全新光电混合ADC系统-640 GSa/s的采样率（YUNSWJ仿真版）

云深之无迹

纵是相见，亦如不见，潇湘泪雨，执念何苦。

1719篇原创内容

公众号

周末啦～写一个学术味道浓的东西，放松一下！

这是一篇Nature光上面的文章，首次展示了基于Kerr孤子微梳（Kerr soliton microcomb）的光电混合ADC系统，实现了320 GHz的采集带宽（对应640 GSa/s的采样率），创下了目前ADC的带宽记录。（我就知道，电到了尽头，别的领域才能发展）

本篇文章比较硬核，先通俗的说说思想捏～

核心思想：把太快的模拟信号“分片拆解”后分别转换，再拼起来

当模拟信号的频率太高（如高达几百 GHz），传统电子 ADC 已经处理不了。所以这篇设计使用了：光学手段把超高速信号按频段切开 → 各段分别用电子 ADC 采样 → 再把数据拼接成原始信号

模拟信号无法直接进入光系统，所以先通过 Mach-Zehnder Modulator（MZM） 将电压波形映射为光强的变化，即“调制光信号”。

调制后的光场为：

其中  是模拟输入电压， 是半波电压。

利用微环谐振腔 + 非线性 Kerr 效应，将连续光源转化为多个离散频率的“光梳齿”，每个频率就像一个通道入口。

梳齿间隔 = 微环谐振腔自由光谱范围（FSR），例如 80 GHz；

总频率覆盖范围 = 数个梳齿 × FSR，可达数百 GHz。

用光滤波器选出每一个梳齿对应的信号段，只留下它感兴趣的那一片频谱。

数学表示（频率窗函数）：

对应论文中高阶窗口处理。

目标功能：

提取某一 Kerr 通道中心频率附近的信号（如第  个通道，中心频率 ）；控制边缘过渡带，减少切片之间拼接时的“缝隙”或“重叠泄漏”；尽量减少旁瓣泄漏，保持系统整体动态范围。

三种窗函数在 Kerr ADC 中用于频率分段提取与拼接时的效果比较

三种窗函数在 Kerr ADC 中用于频率分段提取与拼接时的效果比较

这里作者是搞了三个滤波器，最后是用了中间这个：超高斯窗（exp[-x⁴]）

因为主瓣更集中；边缘陡峭，利于分段清晰提取；可在拼接区保留足够重叠，控制泄漏。

最后每一个频段由对应的探测器 + ADC 采样，不需要很快，因为信号已经被“压低带宽”；在数字域将每段频谱补偿相位与增益并拼接，形成完整频谱后 IFFT 得到时域信号。

数学建模：

：第  段频谱；

：增益与相位补偿；

：重建总频谱。

频域拼接前后比较

频域拼接前后比较

图1：原始信号 vs 重建信号（时域）

蓝线：20 GHz 正弦信号，代表真实模拟输入；

橙色虚线：Kerr ADC 拼接恢复的信号；波形几乎完美重合，说明“拼接后波形恢复良好”，符合设计初衷。

图2：重建误差

展示原始信号与重建信号之间的差值；最大误差在  以内，极小；且无明显拼接“缝合痕迹”，说明窗函数设计有效避免了频段边缘泄漏或失真。

图3：频域频谱对比（dB）

蓝线：原始信号频谱，集中在 20 GHz；

橙线：拼接后频谱；两者几乎重合，仅在远离中心的频点出现轻微差异；说明 Kerr ADC 在频率重构方面保留了高保真度，窗函数拼接平滑有效。

Kerr ADC 的五步图解仿真流程图

Kerr ADC 的五步图解仿真流程图

Step 1：宽带模拟信号输入

输入为 20 GHz 正弦波；表示来自传感器或模拟前端的原始宽带电压信号；振荡周期短（频率高），代表系统需超高速采样。

Step 2：电光调制成光信号

利用 Mach-Zehnder 调制器（MZM）将模拟电信号调制到光载波上（此处用 100 GHz 表示）；实现信号“转光”，为后续光域处理做准备。

Step 3：频谱切片（ISP1）

使用集成频谱处理器 ISP1 对光信号进行按频率段划分；得到多个带有轻微重叠的子频段（如三段 100、180、250 GHz 处）；每段可以视作局部窄带信号，便于低速 ADC 处理。

Step 4：相干解调（Coherent Detection）

利用 Kerr 梳频率本振与每个子段进行相干检测；每个梳状频率分量相当于对不同子段的“钥匙”；实现精确提取每段的 I/Q 份量，且保持相位一致性。

Step 5：数字拼接与重建

将每个子频段分别低速采样（因带宽较窄）；利用 DSP 对多个段进行频域拼接（消除重叠区，保持幅相一致性）；最终重构出原始宽带信号，达到超高等效采样率。

其实这里就是通俗的解读完了，下面是比较学术的，按需观看。

整个系统可分为三个主要模块：

前端光调制

使用薄膜铌酸锂（TFLN）Mach-Zehnder调制器（MZM）将模拟电信号调制到光载波上；输入信号频率范围最高可达 300 GHz+；使用同一激光器生成的载波信号供给 MZM 和 Kerr 微梳（保证相位锁定）。

光频梳切片+相干探测

采用Kerr非线性硅氮化物（Si₃N₄）微腔生成高稳定 Kerr 微梳，频率间隔约为 40.025 GHz。

使用两个集成光谱处理器（ISP1 & ISP2）完成：

ISP1：提取调制信号的上边带并分成多个“光谱片段”；ISP2：分离频梳的各个 comb line，作为本地振荡器（LO）；使用 M组IQ接收器对每一个片段进行相干探测，将光信号转换为电子信号。

电子ADC + 数字处理

每个IQ接收器的I/Q输出送入高速示波器（ADC）；所有片段的数据进行“频谱拼接（spectral stitching）”，重构完整输入信号；每片段的带宽为约 80 GHz（2 × FSR），4个片段覆盖 320 GHz。

使用 4 个光谱切片（共 8 通道）；Kerr comb 由 Si₃N₄ 微腔产生；每通道数据由 Keysight UXR 系列高速示波器采样（256 GSa/s）；通过频谱拼接与系统校准，实现高精度信号重构。

啧啧，这实验真的是做不起一点

啧啧，这实验真的是做不起一点

现在大概商用的极限就是这样，一直说有国产的，我也没有见过

现在大概商用的极限就是这样，一直说有国产的，我也没有见过

性能

这东西理论部分也不难，就是算一些东西,本宝宝也都可视化了对应的步骤，有些不爱看公式的朋友有福啦：

系统信号建模与频谱切片（Spectral Slicing）

输入模拟信号  经 EO（Electro-Optic）调制器调制为光信号 ，其频域表示为：

 是输入模拟信号的傅里叶变换；

 是调制器的频率响应，包含带宽衰减特性（如MZM的增益滚降）；

然后，输入光信号被一个集成光谱处理器（ISP）按频率切分为多个“子带”：

其中：

 是第  个子带的光学滤波窗口函数（Gaussian窗）；每个子带对应一个独立的IQ接收通道，带宽为约 80 GHz。

image-20250713185149864

image-20250713185149864

图 1：原始模拟输入信号

左图（时域）：包含 24.4 GHz、233.4 GHz、264.4 GHz 三个频率分量的混合波；

右图（频域）：显示对应频率的清晰频谱峰值。

本地振荡（LO）频梳建模

Kerr微梳输出光谱为：

 是梳中心频率；

 是梳齿间隔；

 是第  个梳齿的复幅值（包含相位噪声）；

在每个通道内，LO 梳齿与信号片段进行相干混频，得到电信号：

其中  是接收光电探测链路的频率响应。

EO 调制器后光信号频谱

EO 调制器后光信号频谱

模拟了调制器频率响应的衰减（类似一阶低通），高频分量被略微衰减；再现了调制器对输入信号带宽的抑制效应。

频谱拼接（Spectral Stitching）数学模型

由于不同通道的幅度/相位响应不一致，因此信号重构需引入系统标定因子：

：第  个子带的电信号频谱；、：通过预先标定得到的电-光、光-电系统传递函数；多通道的拼接在频域完成，需确保边界平滑，避免拼接伪影。

论文中使用参考信号（如线性调频LFM信号）和已知多阶QAM信号，对每一通道进行 幅度+相位标定。

Kerr 微梳切片与频域窗口

Kerr 微梳切片与频域窗口

共有 4 个切片，每组上下图对应一个通道：

上图：窗口函数（高阶窗），每段中心频率依次向右偏移 80 GHz；

下图：窗口作用下的光信号频谱，展示每段所截获的频域成分；相邻窗口间存在适当重叠，便于频谱拼接。

所有切片拼接后的总频谱

所有切片拼接后的总频谱

所有通道在频域相加；可见重建后的频谱基本还原了原始信号的主峰分布，虽部分高频略微减弱。

Kerr微梳ADC模型的Python仿真

Kerr微梳ADC模型的Python仿真

时域重构信号 + 频谱对比

时域重构信号 + 频谱对比

左图：重建波形（橙虚线）与原始波形（蓝实线）几乎重合，说明切片拼接非常成功；

右图：频谱对比图表明主要频率成分完好重现。（上面的两个图都是，下面的好看一点）

ENOB 与 SINAD 的关系

系统在多个频点计算 有效位数 ENOB，标准公式为：

其中 SINAD 为信号与总噪声 + 失真比（dB），通过测量重构信号与理论信号之间的误差得到：

对应频率不同，系统的 MZM 响应、探测链路响应等不同，导致 ENOB 随频率下降（例如：低频段 ENOB ≈ 3.3，高频段 ≈ 2.6）。

标定函数的求解与数字补偿

论文使用了预先测得的参考响应 ，并采用逆滤波方式进行数字补偿：

对所有  个通道分别处理，再在时域或频域拼接（采用过采样 + 插值方法，消除拼接边界的接缝效应）。

代码在最后，想实现的自己去玩

有些人就要问了，人家那么贵的实验你就俩张破图，仿真的对吗？好问题！现在就继续来评估我的模型

每段重建误差（时域）

每段重建误差（时域）

每个子图表示 Kerr 微梳某一切片在时域下与原始信号的误差；

观察结果：

切片 1（低频段）误差较小，边缘较干净；

切片 2~4 中误差逐渐增加，尤其是高频部分，可能受到 EO 滤波器衰减影响；所有片段误差主要集中在切片边缘区域，说明拼接位置可能存在幅值或相位失配。

拼接频带重叠区域频谱对比

拼接频带重叠区域频谱对比

每组图对展示相邻两片段在拼接频带内（±10 GHz）的幅度匹配情况；

观察：各对切片在拼接区的谱值略有差异；表明频谱拼接若未进行增益匹配或相位校准，可能造成边缘失真或泄漏。

接下来看看论文的美图！

基于光电联合信号处理引擎的集成频谱切片光电ADC

基于光电联合信号处理引擎的集成频谱切片光电ADC

电到光调制（前端）：

宽带模拟电信号首先通过一颗超宽带电-光 Mach-Zehnder 调制器（MZM）被调制成光信号；MZM由一个外腔激光器（ECL）提供载波光，中心频率为 ；这个 ECL 是由反射型半导体光放大器（RSOA）和Sagnac 环形反射器组成，其中集成了两对 Vernier 可调谐环形谐振腔（MRR1 和 MRR2）以及一个热调谐耦合器。

本振源产生（Kerr 频率梳）：ECL 的一部分光输出送入一个基于高Q因子的Si₃N₄ 微环谐振腔（MRR3）的Kerr频率梳发生器（FCG），产生多个频率分量的 soliton 梳状本振信号；这些梳状频率将作为后续相干解调的局部振荡源（LO）；另一部分光输出通过 SOA 或 EDWA 放大后送往 MZM 用于调制。

光电信号处理引擎：MZM 输出的光信号通过单模光纤（SMF）传送到集成光电信号处理引擎；在输入端，信号先被放大并送入第一个集成频谱处理（ISP1）：提取高频边带 ；部分补偿 MZM 的电光响应；将宽带信号按频率切分为多个子段（spectral slices）；第二个集成频谱处理器（ISP2）将 Kerr 频率梳切分为单独的、本振相位锁定的多个频率分量。

相干解调 + 低速采样：每个频谱片段与对应的 Kerr 梳 LO 进行相干检测，由一个包含 M 个IQ 解调器阵列（IQR1 ~ IQRM）实现；每个 IQ 分量通过一组 2M 个同步低速电子 ADC 进行数字化采样（即 I、Q 各用一个 ADC）；所有电子 ADC 通过引线键合（EWB）连接至系统内部。

数字拼接与重建：所有切片信号通过数字信号处理器（DSP）在频域中拼接重建；得到完整的数字化模拟输入信号。

说明

说明

Kerr ADC 系统的实验验证原型

Kerr ADC 系统的实验验证原型

Kerr ADC 的离散实验实现

Kerr ADC 的离散实验实现

这是 Kerr ADC 的离散实验实现，以光纤 + 商用器件搭建；使用铌酸锂高速 MZM 进行模拟信号调制；使用 Kerr 梳（由 Si₃N₄ 微环产生）作为多色本振源；利用可调光滤波器进行光频切片；用 4 个 IQ 接收器检测，每个接收 I/Q 两路 → 共 8 路 BPD 输出；最终用 2 台 256 GSa/s 高速示波器读取数据；是对“光调制 + 光频分割 + 本振锁定 + 数字采样 + 重构”的完整验证。

Kerr 梳光谱与本振选择

Kerr 梳光谱与本振选择

实验中 Kerr 梳是稳定的孤子模式；实际检测使用 下边带信号（即信号调制在载波以下）；频谱图中标出了被选为 LO 的 Kerr 频率分量；说明 Kerr 梳的实际使用需考虑 OCNR 等物理约束。

四通道光电系统传输函数 Hμ(f) 的测量

四通道光电系统传输函数 Hμ(f) 的测量

使用高精度参考光波测量每条通道的系统传递函数（频率响应）；得到每条通道的幅频/相频特性；后续可用于 DSP 端的系统响应校正，实现频率域补偿。

校准后 Kerr ADC 的频率响应

校准后 Kerr ADC 的频率响应

显示 ADC 在整个频段上的有效采样能力；可见系统在 ~60 GHz 到 ~300 GHz 范围内具有较好响应线性；中间缺口是实验设备限制，非架构缺陷。

Kerr ADC 数字重建结果示例

Kerr ADC 数字重建结果示例

实验演示了 Kerr ADC 可高质量重建 300 GHz 附近的波形；使用 sinc 插值与最小二乘拟合方法对采样点进行平滑；重建误差极低，验证了 Kerr ADC 的高保真、高速性能。

Kerr 频率梳谱线的模拟与选频过程

Kerr 频率梳谱线的模拟与选频过程

灰色竖线：完整的 Kerr 频率梳谱线（中心频率为 193.5 THz，梳齿间距为 40.025 GHz）；

红色圆点：从中选取的 4 个本振（LO）频率，作为光电检测中的相干接收本振；

选频编号：分别标注为 f₁ ~ f₄，对应 Kerr ADC 中不同频段切片的本振。

在 Kerr ADC 系统中，频率梳起到多色本振源的作用：每个频率梳齿作为一个独立的 LO；对应接收端的一个子频段；最终各段信号在数字域拼接成完整宽带信号。

Kerr ADC 中各通道的光电链路传输函数

Kerr ADC 中各通道的光电链路传输函数 

上图：幅度响应（Magnitude |Hμ(f)|）

每条曲线代表一个通道（共 4 通道）；近似呈 高斯带通 形状，每个通道响应中心频率不同（对应频谱切片）；带宽大致为 30 GHz，峰值归一化为 1；不同通道间存在轻微强度偏差，模拟实际器件非一致性。

下图：相位响应（Phase ∠Hμ(f)）

每条曲线是通道对不同频率信号的相位响应；呈现 缓慢变化的非线性相位曲线，主要源于：MZM 的相位延迟；光纤色散；光电探测器的频率依赖响应；在 ADC 重建中需使用此相位响应进行补偿，确保拼接后信号相位连续。

建模说明：

本图近似复现论文 Fig. 2(c) 中提到的 ~Hμ(f)：为 Kerr ADC 各通道的传输函数；来源于标定参考波形（ORW）测试；是后续 DSP 拼接与重建 的重要校准因子。

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import windows, butter, lfilter
from scipy.fft import fft, ifft, fftshift, ifftshift

# 参数设置
fs = 640e9                 # 有效采样率 640 GSa/s
N = 2**14                  # 采样点数
t = np.arange(N) / fs      # 时间向量
f = np.fft.fftfreq(N, d=1/fs)  # 频率向量

# 1. 生成模拟输入信号（多频调制信号）
input_signal = (
    0.5 * np.cos(2 * np.pi * 24.4e9 * t) +        # 24.4 GHz分量
    0.3 * np.cos(2 * np.pi * 233.4e9 * t + 0.8) + # 233.4 GHz分量
    0.2 * np.cos(2 * np.pi * 264.4e9 * t + 1.2)   # 264.4 GHz分量
)

# 2. 模拟 EO 调制器响应（3 dB 频率为 300 GHz 的一阶低通）
def EO_filter(freq):
    f3dB = 300e9
    return 1 / np.sqrt(1 + (freq / f3dB)**2)

EO_response = EO_filter(np.abs(f))
optical_signal_freq = fft(input_signal) * EO_response  # 光域调制后频谱

# 3. 划分 4 个 Kerr 微梳片段（中心间隔为 80 GHz）
num_slices = 4
slice_bw = 80e9
slices = []
frequencies = []

for i in range(num_slices):
    f_center = (i + 0.5) * slice_bw
    win = np.exp(-((f - f_center) / (slice_bw / 2))**4)  # 超高阶窗函数（近似理想带通）
    slice_freq = optical_signal_freq * win
    slices.append(slice_freq)
    frequencies.append(f_center)

# 4. OE 接收 + 模拟 I/Q 解调（只保留幅度信息模拟）
digitized_slices = []
for slice_freq in slices:
    # 模拟 OE 接收器响应（此处设为理想，后面可添加噪声或滤波失真）
    digitized_slices.append(slice_freq)

# 5. 数字补偿 + 拼接
reconstructed_freq = np.zeros_like(optical_signal_freq, dtype=complex)
for slice_freq in digitized_slices:
    reconstructed_freq += slice_freq  # 简化处理（实际需补偿相位并校准增益）

# 6. 反变换得到时域波形
reconstructed_signal = np.real(ifft(reconstructed_freq))

# 7. 可视化结果
plt.figure(figsize=(14, 6))

# 原始与重建信号（部分片段）
plt.subplot(1, 2, 1)
plt.plot(t[:1000] * 1e12, input_signal[:1000], label='Original')
plt.plot(t[:1000] * 1e12, reconstructed_signal[:1000], '--', label='Reconstructed')
plt.xlabel('Time (ps)')
plt.ylabel('Amplitude')
plt.title('Time Domain Signal (Partial)')
plt.legend()
plt.grid(True)

# 频谱对比
plt.subplot(1, 2, 2)
plt.plot(np.fft.fftshift(f) * 1e-9, 20*np.log10(np.abs(fftshift(fft(input_signal))) + 1e-12), label='Original')
plt.plot(np.fft.fftshift(f) * 1e-9, 20*np.log10(np.abs(fftshift(reconstructed_freq)) + 1e-12), '--', label='Reconstructed')
plt.xlabel('Frequency (GHz)')
plt.ylabel('Magnitude (dB)')
plt.title('Spectrum Comparison')
plt.legend()
plt.grid(True)

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np
from scipy.fft import fft, ifft, fftshift

# 参数设置
fs = 640e9                 # 有效采样率 640 GSa/s
N = 2**14                  # 采样点数
t = np.arange(N) / fs      # 时间向量
f = np.fft.fftfreq(N, d=1/fs)  # 频率向量

# 原始模拟输入信号
input_signal = (
    0.5 * np.cos(2 * np.pi * 24.4e9 * t) +
    0.3 * np.cos(2 * np.pi * 233.4e9 * t + 0.8) +
    0.2 * np.cos(2 * np.pi * 264.4e9 * t + 1.2)
)

# EO调制器频率响应
def EO_filter(freq):
    f3dB = 300e9
    return 1 / np.sqrt(1 + (freq / f3dB)**2)

EO_response = EO_filter(np.abs(f))
optical_signal_freq = fft(input_signal) * EO_response

# 图1：原始输入信号（时域 & 频域）
plt.figure(figsize=(14, 4))
plt.subplot(1, 2, 1)
plt.plot(t[:1000]*1e12, input_signal[:1000])
plt.title("原始模拟输入信号 (时域)")
plt.xlabel("时间 (ps)")
plt.ylabel("幅值")
plt.grid(True)

plt.subplot(1, 2, 2)
plt.plot(fftshift(f)*1e-9, 20*np.log10(np.abs(fftshift(fft(input_signal))) + 1e-12))
plt.title("原始模拟输入信号 (频域)")
plt.xlabel("频率 (GHz)")
plt.ylabel("幅度 (dB)")
plt.grid(True)
plt.tight_layout()
plt.show()

# 图2：EO调制后频谱
plt.figure(figsize=(7, 4))
plt.plot(fftshift(f)*1e-9, 20*np.log10(np.abs(fftshift(optical_signal_freq)) + 1e-12))
plt.title("EO调制器后的光信号频谱")
plt.xlabel("频率 (GHz)")
plt.ylabel("幅度 (dB)")
plt.grid(True)
plt.tight_layout()
plt.show()

# Kerr 微梳切片
num_slices = 4
slice_bw = 80e9
slices = []
frequencies = []
slice_windows = []

for i in range(num_slices):
    f_center = (i + 0.5) * slice_bw
    win = np.exp(-((f - f_center) / (slice_bw / 2))**4)
    slice_freq = optical_signal_freq * win
    slices.append(slice_freq)
    frequencies.append(f_center)
    slice_windows.append(win)

# 图3：展示每一 Kerr 微梳切片窗口及其作用后的频谱
plt.figure(figsize=(14, 10))
for i, (win, slice_freq) in enumerate(zip(slice_windows, slices)):
    plt.subplot(4, 2, 2*i+1)
    plt.plot(fftshift(f)*1e-9, fftshift(win))
    plt.title(f"切片{i+1}的频域窗口函数")
    plt.xlabel("频率 (GHz)")
    plt.ylabel("权重")
    plt.grid(True)

    plt.subplot(4, 2, 2*i+2)
    plt.plot(fftshift(f)*1e-9, 20*np.log10(np.abs(fftshift(slice_freq)) + 1e-12))
    plt.title(f"切片{i+1}作用后的频谱")
    plt.xlabel("频率 (GHz)")
    plt.ylabel("幅度 (dB)")
    plt.grid(True)

plt.tight_layout()
plt.show()

# 模拟 OE 接收后数字信号（假设无失真）
digitized_slices = slices.copy()

# 图4：数字域拼接所有切片频谱
reconstructed_freq = np.zeros_like(optical_signal_freq, dtype=complex)
for slice_freq in digitized_slices:
    reconstructed_freq += slice_freq

plt.figure(figsize=(7, 4))
plt.plot(fftshift(f)*1e-9, 20*np.log10(np.abs(fftshift(reconstructed_freq)) + 1e-12))
plt.title("所有频谱切片拼接后的总频谱")
plt.xlabel("频率 (GHz)")
plt.ylabel("幅度 (dB)")
plt.grid(True)
plt.tight_layout()
plt.show()

# 图5：重建后的信号（时域）
reconstructed_signal = np.real(ifft(reconstructed_freq))
plt.figure(figsize=(14, 4))

plt.subplot(1, 2, 1)
plt.plot(t[:1000]*1e12, input_signal[:1000], label="原始")
plt.plot(t[:1000]*1e12, reconstructed_signal[:1000], '--', label="重建")
plt.title("重建后的信号 (时域片段)")
plt.xlabel("时间 (ps)")
plt.ylabel("幅值")
plt.legend()
plt.grid(True)

plt.subplot(1, 2, 2)
plt.plot(fftshift(f)*1e-9, 20*np.log10(np.abs(fftshift(fft(reconstructed_signal))) + 1e-12), label="重建")
plt.plot(fftshift(f)*1e-9, 20*np.log10(np.abs(fftshift(fft(input_signal))) + 1e-12), '--', label="原始")
plt.title("重建前后频谱对比")
plt.xlabel("频率 (GHz)")
plt.ylabel("幅度 (dB)")
plt.legend()
plt.grid(True)

plt.tight_layout()
plt.show()

https://www.nature.com/articles/s41377-025-01778-1.epdf?sharing_token=uOEN2o9v9ZZ8CpxV3ZNfJtRgN0jAjWel9jnR3ZoTv0NQWGG8pitqy0XyM7_LfUTkliHSTOffGIyep8j1TlpKID_QkH84rv500uQn9Hew0RQ6aegNsTlhkXe-M_b-6ASz3jEKVprTl0z5guTJDsaL8flB9M3Tn1Fo4tW1mUl5EaI%3D