迈向 1.6T AI 网络：光学测试有哪些新挑战？

Sobre este evento

À medida que os data centers são atualizados para a arquitetura Ethernet de 1,6T a fim desuportar enormes cargas de trabalho de IA, os transceptores ópticos (módulos ópticos) estão gradualmente se tornando o principal gargalo do desempenho da rede. Em ambientes com velocidades extremamente altas, como o PAM4 de 224 Gb/s em canal único,a margem da camada física (PHY) é mínima. Qualquer atenuação mínima do sinal pode desencadear uma reação em cadeia, levando à instabilidade do link, ao congestionamento da rede e à queda no desempenho das cargas de trabalho de IA. Ao mesmo tempo,o padrãoIEEE 802.3dj introduziu atualizações significativas nas definições de medição, o que representa um grande desafio para os métodos tradicionais de validação e os fluxos de trabalho de interoperabilidade. Os engenheiros de pesquisa e desenvolvimento voltados para a próxima geração de tecnologias de interconexão óptica devem se adaptar rapidamente aos requisitos em constante evolução dos padrões, a fim de garantir um desempenho confiável das redes de IA.

Este webinar abordará, sob uma perspectiva técnica aprofundada, a evolução dos testes de PHY óptico de 1,6 T. Vamos nos concentrar nos seguintes pontos:
 

• Novas definições de TDECQ eOMA.

• O recém-introduzidoreceptor de referência (Reference Receiver).

• Como essas mudanças nos padrões afetam o trabalho de validação de diferentes arquiteturas de transceptores,desde os módulos ópticos plugáveis tradicionais até os LPO(ópticos plugáveis com acionamento linear) eCPO(ópticos em encapsulamento comum)?

• Por que os fluxos de trabalho existentes podem não oferecer mais associações precisas e são difíceis de expandir.
   

Além disso, você descobrirá como as soluções de validação automatizadas e em conformidade com as normas e especificações podem ajudá-lo a identificar mais cedo os limites do equipamento, já nas fases iniciais de pesquisa e desenvolvimento, garantindo assim a confiabilidade do desempenho óptico de 1,6 T e estabelecendo uma base sólida para redes de IA com escalabilidade horizontal (scale-out).