bandwidth用法的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

適用於任意卷積核運算之高適用性網格晶片內網路深度類神經網路處理器設計

為了解決bandwidth用法的問題，作者楊岳錡 這樣論述：

近年來，由於實時 (real-time) 應用軟體的需求急遽增加，深度類神經網路 (Deep Neural Network, DNN) 加速器 (accelerator) 設計受到了廣泛的關注。由於各種應用對於計算的要求不同，使用的目標DNN模型中涉及的卷積核 (convolutional kernel) 大小將不固定，這增加了DNN加速器設計上的困難度。一般而言，傳統的加速器會依據目標DNN模型中最大的卷積核大小，採用處理元件 (Processing Element, PE) 陣列來設計DNN加速器。但是，這種最壞情況 (worst-case) 的設計考量會導致較低的硬體資源使用率。此外，

基於陣列的專用PE互連限制了使用資料再用法 (data reuse method) 可以降低記憶體存取量的效益，其原因在於很難設計適當的資料流 (dataflow) 來支持基於PE陣列的加速器去採用多種資料再用法。為了解決上述的問題以及提高互連的靈活性，我們提出採用晶片內網路 (Network-on-chip, NoC) 互連的高卷積核大小適用性DNN處理器設計。透過所提出的權重式類神經網路運算處理機制 (weight-wise NN processing mechanism) 配合NoC提供的彈性資料流，可將多種資料再用法用於目標DNN模型中的任意卷積核大小，從而有效降低處理DNN運算所需的

記憶體存取量以及提高處理運算時的硬體資源使用率。另外，為了有效降低晶片內網路處理資料傳輸的時間，我們提出基於X-Y路由的低成本多播傳輸法 (low-cost X-Y routing-based multicast transmission)，針對多播傳輸中提出低複雜度路由器設計以及低成本多播封包設計，以解決路由器設計的高複雜度問題以及封包設計的高硬體成本消耗問題外，並提出輸入取向行映射演算法 (input-oriented column mapping algorithm) 進一步優化資料傳輸效率。由於所提出的基於NoC的DNN處理器設計可適用於任意卷積核大小並且有效使用多種資料再用法，因此與

相關研究相比，所提出的設計可將PE計算能力平均利用率提高2%至21%，並減少41%至62%的記憶體存取量，從而節省47%至61.1%的能源消耗。此外，所提出的多播傳輸法可以改善90%的NoC系統的傳輸延遲時間。

使用法布里-珀羅雷射二極體注入與波長再利用的光纖雙向傳輸系統

為了解決bandwidth用法的問題，作者徐以謙 這樣論述：

近年來需要使用高頻寬、高傳輸性與方便性的設備大量增加，相關的通訊設備也迎來改革，其中一項重大改革是光纖傳輸，光纖因為擁有高頻寬具有低損耗、高傳輸性以及不易受到干擾等特性，讓光纖成目前傳輸訊號的首選，而光纖傳輸利用全反射的原理來傳輸訊號，讓光纖可以擁有電纜的功能卻又比電纜穩定，早期的光纖傳輸系統多是使用單向傳輸，將單向傳輸改成雙向傳輸，能讓光纖傳輸系統更加靈活，並使用單一雷射光源實現多傳輸路徑的光纖雙向網路系統，可以大大減少實驗成本及實驗規模。本文提出使用法布里-珀羅雷射二極體注入與波長再利用的光纖雙向傳輸系統，一開始可調式雷射（TL）先由光耦合器分為70%與30%，分別載入基帶訊號（BB）與

類比訊號，但一個光源同時載入兩個訊號，會造成訊號不穩定，所以在30%那端加入法布里-珀羅雷射二極體（FP-LD），利用注入鎖模造成波長偏移，使得一個雷射光源可以夾帶兩個訊號，並且上行與下行都經過25公里的長距離傳輸，再來利用光帶通濾波器（OBPF），將上行以及下行的光源分開，並產出上行及下行的眼圖，並透過上行及下行的眼圖了解傳輸的品質，來達到波長再利用之目的。關鍵字：可調式雷射（TL）、基帶訊號（BB）、法布里-珀羅雷射二極體（FP-LD）、光帶通濾波器（OBPF）。