2023-06-252023-06-25https://tore.tuhh.de/handle/11420/16183Durch den Ausbau von Informationsnetzen wie beispielsweise das industrielle Internet of Things (IoT) entsteht eine stets steigende Nachfrage nach Daten. Diese erzeugt in logischer Folge eine Nachfrage nach Datenerzeugung, -verarbeitung, -speicherung und dem Datentransport zwischen diesen Schritten. In diesem Projekt werden Möglichkeiten untersucht, wie ein schneller Datentransport gewährleistet werden kann. Ziel ist es dabei „Ultra-High-Speed Verbindungen“ zu modellieren, mit denen eine Datenübertragung von mehr als 100 Gbps pro Datenlink ermöglicht werden. Diese Verbindungen bestehen dabei in der Regel aus zwei Bestandteilen. Zum einen dem physikalischen Kanal und zum anderen einer I/O Struktur. Außerdem treten Herausforderungen in Form von Verlusten durch die verwendeten Materialien und andere Störungen auf, die mit berücksichtigt werden müssen. Unter anderem soll der Einfluss von verschiedenen Entzerrern untersucht und auf die physikalischen Modelle des Kanals angepasst werden. Hierfür ist geplant, Methoden des Maschinellen Lernens einzusetzen, um z.B. Voraussagen über etwaige Design-Parameter für die Verbindungen treffen zu können.The expansion of information networks such as the industrial Internet of Things (IoT) is creating an ever-increasing demand for data. This logically generates a demand for data generation, processing, storage and data transport between these steps. This project is investigating ways to ensure fast data transport. The goal is to model “Ultra-High-Speed Interconnects” that enable data transmission of more than 100 Gbps per data link. These links usually consist of two components. One is the physical channel and the other is an I/O structure. In addition, challenges arise in the form of losses due to the materials used and other disturbances that must also be taken into account. Among other things, the influence of different equalization will be investigated and adapted to physical models of the channel. For this purpose, it is planned to use machine learning methods, e.g. to be able to make predictions about possible design parameters for these Ultra-High-Speed Interconnects.