編輯推薦

瑞薩電子(Renesas)日前宣布啟動其線上市集(online Market Place)，提供一站式解決方案的來源，有助於為未來的行動化資訊市場，加速技術創新。開發人員可以直接從該市集，下載針對瑞薩的R-Car汽車系統單晶片(SoC)設計的各種解決方案。開發人員還可以將Market Place用作入口網站，以從R-Car 聯盟積極合作夥伴，取得參考評估軟體，或者直接聯繫積極合作夥伴公司，讓其提供及時支援，以滿足該客戶的需求。 開發人員透過市集，可以快速並輕易取得R-Car評估軟體、文件(例如硬體手冊、技術更新、應用筆記)以及基本軟體(例如Linux和Android的開發板支援套裝軟體，又稱BSP)。該市集致力於提高行動化資訊系統的開發效率，可直接使用R-Car入門者套件，加速開發和啟動評估專案的時間。以前要取得這些寶貴資源，開發人員必須簽署軟體評估授權合約，這是一項耗時的過程。使用新的市集，開發人員在建立帳戶後，透過點閱授權便可立即取得必要的軟體和相關資料。該市集還提供了高親和力的技術影片，其中提供有關R-Car產品的用法和功能的更多詳細資訊。 瑞薩汽車數位產品市場部副總裁Naoki Yoshida表示，在當今瞬息萬變的商業環境中，客戶需要快速取得解決方案和相關資訊，才能在新的常規下著手開發。市集的發布讓開發人員可以立即下載所需的解決方案，包括合作夥伴公司的評估軟體，這將大幅加快客戶行動化資訊的開發。

賽靈思(Xilinx)日前宣布推出Zynq RFSoC DFE(Digital Front-End)，這是一款為滿足不斷演進的5G NR無線應用標準而推出的自行調適無線電平台。Zynq RFSoC DFE結合硬化的數位前端(DFE)模組與靈活應變的可編程邏輯，為涵蓋低、中、高頻段的廣泛應用打造高效能、低功耗且高成本效益的5G NR無線電解決方案。Zynq RFSoC DFE在採用硬化模組的ASIC的成本效益、可編程與自行調適SoC的靈活性、可擴展性與上市時間等優勢之間，取得了最佳技術平衡。 5G無線電所需的解決方案不僅要滿足廣泛部署所需的頻寬、功耗和成本要求，還必須符合三大關鍵5G實際應用：增強型行動寬頻(eMBB)、巨量物聯通訊(mMTC)及高可靠低延遲通訊(URLLC)。此外，該解決方案必須能隨不斷演進的 5G標準進行擴展，如OpenRAN(O-RAN)、全新的破壞式5G商業模式。Zynq RFSoC DFE整合了硬化的DFE應用專用模組，以實現5G NR效能並降低功耗，同時還提供了靈活性，能整合可編程自行調適邏輯，從而為日益發展的5G 3GPP和O-RAN無線電架構提供能迎向未來的解決方案。 賽靈思執行副總裁暨有線與無線事業部總經理Liam Madden表示，賽靈思首次為無線電平台提供比自行調適邏輯更堅固的硬化應用專用IP，以滿足低功耗和低成本的5G需求。市場需求隨著5G的演進而日益成長，整合式的RF解決方案也必須持續因應未來的標準。Zynq RFSoC DFE在靈活應變能力與固定功能IP之間達成了平衡。

富比庫(Footprintku Inc.)近日推出雲端服務平台FPK Showcase，運用既有電子零件資源結合「共享服務」及「隨取即用」概念，消弭電子產業存在已久的零件數位資料格式供需斷層，重新連結電子產業市場供應鏈，創造資源運用最大化，以實現研發創新的無限可能。 整合全球電子零件市場供需 富比庫自成立以來持續以推動電子產業數位轉型為目標，積極投入發展智慧化與自動化的電子零件資料數位轉換技術，幫助企業降低轉換成本，進而將有限資源運用於產品創新研發。以此為基礎，甫正式上線的FPK Showcase提供滿足電子產品設計所需並可相容於多種EDA工具及版本的數位檔案，包含用於電路設計的Schematic Symbol、電路板設計的PCB Footprint和機構設計的3D Model，以打造電子產業首見的一站式供需整合服務平台為發展目標。 富比庫除了將電子零件供應商提供的規格書(PDF Format)，透過自行研發的智動化數位技術(AI & Auto-digitization technology，AADT)轉換為電子產品設計所需的數位資料檔案格式，並將其整合至FPK Showcase，以增加供應商品牌及產品曝光機會。FPK Showcase為電子產業提供一個針對資源耗損、效率不佳與零件參數資訊不足等問題的整體解決方案，有效降低系統整合商與供應商資料確認溝通往返所耗費的人力時間成本。 實現電子零件數位化資料共享 隨著共享經濟(Sharing Economy)的發展日趨成熟並逐漸導入各大產業，資源重覆運用的概念儼然成為企業拓展市場的嶄新商業模式。今年受疫情影響，電子業界陷入人力嚴重短缺的困境，此時，有助於加速產業轉型的電子零件數位資料結合隨取即用服務模式，便成為推動電子產業創新發展不可或缺的重要角色。 為解決傳統電子零件建置過程中因人工作業所產生的資源耗損及品質不一等問題，富比庫所搭建的一站式平台FPK Showcase運用電子零件數位資料與共享經濟的概念，以提供業界豐富多元的電子零件資源為平台營運目標，打造全球唯一提供擁有完整製程設計規則(Design for Manufacturing，DFM)的電子零件數位檔案資料庫。所有參數資料皆經由供應商與富比庫認證與驗證，確保可立即用於電子產品設計，真正發揮隨取即用的特色及優勢，有效提升產品設計效率與縮短時程，降低企業人力及時間成本。

未來消費性裝置創新，須仰賴創建更智慧的新型聯網裝置。此一未來，會由更多具有近端機器學習推論能力的知覺型感測器(Perceptive Sensor)所推動。運用這些感測器並同時擴大推論網路，將能推動智慧型裝置在幾乎所有方面的功能與使用者體驗的提升。隱私權亦可透過終端裝置本地推論的運行而獲得改善，因為只有最少量的使用者資料及感測器資訊會上傳至雲端。 機器學習被鎖在雲端 機器學習與智慧型裝置的交會解放了消費性電子產品新一波的創新。然而最佳的機器學習網路處理需求以及低功率處理器效能之間還有極大的差距。目前的解決方案是運用裝置收集並廣播感測器的資料至雲端，而高功率、專用的機器學習處理器則在雲端負責推論，並在完成後將結果透過網際網路回傳至使用者裝置。這個方法雖能提供機器學習的功能，但亦有極明顯的弱點。裝置有限的能量必須消耗一部分以保持持續的網路連線；雲端運算的延遲亦會限制了裝置對推論的應用，並且會破壞使用者體驗。而傳送原始資料的需求則讓裝置難以維護資料安全，並造成隱私權的顧慮。整體而言，這些限制了智慧裝置對機器學習的實際運用。 第一代的低功率機器學習處理器的整體容量與運算能力不足，只能專注在基本網路應用，如語音指令辨識，以及用於攝影機控制及客製化過濾的特徵偵測等。機器學習的核心邏輯絕大部分被減慢的摩爾定律所限制，因此若沒有效能上快速的改善，機器學習就必須維持在雲端。僅有在運算架構出現突破，方能創造出高效能、高正確度的近端推論。 本文意在展望複雜的推論網路可在幾乎任何消費型裝置上執行的未來─現在已極度接近。全新的「智慧型推論裝置」浪潮將會提供近端高效能的機器學習，讓敏感性的使用者資料不必上傳網路及雲端。其能自動化運用機器學習以改善低階裝置的功能以及使用者體驗。其將由快速創新、機器學習的同步處理、處理器設計、裝置設計所驅動，以創造全新的未來使用者體驗。 機器學習推論的突破 近期機器學習所克服的進階挑戰，揭露了新興智慧型推論裝置的絕佳前景。眾多團隊投身機器學習研究與學習/推論的程式碼庫，讓機器學習進入指數型的學習曲線。大部分的進展多與裝置的雲端連線能力或近端處理有關，針對處理較小資料集的研究則是純粹近端處理的最佳候選。裝置近期可以直接運用的創新包含： ・觀察手勢並處置實體世界物體 這項創新在兩個相關領域中已取得進展，可追蹤人類與機器人手臂，及教導機器人執行觸覺操縱。2019年，OpenAI透過在3D模擬中訓練的機器人展現出手指的靈活性，將其知識轉移至現實，並適應現實世界的物理現象。這創造出可以執行複雜任務的彈性，像是解開真實世界的魔術方塊，卻不需要真實世界的訓練。此外，2019年Oculus Quest亦發表了視覺感測器的手部追蹤技術，需要同時使用4具攝影機以進行6個自由度的頭部追蹤。該解決方案在Snapdragon 835處理器及3MB的神經網路架構，以500mW的耗能提供骨骼及數個手勢追蹤。此前非機器學習的解決方案必須使用景深攝影機及專用邏輯，並消耗超過15W的功率，卻僅能提供明顯較差的正確性。 ・以現在的行動衡量未來結果 在Google的DeepMind中，強化學習經過修改而能了解賽局中決策的長期結果。Temporal Value Transport演算法則是用以將未來所得的結果通知現在，結合未來利益的機率於當前的行動中。這種結合未來結果於目前決策的能力能大幅改善機器學習系統在現實世界的決策制定，除可協助裝置進行更複雜決策的制定，還能大幅改善可執行任務的數量以及可應用狀況的複雜度。 智慧型推論裝置　開創全新體驗 運用推論協調裝置功能是未來裝置設計的強大典範。推論驅動的設計可以創造全新等級的使用者體驗，同時改善低階裝置的功能。具有多重網路推論的裝置將用以進行使用者與環境輸入訊號的複雜翻譯而不需要運用到雲端。使用多重同步網路能讓裝置對於使用者與環境輸入訊號有更高層的理解及反應。這些裝置受到影響的邏輯包含： ・智慧型推論裝置啟動  機器學習極適合翻譯聲音、手勢以及視覺輸入，以啟動裝置、節省電池電力並減少雲端資料傳送。 ・雲端運用與資料隱私經衡量 裝置可以運用推論在雲端相關任務上，包含進一步推論，或是非推論的雲端計算。裝置可以在近端進行推論，而不需要提供原始資料至雲端。聲音、影像及感測器資料及其所產生的推論均不需要上傳。裝置可以決定哪些資料需要傳送至雲端，而該邏輯可以透過設計以強化隱私與資料安全性，而不需要因為必須在雲端處理而公開地揭露。 ・推論驅動使用者體驗 在裝置靈活性、真實聲音翻譯及重製、導航、視覺、偵測、辨識等裝置功能的提供上，推論已證明具最佳的表現。推論可以直接用以創造全新使用者等級的功能與體驗，這些都是不具推論能力的裝置所無法提供的。可同時使用一組以上神經網路的處理器，具有能在裝置及使用者層級同時運用視覺、聲音及創新感測器輸入以制定複雜決策的能力。 啟動智慧型推論裝置 啟動感測器或連接至雲端都需要運算、耗電以及成本。若裝置能快速推論，一旦感測器的輸入需要後續對應動作時，處理器便能聰明地啟動、建立無線網路連線，而雲端的任務亦能明確地被指派。以此方式，低功率的推論便能透過把有趣的動作偵測、聲音啟動以及使用者意圖等留在裝置近端處理，節省整體裝置的耗電(圖1)。 圖1 推論驅動設計的智慧裝置運作 智慧型啟動的重要性不應該被低估─裝置可以進入可接受的耗電範圍，而在許多應用中雲端服務可以避免雙位數的誤判。 ・只有當任務短語和語調提出時，更聰明的啟動文字才會觸發裝置和雲端活動。 ・在各種基於攝影鏡頭的應用中，智慧動作感測可預測動作的意向，以避免下游處理。 ・智慧感測處理能減少一般功能處理器的負載，並運用機器學習來聰明地啟動裝置。 雲端運用與資料隱私經衡量 行動與社群應用帶來前所未有規模的運算與隱私挑戰。為雲端所設計的應用，可以把推論移轉至裝置，減少延遲並節省雲端資源。此外，如穿戴式裝置或智慧音箱等產品亦能決定近端、多因子排程以執行不同甚至是多重供應商的雲端服務。雲端雖然有極大的運算能力與資料量，不依賴網路連線的近端裝置則免於網路延遲與不可靠性。能正確在近端執行推論的裝置，因為能在近端分析聲音、影片、空間及其他感測器資料，僅需傳送較少的資料至雲端，能大幅改善機會來保護使用者隱私。 ・機器學習從雲端轉移至近端裝置可以達成低延遲的使用者反應，能大幅改善聲音、攝影機、手勢等輸入的使用者體驗。 ・近端的影片與聲音分析可以在近端執行，僅有在需要進行雲端分析時才將影片或聲音上傳，因而能保護敏感的使用者原始資料流。 ・智慧型應用程式介面亦能讓單一智慧裝置對來自多個供應商的應用程式進行任務分派並進行雲端互動。 推論驅動使用者體驗優化 推論是讓裝置開啟尖端且全新使用者等級功能的核心性能。結合機器學習推論的聲音與視覺處理讓裝置能辨別複雜的指令與語境，而後產生絕佳的成果。可在新興智慧型推論裝置上擴展的功能，包含使用者回應功能像是生物辨識存取、環境回應、有意義的輸入以及衍伸的人類意圖。此外，還包含替身模擬、機器人控制、智慧型感測器控制及導航等功能(圖2)。 圖2 機器學習推論可讓裝置開啟全新使用體驗的尖端功能 智慧型推論裝置機器處理器的期待屬性 能協調智慧型裝置功能的處理器，將運用機器學習技術，同時包含與裝置感測器、核心處理以及功率控制的關鍵介面。其將成為裝置的大腦，以啟動裝置的功能並調配關鍵的處理。理論上，其能提供實用的功能讓裝置因為減少耗能、必要時智慧化啟動裝置功能、確保其能依安排的需求而啟動，而成為更好的產品。在此同時，其能高效率正確地處理複雜的網路，體積又能更小─讓其可以置入體積精巧的平價裝置。 未來智慧型裝置的關鍵考量是其在感測器與耗能之間的關係。許多裝置需要延長電池使用時間。現今，複雜的視覺感測器資料分析會以最大Thermal Design Power(TDP)的狀況下消耗所有的運算資源。智慧型感測器僅有在必要時會啟動處理、無線網路、雲端互動及實體功能。智慧型感測器與裝置功率的減少是加速智慧家庭採用的必要項目。智慧化啟動網路運作及雲端互動可以減少裝置耗能、延長運作時間、增加尖端功能所能保留的電力預算。家用配線是長期的限制，需要許多裝置以電池運作，以增加消費者的採用。現今電池運作的智慧型家用裝置通常使用4個以內的AA電池或是3500mAh的充電電池，而目標運作時間則在3個月以上。運用智慧型感測器，僅在必要時才啟動裝置，在近端處理輸入而不需要無線網路的連線，可以顯著增加其功能，並減少對於電力的需求。 最佳化的效能、架構、軟體、功率以及研發平台的匯集，對於推論成為未來智慧型裝置設計的驅動因素是全部必要的條件。最佳化的推論處理器將在這些屬性上同時擁有優異的表現。 效能 ・高機器學習網路效能/瓦特：能執行高正確性、現代的影片/影像/聲音處理類型網路。 ・一致的加速度：即便在網路程式碼改變，並擴大多重網路類型，仍能提供相對一致的加速度。 架構 ・整合式設計：小尺寸及高度整合，以簡化設計。 ・標準匯流排：使用標準介面與匯流排設計，易於整合至裝置。 ・多重感測器輸入/輸出介面：支援影片、聲音、常見及新興的感測器。 ・可擴充性：在相同的程式碼下，設計架構能擴展至多重ASIC或是更大、更高性能的ASIC。 ・低延遲：整合記憶體架構及快取，以快速處理所擷取的資料，包含聲音及高解析度/多重攝影機影像等。 軟體 ・快速載入：快速並動態載入，同時執行多重機器學習網路。 ・不特定機器學習網路：執行任何神經網路型式或是分層類型。 ・執行及相關多重機器學習處理：運作多重網路並執行橫跨多重推論的分析。 ・一般目的運作：執行程式碼以產生完整形成與裝置運作相關的成果。 電力 ・低TDP：支援電池電力以延長穿戴式裝置及離線操作的使用時間。 ・低熱度限制：低熱度適合支援穿戴式裝置及全被動式運作。 ・快速啟動：由使用者或感測器呼叫可快速、低延遲的啟動加速器，適合底層以低於使用者感知等級的運用。 ・選擇性啟動：命令和控制感測器啟動，支援額外處理，協助裝置平均耗能最小化。 平台 ・強力的SDK及說明文件：軟體工具集，搭配第三方工具的支援，使其易於運用於目標的加速器中。 ・最佳化的預製：針對主要應用的功能區塊，如偵測、分類、除噪等，提供直接替代(Drop-in)的支援。 ・部署工具集：來自主要機器學習平台如MXNet、PyTorch、Caffe及TensorFlow的移植工具等強力支援。 兼顧尺寸/功耗/效能　全新推論處理器登場 新創公司Perceive發表全新的Ergo，是款高度整合的推論處理器，能將所有推論處理卸載至低功率應用及小尺寸裝置。Ergo能以相當於55 TOPS/W的性能執行推論，而在全功率運轉時可以達到4 TOPS，而不會犧牲正確性，或限制可支援網路的類型。Ergo ASIC採用7×7mm FBGA封裝並能以約20mW耗能處理許多網路，最大功率約為120mW，且完全採用被動式散熱。在現場展示中，Ergo在全速運轉之下溫度仍低得可以直接碰觸。 Ergo是設計來執行傳統上僅能在資料中心等級推論處理器上方能運作的網路。現今Ergo可以完整執行YOLOv3，在批量尺寸為1時以246fps處理6400萬組參數。Ergo可以執行傳統上需要超過400MB儲存空間且有超過1億組參數的網路。 與之前設定為低耗電應用的推論處理器相比，Ergo計畫並達成所有之前的處理器及專用加速器擁有相當的每瓦特效能的20倍至100倍的功率效能。現今的推論處理器一般低於5 TOPS/W，而Ergo則可以達到55 TOPS/W以上。 要達成這樣的效能，Perceive發展出全新的運算架構，能維持高正確性，但大幅減少記憶體與耗電量的要求。Ergo新穎的網路表示法(Representation)避開推論對於MAC陣列的需求，並因而精巧至足以在晶片內記憶體執行大型網路。Ergo晶片亦採用積極性功率與時脈閘以增加電源效率。因此，Ergo能在7mm×7mm的封裝內提供極高的正確性。結合了源自數學原理的方法至機器學習、不是依據MAC而設計的架構、沒有外部記憶體、傳統的節電技術，是讓Ergo可以在資料中心等級網路上提供高正確性、效能與效率的原因。 廣泛的移植網路和一致的效能提升，代表該公司已成功創造一種能提供相對於今日推論負載明顯效能改善的架構。此外，該公司亦已展示許多多重網路應用，均與其宣稱的網路容量及性能相符。 Perceive Ergo能直接串接高解析度、高影格率影片感測器，讓多重感測器與即時元資料(Metadata)有機會作為推論處理的額外輸入。此能提供先進的問題解決與多重網路推論，讓其能運用於核心裝置控制與先進的終端使用者功能。有了高效能與網路容量，亦可能推出全新的功能。在此機會之下，軟體設計與訓練出現新的挑戰，對裝置生產廠商成為全新的技術挑戰。Perceive已試著透過工具套件(其中含有針對一般機器學習應用的已可用於部署Ready-to-deploy網路)，讓研發更為容易。 Perceive Ergo機器學習網路範例 Perceive Ergo可同時執行多個網路，讓智慧型裝置能採用推論驅動設計。其已使用現今多層次網路如CNN(包含殘差邊緣)、LSTM、RNN及其他網路進行測試。示範的網路包含： 以M2Det進行多重物件偵測 多重層次多重尺度偵測器(M2Det)是新發表的類神經網路(2019年1月)，用以進行物件偵測及在地化，設計以偵測尺度差異極大的物件。M2Det是款端到端、單一拍攝物件偵測器，其在現實世界應用極為實用，因為物件可以是在漸進場景中且尺寸及比例差異極大。 以YOLOv3進行多重物件偵測 YOLO是由Joseph Redmon及Ali Farhadi所創造的CNN式類神經網路，可以在影像及影片中辨識並定位高達80個物件類型。現今YOLOv3是資料中心最受歡迎的多重物件偵測器之一。 以專用網路進行聲音事件偵測 最佳化的類神經網路可以以小尺寸的類神經網路辨別多重聲音事件類別，讓其極適合運用搭配較大的視覺處理類神經網路使用。 以ResNet進行臉部辨識 深度殘差學習因較易訓練與絕佳的正確性而受到關注，其為微軟研究院(Microsoft Research)在2015年所發表。多重層次配置的ResNet已運用於大型樣本地區臉部與影像辨識。 Perceive Ergo同步推論類神經網路範例 Perceive Ergo已示範結合這些類神經網路運作，並且以其自身的記憶體/網路權重能力在技術上是足以同時執行多重類神經網路。此處理器能執行全新類神經網路的組合，處理使用內建輸入/輸出埠自多重偵測器所取得的資料。 Perceive...

然而，市場對於產品要求之嚴苛，恐怕超出了實驗室所有的應用模擬。從2018年底柔宇推出外折的手機“柔派”起，到三星推出Galaxy Fold，折疊手機面板的可靠度一直都受到市場質疑(圖1)，導致各大手機廠要不重新設計，要不縮小上市規模，藉以爭取更多的研發時間來改善已經浮現的問題。一年過去了，手機廠在2020年初發表捲土重來的折疊手機，期待以新的概念與新的解決方案，重新為手機市場打開一條血路。 圖1 　第一代折疊手機面板可靠度受到市場質疑(圖片來源：https://www.gsmarena.com/) 軟性OLED顯示技術在2013年三星推出Galaxy Round，以聚醯亞胺(Polyimide, PI)取代玻璃基板以後逐漸成熟，後續推出的Galaxy Edge系列都採用軟性OLED面板。 不過，光有軟性顯示面板還不足以建構一個折疊手機顯示屏幕；折疊顯示模組除了面板外，尚包括觸控、圓偏光片(Circular Polarizer)，蓋板(Cover Window)等元件，這些元件都必須要滿足可折疊的功能需求。其中，最大的挑戰還是來自蓋板，蓋板承載著防刮、耐磨、防眩光、抗反射、抗汙等功能。 過去使用玻璃蓋板，這些功能都可以輕易達成，只是玻璃無法達到小曲率半徑折疊要求，因此只能從軟性高分子材料中尋找能達到20萬次以上小半徑撓曲的材料，其中無色聚醯亞胺材料(Colorless Polyimide, CPI)玻璃轉化溫度高，具有動態撓曲(Dynamic Bending)、靜態撓曲(Static Bending)的安定性，符合蓋板材料折疊需求。 然而，CPI材質表面不耐刮，需要再經過表面可撓硬膜塗層來達到防刮的目的。筆者去年即提到，從材料應用的角度來看，符合軟性可折疊、高透光、耐磨刮特性的高分子材料應用，折疊手機面板應用恐怕是第一個，其可靠性有待實際應用的考驗。果不其然，2019年的許多失效案例與模組的蓋板有關，因此，手機廠持續針對蓋板可靠度問題，提出解決方案，期待新產品能有所改善。 2020年，市面上銷售的折疊手機廠商中柔宇沒有推出新機，新加入的摩托羅拉推出貝殼機Razr，巧的是，三星也推出背蓋式的Galaxy Z Flip，有志一同的打輕巧訴求；華為則推出Mate Xs，算是Mate X的小改版，其面板規格整理如表1。 表1　市售第一代與第二代折疊手機規格比較表 第二代折疊手機在行銷上都特別強調折疊蓋板的先進性，以扭轉市場對手機可靠度不佳的印象。三星宣稱採用先進的超薄玻璃(Ultra Thin Glass, UTG)材質，而華為則強調用了雙層比黃金還貴的CPI，撥開廣告詞句，其實兩者都試圖強調產品在折疊蓋板上有了極大的改善，至於改善得如何，則仍然有待市場考驗。 軟性蓋板技術挑戰大 手機蓋板是手機與外部接觸的部位，承擔影像呈現、觸控訊號輸入與保護面板模組的功能，這些功能所代表的技術需求，包含高光穿透率、低霧度、抗反光、抗眩光、抗汙等光學特性，以及防刮、耐磨、抗衝擊等機械特性；對折疊手機的蓋板來說，必須再加上包括動態折疊與靜態折疊的可撓特性，也就是說軟性蓋板材料既要硬得可以耐磨刮，又要軟的可以耐折曲，這些互相扞格特性需求在材料學上是極大的挑戰(圖2)。 圖2　折疊蓋板是手機與外部接觸的部位承擔諸多互相扞格之特性需求 玻璃一直以來都是手機蓋板的主要材料，能夠輕易滿足光學性與機械性功能需求。然而，玻璃基本分子結構是如圖3所示的矽酸鹽，這種結構註定玻璃材料易碎的特性，當然，玻璃材料的成分多少會影響其脆性，但是，大體而言，相較於金屬或是塑膠，玻璃材料在微小的應變下即產生極大的應力而破碎如圖4(1)所示。 圖3　玻璃之矽酸鹽結構   圖4　施以微小的應變在玻璃上即產生極大的應力 因此玻璃機械強度雖強，但是可撓性(Flexibility)不佳。降低玻璃的厚度有助於增加玻璃的可撓性，以康寧Willow玻璃為例，厚度50μm就比500μm更能承受彎曲半徑較小的折疊如圖5(1)所示。     圖5　薄玻璃可以承受較小的彎曲半徑 同樣的道理，在相同的彎曲半徑下，當玻璃變薄時，薄玻璃彎曲破裂的機率比厚玻璃低很多，如圖6(1)所示。然而，令人沮喪的是，即使玻璃厚度小於100μm，在彎曲到10毫米時，康寧Willow玻璃材料破裂的機率仍高於50%，這對於折疊手機來說，面臨設計上的挑戰，因為，當折疊手機以輕薄為設計訴求時，其折疊半徑要求到5毫米以下，內折時更要求到3毫米以下的工程規格，故折疊蓋板是對玻璃材質來說一個非常大的挑戰。 圖6　不同彎曲半徑，玻璃材料破裂之機率 當全世界玻璃大廠都在努力解決可折疊玻璃之際，面板廠將目光移到了可撓性較佳的高分子材料，長鏈狀高分子結構的彈性變形能力可滿足可撓性的需求。 具有高光穿透度、低霧度等良好光學特性的高分子材料很多，如聚對苯二甲酸乙二酯(Polyethylene Terephthalate, PET)、環烯烴聚合物(Cyclo Olefin Polymer ,COP)等，只是這些材料的玻璃轉化溫度(Glass...

・LG Chem、JOLED、友達，近期紛紛投入印刷式OLED技術布局，引發關注。 ・折疊手機是OLED應用新美地，但能成功跨入大尺寸才是OLED問鼎主流地位的關鍵。 ・目前大尺寸OLED量產最大瓶頸在於蒸鍍段生產成本高昂，而印刷式OLED製造技術則具成本優勢，惟亦有挑戰待解。 ・印刷式OLED是OLED技術能夠真正擴大應用，甚至將來取代LCD成敗的里程碑。 圖片來源：Kateeva 近日，外電報導，LG Chem收購美國杜邦(DuPont)公司「可溶性OLED」材料技術，此次的收購範圍包括杜邦的可溶性OLED材料技術與工程專利等無形資產，以及研發與生產設備等有形資產；日本「JOLED」近日也宣布籌得了 255 億日圓資金，於千葉事業所內開始構築全球首見採用「印刷式OLED」技術製作面板生產線；報載國內面板大廠友達已在林口架設印刷式OLED實驗線，一時間，似乎又有新的顯示技術興起，引起大家的關注。 折疊手機的應用使OLED找的一個可以擺脫LCD競爭的產品空間，不過手機面板的面積畢竟有限，無法支撐一個顯示產業，因此，OLED從小尺寸的應用在技術成熟後進入中大尺寸的市場是必然的趨勢，也是主流顯示器技術能夠存活的必然途徑。然而，以目前OLED的蒸鍍製程工藝推演可以發現，未來中大尺寸OLED與LCD的競爭，成本是一個難以跨越的瓶頸。 目前主流的OLED製程需要非常昂貴的精密真空蒸鍍設備，在大面積的高世代，除了可以預期精密真空蒸鍍設備的昂貴天價以外，在技術上，大面積高精度遮罩技術是否能夠突破仍不確定；此外、遮罩蒸鍍製程的發光有機材料使用率非常低，致使OLED蒸鍍段的生產成本非常的高。 採用溶液型的噴墨圖案化技術是克服材料使用率低落問題最直接有效的解決方案；噴墨印刷不必在真空進行，高世代大型噴墨設備價格比真空設備低廉，採用按需供給(Drop on Demand)的圖案化方式，材料使用率可超過90%。在高世代設備價格與提高材料使用率的考量下，大尺寸OLED的製造採用溶液式的噴墨印刷製程是最佳的選擇。據此，一直都以大尺寸OLED為產品的LG，自然要布局溶液型的製程技術，而日本面板廠商為擺脫中國大陸廠商在顯示產業的纏鬥，自然也選擇開始踏入中國業者著力未深的下世代技術。 溶液型的噴墨OLED圖案化技術發展已經超過15年，台達電投資的翰立光電在2004年即與英國CDT合作，引進噴墨印刷彩色OLED技術，惟當時LCD發展正興盛，彩色OLED成本高，技術不成熟，無法在市場上與LCD相抗衡而黯然退場。然而，噴墨印刷OLED相關的研發並沒有停止，在材料上，有DuPont、Sumitomo、Merck等，在設備上，包括ULVAC、TEL、Kateeva等國際大廠持續投入，致使噴墨印刷OLED技術逐漸產業化。友達在2014年即以噴墨印刷技術展示65吋彩色面板；2017年中JOLED就交予華碩21.6吋噴墨印刷4K OLED的樣機；2018年包括華星光電展示31吋UHD面板、京東方展示55吋面板，這些跡象都顯示，面板廠已開始布局下世代的製程技術以解決未來OLED在大尺寸將面臨的瓶頸。 噴墨印刷OLED製程技術對設備、材料依存度非常高，噴墨印刷雖然已經發展很久，但是應用到具有光電特性需求的薄膜製造仍有許多技術需要克服。過去發展最大的瓶頸在於OLED材料與噴墨設備的搭配無法優化，導致噴墨印刷OLED的量產進展緩慢。近年來，由於面板廠受到未來需求的驅動，加上國際間材料與設備廠的合作，使噴墨印刷OLED的相關技術發展逐漸加快，估計在面板廠積極帶動下，印刷OLED的產品上市時程指日可待。 OLED在折疊手機的應用是OLED技術存活下來的關鍵，而印刷式OLED是OLED技術能夠真正擴大應用，甚至將來取代LCD成敗的里程碑。 (本文作者陳來成博士為艾圖雅科技總經理，專長為柔性光電與柔性顯示技術，在台灣光電業界有數十年資歷) 本文作者其他文章推薦： ・折疊手機引爆新話題 ・軟性基板/薄膜漸成熟　折疊顯示器喜迎新商機 ・(更新)折疊手機是OLED與LCD的分水嶺 ・技術瓶頸逐步攻克　奈米銀線應用路更寬 ・軟性電子產品崛起　軟性透明導電膜躍居關鍵材料 ・奈米壓印技術助力　捲對捲軟性基板製程前景可期 ・軟性電子前景可期　新興材料群雄並起 ・相關計畫/資金前仆後繼投入　軟性電子四大應用商機可期