碼技術及Tomlinson-Harashima Precoder (THP) 技術。然而，THP可避免Decision-Feedback Equalizer (DFE) 之錯誤傳播(error propagation)，但是必須付出更高的電路晶片實現成本，這是因為PAM16資料信號經過THP之輸出信號已是近似連續信號。在類比電路方面，除了電路頻寬的提升，線性度及DAC/ADC (數位類比轉換/類比數位轉換)的要求因而大幅提高了。在數位電路方面，除了因為數據傳輸速率提高而必須擴展信號頻寬及提高數位電路的操作速度，更因為導入THP技術而大幅提高回音消除器及Near-End Crosstalk (NEXT)電路複雜度。此外，隨著信號頻寬的擴展，射頻干擾涵蓋的RFI頻譜範圍也增加了。本計畫之目標乃是研究將深度學習技術應用於下世代beyond Gigabit乙太網路PHY transceiver 之相關議題或模組，譬如將adaptive Particle Swarm Optimization (PSO)演算法應用THP-based adaptive equalizer、IIR-based digital echo/NEXT canceller、analog echo/NEXT canceller、adaptive hybrid-circuit 及窄頻RFI cancellation/suppression，並且將研發之演算法應用於IEEE Std 802.3bz™-2016 下世代Multi-Gigabit 乙太網路PHY transceiver設計。