- Advertisement -
首頁 首頁Top區塊

首頁Top區塊

- Advertisement -

拓展RISC-V市場/滿足邊緣運算 SiFive再推64-bit核心

現在具有人工智慧(AI)、機器學習(ML)、物聯網(IoT)和即時(Real-time)工作負載的連接設備已經越來越多,邊緣嵌入式智慧運算的需求也因此大幅提升。為滿足此需求,SiFive推出新款商用64位嵌入式核心「S2 Core IP」。新產品推出後也進一步增加SiFive旗下嵌入式核心IP產品組合,其中包括E(32位元)和S(64位元)中的核心IP系列。 SiFive執行長兼聯合創始人Yunsup Lee表示,為了滿足對完整的64位元嵌入式運算的市場需求,SiFive必須加快其相關產品的開發。SiFive利用獨特的方法快速創新和建構64位元的完全異構和連貫的即時核心功能。SiFive的S2核心IP系列經過矽驗證,可帶來更高的效率、性能和安全性,在邊緣應用實現更多創新。 邊緣SoC會面臨即時延遲(Real-time Latency)、確定性能力和嚴格的功率限制等要求。S2可以使SoC能具有不間斷的低功耗CPU效能,且可以僅在需要時才開啟與高效能CPU的結合,例如在聲控的智慧型設備中。另外,S2系列可以只配置13,500個閘極(RV32E格式)。同時S2僅有S5核心的一半大小,並能透過分離安全域和非安全域來增強安全性。藉由這些靈活的做法,來滿足現代邊緣負載和應用所要求的效能、功率,以及面積和即時需求方面的限制。 Microchip公司的子公司Microsemi產品架構與規劃負責人Ted Speers表示,SiFive將其64位元S核心的標誌性效率、可配置性和經過矽驗證的核心IP專業技術帶到了64位元的嵌入式架構中,將能為下一代嵌入式運算提供創新。
0

鎖定5G商機 Qorvo購併Active-Semi強化競爭優勢

為實現高功率射頻(RF)應用,並提升市場競爭優勢,Qorvo近日宣布將收購電源管理解決方案供應商Active-Semi International。Active-Semi日後將歸屬於Qorvo基礎設施與國防產品(IDP)部門,並運用其技術資源持續研發高功率解決方案,以因應日益成長的5G、工業、數據中心、汽車和智慧家庭等應用。 Qorvo總裁兼首席執行長Bob Bruggeworth表示,透過收購Active-Semi,不僅能增加IDP產品種類和數量,也能將Qorvo的業務範圍拓展到目前正在成長的電源管理市場。將Active-Semi創新的類比/混合信訊號解決方案與Qorvo的全球營運規模、銷售管道、客戶關係等優勢相結合,將能在未來創造更多的市場機會。 如何提高電源使用效率是目前IDP市場(包括5G基地台、汽車、物聯網等)的發展重點,而Active-Semi的可程式設計混合訊號功率解決方案,將能提供更高的效率,並使設計更簡易、靈活,進而降低物料成本和縮短上市時間。 Active-Semi首席執行長Larry Blackledge則指出,該公司的可程式設計模擬功率解決方案與Qorvo旗下產品、技術組合相結合之後,將可開創大量的市場機會,不僅能為公司增加營收,日後也能進一步開發更高整合度的系統解決方案,以進軍5G基礎設施等高成長的新興市場。 Qorvo預計在收購後第一年實現根據非通用會計準則(Non-GAAP)所計算的毛利率(Gross Margin)和每股盈餘(EPS),未來將會在2019 財年第四季度營收情況電話會議(預定於2019年5月7日召開)上提供關於本次Active-Semi收購交易的更多詳情。
0

憑藉高切換/低損耗特性 SiC有效降低EV供電成本

在 xEV傳動系統中,碳化矽(SiC)電路有助於實現更小的晶片尺寸,同時具備相同效能資料,提供降低切換損耗及提升切換頻率等各種優點。與先前的系統相比,對應封裝技術可實現更有效率且更為輕巧的電源模組,以及獨立解決方案。受益於SiC晶片和最佳化電源模組的一般應用,包括主變頻器、車載充電電子裝置、升壓器和DC-DC轉換器(圖1)。 圖1 xEV應用中半導體平均比例(取決於電氣化程度) SiC元件已上市約二十年,但因為成本及部分品質緣故,在車輛中的使用受到限制。到目前為止,SiC晶圓尺寸通常比矽小很多。高品質6英寸SiC晶圓上市供應後,提升了製造SiC晶片的產能(圖2)。 SiC元件最初是由小規模的專業公司主導,不過目前頂尖半導體公司於標準設備加工SiC元件,具備高輸出及高可靠性,因此SiC的成本發展大有可為。最新一代的SiC溝槽MOSFET,在閘極氧化物可靠性方面也有所進展,使其成為汽車應用的理想選擇。 圖2 更大的晶圓和強化製程可降低成本,並提升SiC晶片可靠性。 碳化矽具備高切換/低損耗特性 相較於傳統的矽基高電壓IGBT或MOSFET(> 600V),SiC MOSFET具有多種優勢。例如英飛凌1200V SiC MOSFET(CoolSiC)的閘極電荷及電容值比IGBT更低,並具備最低的本體二極體逆復原損耗。這讓切換損耗遠低於矽,並且不受溫度影響(圖3)。此外,MOSFET具有類似電阻的輸出特性,IGBT則類似於二極體。無臨界值導通特性可降低局部負載範圍的洩漏損耗。 圖3 比較CoolSiC MOSFET與矽IGBT之間的切換損耗 以上基本優勢不僅使SiC MOSFET成為高頻運作的理想選擇(例如車載充電電路和DC-DC轉換器),也適用切換頻率一般低於20kHz的變頻器應用。其中效率主要是由低負載作業決定。例如使用SiC MOSFET可在低或中負載情況下,降低最高2/3的變頻器損耗。 SiC MOSFET可實現體積極為精巧的高效變頻器。在相同條件下,SiC MOSFET的晶片面積遠小於IGBT型變頻器。由於減少晶片損耗,因此提升了各種駕駛情境的效率,特別是具有許多加速階段的城市交通。 就變頻器效率而言,必須考慮能量基本上以兩個方向流動,產生扭矩期間從電池到車輪,能量復原(回收)期間則從車輪返回電池。因此變頻器效率對電池供電電動車(BEV)非常重要,因為這會直接影響行駛範圍,或可使用較小電池提供相同行駛範圍。由於電池是重要的成本因素,電池電芯減少5%至10%,可讓電池電力超過40kWh的系統大幅降低800美元以上成本。 矽支援的崩潰場強度低於SiC。因此標準1200V IGBT損耗明顯高於600V類別的同類產品。另一方面,1200V SiC MOSFET可在850V範圍內,以更高的電池電壓提供非常高效的運作。因此SiC也非常適合用於快速充電應用的架構。就目前正在開發的基礎設施而言,80kWh電池可在15分鐘內充電至80%。這是實作電動車和確保客戶滿意度的重要層面。 選擇適應封裝提升電源模組效能 為充分利用SiC晶片效能,還需要對應的最佳化封裝技術用於電源模組。SiC有助於提高能源效率,不過這不僅需要更出色的封裝材料,也須要考慮較小晶片熱阻更高的問題。較小晶片也會導致提升電流密度,熱機械變形風險也較高。 為了充分利用SiC MOSFET效能,須要採用最低洩漏電感的封裝,因此需要創新的封裝概念用於電源模組,像是HybridPACK Drive系列模組,以及雙面冷卻的封裝概念(例如HybridPACK DSC模組)。這樣就可以開發電源密度非常高的變頻器設計。 開發電動車及油電混合車使用的HybridPACK Drive(HPDrive)電源模組時,必須結合各項技術和應用相關要求。其中包括各種不同要素,例如最佳化成本、高效率、功率密度,啟動扭矩的載流能力,以及受熱循環影響的使用壽命。 目前已經顯示完全整合的開發方法,如何讓電源模組的所有個別元件以這種方式設計,以滿足應用要求達到最佳效果。晶片的額定電壓提升,模組電感降低,因此可在更高的工作電壓和切換邊緣運作。更高的溫度負載能力、更出色的晶片接合技術,以及損耗更低的材料,可提升載流能力,進而提高驅動馬達的啟動扭矩。總而言之,較小的模組尺寸、縮減晶片面積、降低損耗,以及使用最新量產技術,有助於降低系統成本。 採用壓接端子及最新汽車用IGBT技術(EDT2)的HybridPACK Drive模組,比HybridPACK2系列同類產品小約20%,並具有相同效能。HybridPACK Drive產品系列屬於可擴充平台,具有各種電源連接、IGBT和MOSFET技術及熱堆疊選項。本系列產品從一開始就採用模組化設計,從端子接頭就開始秉持模組化概念,有助於以快速焊接程序或螺栓接頭用於纜線連接。此外也提供「長接頭」版本,用於實作相位電流感測器。 此一模組的設計原則,是盡可能減少變頻器製造商的開發工作量(視應用而定)。因此更換基板或熱堆疊可減少或增加輸出功率,毋須變更矽零件。目前有各種基板(扁平,直接冷卻和針狀鰭片)及陶瓷基材可供選擇。 不過若採取保留電子裝置(驅動器板和直流連結電容器)及變頻器設計,但調整冷卻結構的作法,也可以擴充效能。例如以FS820R08A6P2模組(採用750V IGBT、針狀鰭片結構和標準陶瓷)作為100%參考,就可以產生可調整頻寬,提供70%至120%的效能(圖4)。 圖4 HybridPACK Drive電源模組採用模組化設計,可輕鬆擴充。 對更高功率而言,HybridPACK Drive也可以使用1200V技術。首先是1200V...
0

MWC揭示智慧手機新亮點 5G/摺疊/多鏡頭大放異彩

5G手機躍居2019 MWC主軸。資策會產業情報研究所(MIC)所長詹文男(圖1)指出,觀察2019 MWC展會,預估2019年全球將有20個國家推出商用5G網路,5G終端市場競局也將展開。其中,最受矚目的莫過於5G智慧型手機,將由三星(Samsung)、華為(Huawei)等大廠領軍,於2019年年中陸續出貨,預估達372萬支,占整體智慧手機出貨量0.3%;加上Apple也將推出5G產品的助力之下,預估2021年5G手機出貨將達約1.2億支,2023年達到4.5億支。 圖1 資策會產業情報研究所(MIC)所長詹文男表示,預估2019年全球將有20個國家推出商用5G網路。 商用在即 5G手機各顯神通 2019 MWC可說是5G手機軍備競賽之地,MIC產業分析師韓文堯表示,5G手機紛紛出爐,sub-6GHz頻段為大勢所趨;由於毫米波(mmWave)尚難實現行動化,目前可商用5G智慧型手機主要以支援sub-6GHz頻段為主(表1)。 此次MWC展場上,5G原型機加上可商用手機一共有12種,在可商用機種中,僅Motorola Z3 Moto 5G Mod以模組支援mmWave,其餘皆支援sub-6GHz頻段。但部分sub-6GHz機種未來會有支援mmWave的SKU。另外,中興通訊(ZTE)則同時推出了sub-6GHz商用機種和mmWave原型機。 5G手機相繼面世 晶片方案蓄勢待發 小米推出的MI MIX 3 5G,搭載最新高通(Qualcomm)Snapdragon 855處理器。MI MIX 3 5G內置Snapdragon X50數據晶片模組,可連接達1,000Mbps等級下載速度的sub-6GHz頻段訊號。同時,華為也發布了5G摺疊式手機Mate X,內建自行研發的巴隆(Balong)5000晶片。 另外,隨著5G手機相繼面世,意味著5G初代基頻晶片方案也逐漸準備就緒。預計2020年採用5G系統單晶片的手機將上市,帶動產業加速推展。工研院產科國際所(IEK)經理蘇明勇(圖2)說明,目前全球共有201家電信業者投入5G服務試驗,分別為增強型行動寬頻(毫米波固網接取網路、超高畫質4K/8K影音、VR遊戲)、巨量多機器型態通訊(NB-loT智慧停車)、高可靠/低延遲(行動車聯網自駕車、邊緣運算智慧工廠)等。其中以增強型行動寬頻技術標準制訂較為完整,晶片、設備業者優先布局此市場;增強型行動寬頻服務發展較快,促使5G智慧型手機將於2019年第二季於市場推出。 圖2 工研院產科國際所(IEK)經理蘇明勇表示,目前全球共有201家電信業者投入5G服務試驗。 5G晶片解決方案相較以往以更加完整成熟,將帶動終端市場發展。蘇明勇點出現在晶片將以5G手機、CPE為初期市場。例如高通推出Snapdragon X55基頻晶片,開始支援2/3/4/5G,其5G下載速率達到7Gbps,4G則達到2.5Gbps。 在這次的MWC共有6個5G手機品牌採用高通,和高通合作的營運商則超過了20家。高通於MWC開展前已發表了第二代7奈米製程的X55聯網數據晶片,將於今年推出商用,支援毫米波和sub-6GHz兩種頻段,即5G和4G共享重疊頻段。同時高通預計推出5G整合晶片,將處理器和5G數據機晶片整合到系統單晶片(SoC)。 而聯發科推出了M70,下載速度高達4.2Gbps;英特爾(Intel)的5G平台模組MXM 8160 5G數據機晶片,則預計於2019年第四季提供給客戶進行產品認證,2020年第一季開始供貨。 簡而言之,目前手機晶片大廠皆緊鑼密鼓地開發整合應用處理器的5G SoC,其進度將會左右5G手機產品之市場發展。 5G非唯一亮點 摺疊螢幕異軍突起 螢幕可摺手機帶動供應鏈發展新商機。為創造便攜性同時整合手機與平板功能,手機螢幕逐漸走向摺疊設計。技術創新的螢幕可摺機除可望刺激消費者換機意願,也為相關供應鏈業者帶來新的市場機會。也因此,在2019MWC上,也看到各廠集中火力開發摺疊螢幕。如三星在2019年MWC展前宣布推出首款商用螢幕可摺手機,創造全新市場,同時兼具手機輕薄及平板大螢幕之優點。品牌廠商LG、華為也已跟進,Google亦配合Android陣營開發UI,螢幕可摺疊手機生態圈逐漸壯大。 以三星的Galaxy Fold為例,該款手機已在2019年的2月20日發表於美國舊金山。在MWC展會上展覽之實機並未開放碰觸,但能觀察到其外螢幕上下邊框黑畫面占據較大區塊,不過若與主流旗艦機的窄邊框相比,仍屈於劣勢。摺疊機目前依然缺乏相應UI內容,需要更多開發者投入,以提升使用者的操作體驗,因此三星此次將焦點放在Galaxy S旗艦機上,Galaxy Fold宣示技術領先之意味較為濃厚。 同時,柔宇也展示了FlexPai摺疊機,該摺疊操作需要較大的施力,雖是商用機,但產品設計仍偏向工程機;而華為推出的商用摺疊機Mate...
0

AI應用水漲船高 FPGA邊緣運算完美達陣

然而AI應用種類各異,各有千秋。不同的應用領域要求的AI技術也不盡相同。目前最受關注的應用類別當屬嵌入式視覺。這一領域的AI使用所謂的卷積神經網路(CNN),試圖類比人眼的運作方式。在本文中,將探討電腦視覺(Computer Vision)應用與其他許多相關概念。 網路終端AI的要求 AI涉及創造一個工作流程的訓練模型,然後該模型在某個應用中對現實世界的情況進行推理。因此,AI應用有兩個主要的階段:訓練和推理。 訓練是在開發過程中完成的,通常在雲端進行。推理作為一項持續進行的活動,則是透過部署的設備完成。因為推理涉及的運算問題相對複雜,目前大部分都是在雲端進行,但是做決策的時間通常都十分有限。向雲端傳輸資料然後等待雲端做出決策非常耗時,等到做出決策,可能為時已晚,而在終端做決策則能節省寶貴的幾秒鐘時間。 這種即時控制的需求適用於需要快速做出決策的諸多領域。例如人員偵測相關應用,包括:智慧家庭電器、智慧音訊/影視消費性電子產品、智慧門鈴、自動販賣機、安全攝影機、智慧門等。其他即時線上的應用包括:智慧音箱、零售店攝影機、無人機、收費站攝影機、機器視覺、汽車後裝市場攝影機等。 在快速決策需求的推動下,目前將推理過程從雲端轉移到「網路終端」的訴求非常強烈,即在設備上收集資料然後根據AI決策採取行動。這將解決雲端不可避免的延遲問題。在地化推理還有兩個好處:第一個就是隱私安全。資料從雲端來回傳輸以及儲存在雲端,容易被入侵和盜取。但如果資料從未到達設備以外的地方,出現問題的機率就小得多。 另一個好處與網路頻寬有關。將視訊傳送到雲端進行即時處理會占用大量的頻寬。而在地做決策則能省下這部分頻寬,並將其用於其他要求較高的任務。此外,這類設備通常都是使用電池供電,如果是電源直接供電,兩者都有散熱限制,而對設備的持續使用造成限制。而與雲端通訊的設備則需要管理自身功耗的散熱問題。AI模型演化速度極快。在訓練始末,模型的大小會有極大差異,並且在進入開發階段以前,可能無法有效估算所需運算平台的大小。此外,訓練過程發生的細微改變都會對整個模型造成重大影響,增加了變數,這些也使得網路終端設備硬體大小的估計變得極為困難。 在為特定設備優化模型的過程中,始終伴隨著權衡。這意味著模型在不同的設備中可能以不同的方式運行。最後,網路終端中的設備通常非常小,也限制了AI推理設備的大小。 由此總結出以下關於網路終端推理的幾點重點要求: 用於網路終端AI推理的引擎必須: .功耗低 .靈活 .可擴展 .尺寸小 已有廠商開發出完全具備以上四個特徵的推理引擎。包含硬體平台、軟體IP、神經網路編譯器、開發模組和開發資源,能夠迅速開發理想中的設計。 推理引擎的選擇 將推理引擎構建到網路終端設備中涉及兩個方面:開發承載模型運行的硬體平台以及開發模型本身。理論上來說,模型可以在許多不同的架構上運行。但若要在網路終端,尤其是在即時線上的應用中運行模型,選擇就變少了,因為要考慮到之前提到的功耗、靈活性和擴充性等要求。 設計AI模型的最常見做法就是使用處理器,可能是GPU或者DSP,也有可能是微控制器。但是網路終端設備上的處理器可能就連實現簡單的模型也無法處理。這樣的設備可能只有低階的微控制器(MCU)。而使用較大的處理器可能會違反設備的功耗和成本要求,因此對於此類設備而言,AI似乎難以實現。 這正是低功耗FPGA發揮作用的地方。與強化處理器來處理演算法的方式不同,低功耗FPGA可以作為MCU的副處理器(圖1),處理MCU無法解決的複雜任務之餘,將功耗保持在要求範圍內。由於低功耗FPGA能夠進行DSP運算,並能提供低階MCU不具備的運算能力。 圖1 FPGA作為MCU的副處理器 ASICs和特定應用標準產品(ASSP)對於更為成熟、大批量銷售的AI模型而言,採用ASIC或ASSP或許是可行之道。但是由於工作負載較大,這些元件在即時線上應用中的功耗太大。在此情況下,低功耗FPGA可以充當副處理器(圖2),處理包括喚醒關鍵字的喚醒程序或粗略識別某些影片圖像(如識別與人形相似的物體),然後才喚醒ASIC或ASSP,識別更多語音或者確定影像中的目標確實是一個人(或甚至可以識別特定的人)。FPGA處理即時線上的部分,這部分的功耗至關重要。然而並非所有的FPGA都能勝任這一角色,因為絕大多數FPGA功耗仍然太高。 圖2 FPGA作為ASIC/ASSP的副處理器 低功耗FPGA可以作為單獨運行的、完整的AI引擎(圖3),FPGA中的DSP在這裡起了關鍵作用。即便網路終端設備沒有其他的運算資源,也可以在不超出功耗、成本或電路板尺寸預算的情況下添加AI功能。此外它們還擁有支援快速演進演算法所需的靈活性和可擴充性。 圖3 單獨使用FPGA的整合解決方案 低功耗FPGA構建推理引擎 設計AI推理模型的硬體需要不斷平衡所需資源數量與效能和功率要求,萊迪思的ECP5和UltraPlus產品系列能實現這類要求。ECP5系列有三種不同規格的元件,能夠運行一到八個推理引擎。其整合的的嵌入式記憶體從1Mb到3.7Mb不等。功耗最高僅為1W,尺寸也只有100mm2。相較之下,UltraPlus系列的功耗水準約為ECP5系列的千分之一,僅為1mW。占用的電路板面積為5.5mm2,包括最多八個乘法器和最多1Mb的嵌入式記憶體。 萊迪思還提供可在這些元件上運行的CNN IP以及可用於ECP5系列的CNN加速器(圖4),與可用於UltraPlus系列的輕量化CNN加速器(圖5)。 圖4 適用於ECP5系列的CNN加速器 圖5 適用於UltraPlus系列的輕量化CNN加速器 最後,還可以在開發模組(圖6)上運行並測試這些演示,兩個模組分別對應這兩種產品系列。Himax HM01B0 UPduino Shield採用了一片UltraPlus FPGA,尺寸為22×50mm2。嵌入式視覺開發套件採用了一片ECP5 FPGA,尺寸為80×80mm2。有了FPGA、軟IP和其他處理資料所需的硬體部分,就可以使用設計工具進行編譯,而生成位流,在每次上電後對目標設備中的FPGA進行配置。3 圖6 評估AI應用的開發模組 在FPGA上構建推理模型 創建推理模型與創建底層運行平台大不相同。它更抽象,涉及更多運算,且不涉及RTL設計。這一過程主要有兩個步驟:創建抽象模型,然後根據所選平台優化模型的實現。模型訓練在專門為此過程設計的框架(圖7)中進行。最流行的兩個框架是Caffe和TensorFlow,但不限於此。 圖7 可以對單個模型進行優化以適用於不同的設備 CNN由很多層構成—卷積層,還有池化層和全連接層,每一層都有由前一層的結果饋送的節點。每個結果都在每個節點處加權重,權重多少則由訓練過程決定。訓練框架輸出的權重通常是浮點數。這是權重最為精確的體現,然而大多數網路終端設備不具備浮點運算功能。這時需要針對特定平台對抽象模型進行優化,這項工作由神經網路編譯器負責。編譯器可以實現載入和查看從某個CNN框架下載的原始模型。可以運行效能分析,這對模型優化最關鍵的量化工作至關重要。 由於無法處理浮點數,因此需要將它們轉換為整數。對浮點數四捨五入也就意味著精度會降低。問題是,什麼樣的整數精度才能滿足想要的精度?通常使用的最高精度為16位元,但是權重和輸入可以表示為較小的整數。1位元的設計實際是在一位整數域中進行訓練以保持精度。顯然,更小的資料單元意味著效能更高、硬體尺寸更小以及功耗更低。但是,精度太低就無法準確地推斷視野中的物體。 神經網路編譯器能創建代表模型的指令流,然後可以類比或直接測試這些指令,而判斷在效能、功耗和精度之間是否達到了適度的平衡。測試的標準通常是看一組測試圖像(與訓練圖像不同)中正確處理的圖像百分比。通常可以透過優化模型來優化運行,包括去掉一些節點以減少資源消耗,然後重新訓練模型。這一設計環節可以微調精度,同時保證能在有限的資源下順利運行。 人臉辨識與人員偵測 在以下兩個不同的視覺案例中,將看到權衡是如何發揮作用的。第一個應用是人臉辨識;第二個是人員偵測。將指出不同FPGA之間存在的資源差異如何影響到相對應的應用效能和功耗。兩個示例的輸入都源自同一個攝影機,兩者都在相同的底層引擎架構中運行。在UltraPlus設計實例中(圖8),圖像的尺寸縮小後通過八個乘法器進行處理,利用了內部記億體並使用了LED指示燈。 圖8 UltraPlus平台用於人臉辨識和人員偵測應用 ECP5系列資源更多,提供了一個計算能力更強的平台(圖9)。攝影機捕捉的圖像在發送到CNN之前在圖像訊號處理器(ISP)中進行預處理。處理結果與原始圖像在標記引擎上比對,而將文本或注釋覆蓋在原始圖像上。並可以使用一系列圖表來衡量兩種應用的效能、功耗和占用面積情況。對於每個應用,兩組示例分別表示:一組輸入較少,一組輸入較多。圖10表示了人臉辨識應用的結果,兩組分別採用了32×32輸入和90×90輸入的情況。 圖9 ECP5平台用於人臉辨識和人員偵測應用 圖10 在UltraPlus和ECP5 FPGA上實現簡單和複雜的人臉辨識應用時的效能、功耗和占用面積。 左側的軸代表處理一張圖片需要的週期數量以及這些週期的分配情況。右側的軸代表在各元件(黑線)上實現的每秒幀數(fps)。最後,每種情況下還標注了功耗和占用面積。左側的32×32輸入示例中,最下方部分代表卷積層上運行的週期。在四個示例中,UltraPlus的乘法器數量最少;其他三片ECP5 FPGA的乘法器數量依次遞增。隨著乘法器數量的增加,卷積層所需的週期數減少。 90×90輸入的示例位於右側,得到的結果完全不同。在每個直條圖的底部有大面積的區域。這是由於設計更為複雜,使用了除元件內部儲存空間以外的更多記憶體。由於需要占用外部DRAM,效能就有所損失。需要注意的是,這種設計無法使用較小的UltraPlus元件。人員偵測應用的情況類似。兩組分別採用了64×64輸入和128×128輸入的情況(圖11)。 圖11 在UltraPlus和ECP5 FPGA上實現簡單和複雜的人員偵測應用時的效能、功耗和占用面積 同樣,較多的乘法器會減少卷積層的負擔,而依賴DRAM則會影響效能。表1總結了各類情形下的效能。它包括了對圖像中最小可識別物件或特徵的度量,用視野範圍的百分比表示。在這裡使用更多輸入能夠為較小的目標提供更多解析度。 低功耗FPGA可實現要求低功耗、具有靈活性和可擴充性的網路終端AI推理設計。並提供成功部署AI演算法所需的關鍵要素,包括:神經網路編譯器、神經引擎軟IP、Diamond設計軟體、開發板與參考設計等。
0

簡化聯接至關重要 Sigfox突破IoT應用技術障礙

在工業和消費應用中,感知、處理、驅動和聯接這些關鍵模組對於IoT的設計至關重要。如果為每個模組提供模組化的、隨插即用的方案,可以顯著地加快和簡化新的設計,用於如智慧家庭/智慧建築、健康和資產追蹤等應用,不一而足。模組化的方案包括制式的開發工具,並在必要時預先通過任何相關國際監管標準和協議要求的認證尤為重要。 Sigfox幫助聯接 挑戰IoT普及 聯接是最具挑戰性的領域之一,視每一應用的特定性質而定,許多協議或多或少都是相關的。Sigfox具備內建基礎設施(Built-in Infrastructure)和遠端聯接(Long-range Connectivity),已成為最有用的協定之一。然而,對於許多潛在的IoT方案設計人員,Sigfox是個新的技術領域,因此,易於採用是IoT普及的關鍵。 共有超過310億的設備聯接到IoT。這些設備為世界各地的消費者和商業用戶帶來了巨大的變化。在家裡,自動照明控制節省能源和提供安全,而遠端門鈴支援用戶從地球上的任何地方「回家」。 在企業中,可以監控工廠或其他設施的每一個細節;這些資料將前所未有地提高營運效率。經營偏遠地區設備的企業可以從舒適的辦公室監控工作,進而減少定期視察的費用。隨著資料分析、即時監控、預測維護和其他高價值主張的加強,正在實現IoT的總體效益。 尺寸精巧度再提升 然而,要使這些IoT設備具有如此方便和利於攜帶的特性,如它們的小尺寸、互聯功能和遠端運用能力,也給設計人員帶來了巨大的挑戰。 雖然這些設備物理尺寸小,能部署在有限的空間裡,但是IoT節點需要包含大量的功能。通常,這將用於管理系統和處理資料的微控制器(MCU)、各種類型的感測器(取決於要測量或監測什麼)以及加密技術,以確保安全儲存和傳輸任何敏感性資料。電源也是必需的,雖然許多IoT設備都部署在家庭、辦公室或工廠,通常有電源可供運用,但為了方便,許多設備使用電池供電。當然,在沒有電源的偏遠地區使用的所有IoT設備都是以電池供電的。 電池有尺寸上的限制以及可用的電量有限,意味著設計人員為了確保沒有浪費一點寶貴的電量,在選擇和運用小的、超低功耗元件、開發精密的電源管理演算法的時候,將有許多重大的挑戰要克服。 節點聯接IoT 通訊介面至關重要 IoT設備的另一個挑戰是提供通訊介面,這對於聯接節點到IoT至關重要。這是個相對專業的領域,設計人員面臨的關鍵挑戰是從現有的巨大範圍中選擇最合適的協議。其中一些協議是非常專門的,適用於非常特定的應用,而另一些協議,如藍牙和Wi-Fi,則被廣泛運用,但僅適用於短程應用。 直到最近,蜂巢式行動科技(Cellular Technology)仍是其他短程無線技術(如藍牙)所無法達到的聯接節點的唯一可用方法。然而,蜂巢式行動科技專用於語音和高資料傳輸速率通訊(High Data Rate Communications),這使得它相對耗電,因而不適合IoT所需和依賴的簡單機器對機器(Machine-to-Machine, M2M)通訊。 Sigfox具低功耗/遠距離/低資料傳輸速率 Sigfox是一種蜂巢式移動系統(Cellular-style System),它為遠端聯接的設備,特別是IoT節點提供低功耗、遠距離、低資料傳輸速率和低成本的通訊。針對簡單的M2M通訊,Sigfox網路能夠支援的聯接遠大於簡單的低功率發射器能夠獨立達到的距離。該網路採用超窄帶(Ultra-Narrow Band, UNB)技術,支援低發射功率同時保持穩固的聯接。 igfox可說是適用於任何IoT應用,它幾乎沒有什麼限制,使應用不須要每天發送超過140個12位元組的消息,並且可以接受每秒100位的無線傳輸量,因此Sigfox提供一個可靠、低功耗、低成本的聯接方案。 然而,與藍牙等無所不在的通訊協議不同,與Sigfox相關的技術專業知識被認為是相對小眾的。這對設計工程師設計和實踐一個成功的、基於Sigfox的通訊介面構成了一條陡峭的學習曲線,對尋求解決遠端IoT市場的公司造成了一道技術門檻。 模組化Sigfox方案 消除技術設計障礙 安森美半導體積極投入該領域,最近推出了可程式設計的Sigfox RF收發器系統級封裝(System in Package, SiP),整合先進的RF系統單晶片(System-on-Chip, SoC)與所有必需的外部元件(包括一個TCXO),進而使簡化和縮短設計認證流程成為可能。 AX-SIP-SFEU SiP提供開箱即用的、設備到雲端的Sigfox聯接,包括使用Sigfox LPWAN通訊的遠端IoT應用上行和下行鏈路。該SiP把一個Sigfox無線電IC、分離式的RF匹配元件、所需的所有被動元件及韌體整合在單個封裝中。由於該方案已預先通過CE認證,並經Sigfox認證,採用安森美半導體的技術解決方案,設計人員有把握實現一個高品質、全整合的完整方案。 該微型的7mm×9mm×1mm、統一塗層保護膜封裝,確保AX-SIP-SFEU可部署在空間受限的遠端IoT應用中。該元件其實是世界上最緊湊的、Sigfox認證的方案,確保設計人員能夠克服設計遠端IoT節點所面臨的物理空間挑戰。微型尺寸特別適用於可穿戴裝置、資產追蹤標籤或任何需要小Sigfox方案的應用。 使用AX-SIP-SFEU還能顯著減少電源相關的問題,因為超低功耗設計結合了待機、睡眠和深度睡眠模式,以便在不須要傳輸時省電。這些模式分別只需0.55毫安培、1.2微安和180奈安的電流,使該元件可由鈕扣電池(CR2032)供電。或者,可以使用能量採集技術,無需任何電池、管理或更換。 任何無線電設計中(尤其是第一次設計時)最令人刮目相看的一面,就是獲得認證。AX-SIP-SFEU SIP經Sigfox認證用於RC1區域網路,表示它已通過認證,符合標準的RF和協定規範,進而確保了互通性。此外,該元件已獲CE認證,證明其符合歐洲經濟區內銷售產品的衛生、安全和環保標準。 雖然IoT提供了許多好處及機會,但節點小而且複雜的性質給設計工程師帶來了巨大的挑戰。他們不僅必須滿足物理尺寸限制和處理低功耗的要求,還必須確保設計中所含的RF通訊符合國際標準,這增加了設計流程的時間、成本和風險。尤為重要的是,對於要遠距離無線聯接的遠端設備,需要比蜂巢式移動網路更具性價比的方案。 透過運用預先認證的、超微型、超低功耗模組如安森美半導體的AX-SIP-SFEU,設計人員現在能夠設計IoT節點,有把握能輕易和幾乎零風險地實施預認證的RF通訊系統,進而消除IoT設計的一個重大技術障礙。 (本文作者為安森美半導體無線互聯方案經理)
0

速食AI遍地有 欠缺領域知識的AI有何用?

然而,隨著時序進入2019年,有些以AI為創業題目,或是原本在別的領域耕耘,後來看見AI話題火紅,想來沾AI光的新創業者,已經資金燒盡,創辦者不是想把自己的公司賣掉,就是開始裁員。這些現象顯示,開發AI應用是一回事,要從這些應用變現則是另一回事。 為何AI應用這麼難賺錢?就筆者觀察,這個現象背後的原因有二,一是想用AI解決的問題牽連太廣,除了技術之外,還有商業模式、法律、金融保險等領域的問題需要解決,以一家新創公司之力,根本難以克服。另一個原因則是,有商業價值的應用題目多半與垂直領域的知識密切相關。如果一家AI只懂AI技術,根本解決不了客戶的問題,自然無法讓客戶為產品/解決方案掏出荷包。 AI不是新玩意 速食AI非難事 如果不把統計學領域發展出來的核心知識當作AI發展的起點,而是以艾倫圖靈(Allen Turing)提出圖靈測試的觀念開始,學術圈對人工智慧的研究跟投入,已經有七十多年歷史。如果把許多人工智慧演算法所使用的統計學工具、方法當作人工智慧的發端,則相關技術的發展歷史,已經超過一個世紀。 不管是七十多年或一百多年,以科技業的時間尺度來說,都絕對稱得上是骨董級。這麼漫長的時間所累積、沉澱的知識,加上網路發達跟開放原始碼風潮,有心人要在網路上檢索相關資訊,靠自我進修學AI,絕對是不成問題的。如果在學校念的是數學、統計相關科系,學習各種AI工具的過程,只會更駕輕就熟,因為當前的AI,核心其實是統計跟數學,只是改用程式語言或程式框架來表達。 對大多數資訊科系出身的人來說,學會如何使用AI工具並非太困難的事,但要開發一款AI工具或框架,則是另一回事。統計跟數學都是很高深的學問,要開發AI工具,必須有很紮實的統計跟數學底子,無法速成。所幸對大多數人來說,只要學會如何使用AI工具來解決問題就夠了,不用深入到自己開發AI工具。 但也因為AI工具的使用門檻其實不高,因此產生了「全民瘋AI」的奇怪現象,很多資訊工程背景的工程師投入AI相關產業,或是透過自主進修掌握了AI工具的使用方法,就開始想利用AI來解決問題,創造商業價值。但這其實是一種過度簡化跟跳躍的思維。 AI工具必須與領域知識結合 AI只是一種工具,要用這個工具解決什麼問題,決定了AI工具的商業價值。就像一把菜刀,在廚藝普通的你我手上,大概只能用來切肉切菜,但職業大廚卻可以用來發揮各種刀工,讓食材變得更美、更好吃。而廚藝普通的一般人跟職業廚師最大的差異,就在於對烹飪這門技藝的領域知識(Domain Knowledge),有著極大的落差。 以半導體、電子業使用AI的成功案例來看,目前AI在產業界最成功的應用在於自動分析大量資料,找出不同資料之間的關聯性,但也僅止於此。一般的AI工具沒辦法告訴使用者,資料的關聯性背後的原因跟其所代表的意義,除非其所使用的AI工具已經結合了特定領域的專業知識。 以IC設計為例,晶片設計工程師在開發晶片時,會需要EDA工具執行大量電路設計模擬,從許多可能的設計方案中,找出效能最好,或結果最符合設計目標要求的設計方案。這個過程需要極大的運算量,同時也會產生大量資料,AI輔助工具可以幫IC設計工程師爬梳出這些資料的相關性,但AI無法告訴晶片設計者,為何資料之間的關聯性會如此分布,因為這涉及了IC設計的領域知識。 在產品測試端,其實情況也類似。不管是晶片或系統產品,在生產過程中或生產完成,進行測試時,都需要經過少則數項、大則數十項、數百項檢測。在真實世界裡,產品缺陷或失效,常常是以群落的形態出現,例如某個檢測項目A不通過,則檢測項目C、D不通過的機率很高,但如果A項目不通過,檢測項目B就很少出問題。AI輔助工具可以幫檢測工程師分析這些資料,找出不同缺陷或失效之間的統計關聯性,但卻無法解釋為何會是這種狀況,因為這也涉及了領域知識。 「知其然,不知其所以然」是目前AI輔助工具在產業應用上最大的問題。因為不知其所以然,所以無法幫助或建議工程團隊下一步該採取什麼行動來解決問題。對AI輔助工具的使用者來說,這種「做半套」的解決方案吸引力有限,工具的供應商自然不容易賺到錢。 有領域知識的工程師最該學AI 在AI工具上手容易,領域知識卻需要靠時間累積的情況下,同樣是會使用AI工具的工程師,身懷領域知識的工程師,身價跟不具備領域知識的工程師相比,自然不在同一個水準上。目前科技業界大喊欠缺AI人才,其實話只說了一半。企業需要的是「具備領域知識」的AI人才,而不是現場實務白紙一張,只懂AI工具的資工人才。 最近有些發展AI應用的新創公司之所以資金燒完,面臨解散或必須把自己賣掉,靠新資金挹注繼續營運的命運,關鍵就在這些新創公司大多是不具備特定領域實務經驗,只懂IT技術的創業團隊,所以他們提出的方案,對客戶而言很難搔到真正的癢處。另一方面,有些企業決定自己培養AI人才,把公司內資工背景的資訊人員送去培訓,也很容易犯了同樣的錯誤。公司裡的IT工程師或MIS,畢竟還是跟產品的研發、製造實務有段距離,同樣有缺乏領域知識的問題,只是狀況外的程度有所差別。 對製造業來說,真正該去學AI的,是負責產品或製程相關研發的工程師,因為這些工程師才有領域知識。正因為AI工具只知其然,不知其所以然,所以需要工程師們的專業知識來解釋這些結果背後的意義,進而找出行動方案。這樣才能讓企業把AI導入到日常運作中。 然而,要製程或研發工程師去學AI、做AI,對許多企業來說是相當具有挑戰性的,因為這些RD工程師平常就已經非常忙碌,要他們再花時間去學AI,進而投入AI工具的二次開發,對企業來說,是很大的投資跟負擔。而且,這些具備AI工具使用、二次開發能力,又有領域知識的工程師,將會是其他同業搶著要的熱門人才,對企業主來說,這樣的育才投資,會不會變成為他人作嫁,又是一個需要審慎考慮的問題。 AI產業進入盤整期 從業人員回頭紮馬步 從2016年開始的AI新創風潮,到現在已經過了兩年多時間,有些未能找到有效商業模式的AI新創公司,已陸續解散或被其他企業收購。2019年將是AI產業盤整、收斂的一年。在這個過程中,很多具備AI使用能力的資訊工程師,不是得轉換跑道進入產業,就是順著公司被收購,有機會接觸到產業運作的實務。這對AI技術的普及應用來說,未嘗不是件好事。 其實,科技業界並不需要那麼多開發AI工具或模型的人力,因為這其實是學術性質很濃厚、很理論的工作,由學術界或幾家世界級大廠來做,也就夠了。懂得使用AI工具的資訊工程師,如果能利用這個AI盤整的機會,投入其他產業,對產業發展跟個人職涯,都是更有幫助的事。但對資訊工程師來說,如果要投入其他產業,最要緊的是要盡速補足產業所需的領域知識,把馬步紮穩了,才能成為企業搶著要的即戰力。
0

整合QLC NAND 英特爾推廣Optane技術添利多

為拓展Optane技術,英特爾(Intel)宣布推出採用固態儲存的Intel Optane記憶體H10,該產品將Intel Optane技術和Intel Quad Level Cell(QLC)3D NAND技術的儲存容量整合在單一的M.2模組當中。 英特爾指出,將Intel Optane技術與Intel QLC 3D NAND技術結合在一個M.2模組當中,可將Intel Optane記憶體的應用擴展到輕薄的筆記型電腦,以及某些空間受限的桌上型電腦,例如整合式多功能(All-in-one)PC和迷你PC。 英特爾非揮發性記憶體解決方案事業群資深副總裁暨總經理Rob Crooke表示,H10整合了Intel Optane技術和Intel QLC NAND技術,提供了高於TLC 3D NAND SSD的效能,減少使用者對於第二顆資料儲存設備的需求。 與大多數NAND SSD相比,搭載Intel Optane記憶體的SSD速度更快;而採用Intel Optane記憶體的Intel平台能夠根據日常運算活動做調整,以優化用戶最常處理的工作和應用程式的效能。同時,憑藉高達1TB的總儲存容量,新推出的Optane記憶體H10,將能夠因應使用者目前及未來的應用程式與檔案需求。 英特爾說明,採用Intel Optane記憶體H10和固態儲存的第8代Intel Core...
0

克服多裝置無線聯網挑戰 Wi-Fi 6商機全面啟動

因應無線網路的聯網設備不斷增加,加上高解析度串流媒體影像、社交媒體及雲端應用的迅速普及,Wi-Fi聯盟宣布推出新一代Wi-Fi標準「802.11ax(Wi-Fi 6)」期能在人潮眾多的環境下,為更多使用者提供一致且穩定的資料流,並將使用者密集環境中的每位使用者平均傳輸率提升四倍以上。 為搶攻Wi-Fi 6商機,半導體業者也已開始積極布局,像是高通(Qualcomm)、聯發科、博通(Broadcom)等皆已發表新款Wi-Fi 6晶片;而隨著近日Wi-Fi聯盟宣布Wi-Fi 6相關認證計畫將在2019年第三季上線後,可以想見,在認證計畫上路之後,終端產品的導入速度勢將加快。 多裝置傳輸需求增 WiFi 6應運而生 萬物聯網世代到來,需要使用無線網路的聯網裝置急速增加,再加上高解析度影像、串流媒體、社群媒體、雲端應用服務等快速普及,資料傳輸量大增;進而使無線網路在人潮眾多的環境下,越來越難提供一致的性能和可靠性。 在個人、家庭及企業用戶要求更智慧、更快速和更高頻寬的無線系統的情況下,Wi-Fi聯盟遂提出Wi-Fi 6,希望能在人潮眾多的環境下,為更多使用者提供一致且穩定的資料流,並將使用者密集環境中的每位使用者平均傳輸率提升四倍以上,為家庭在內的應用場域建構更穩定、更順暢的網路環境。 英特爾技術行銷經理盧進忠(圖1)表示,近年來越來越多智慧聯網裝置出現,家中需要Wi-Fi聯網的產品顯著增加,像是智慧音箱、監控攝影機、電視機等。每個裝置所需要的頻寬皆不相同,而由於占據Wi-Fi通道的裝置眾多,因此在傳輸數據時,依照過往802.11ac的規範,在同一時間只能先傳輸其中一部裝置的數據,其他裝置則先等候,因而無法提供穩定、一致的聯網效果。 圖1 英特爾技術行銷經理盧進忠表示,這一兩年出現越來越多智慧聯網裝置,需要Wi-Fi聯網的產品顯著增加,穩定、高效的聯網環境愈顯重要。 羅德史瓦茲(R&S)無線通訊量測事業部業務經理程世豪(圖2)則指出,Wi-Fi標準的演進主要以頻寬和傳輸效能為主。而隨著現今消費者紛紛在社群媒體中上傳、下載影片,加上影片畫質不斷提升,使得因而對於穩定的聯網環境有更殷切的需求,Wi-Fi 6便因此而誕生。 圖2 羅德史瓦茲無線通訊量測事業部業務經理程世豪認為,高畫質影片的傳輸需求,是驅使Wi-Fi 6標準誕生的其中一項因素。 為了在室內、室外以及人口密集區域提供更可靠的性能,並實現更好的終端裝置電池續航力,Wi-Fi 6除了著重於速率與效能的提升(運行於2.4GHz/5GHz),更重要的是,導入了正交分頻多工存取(OFDMA)及上行多用戶多重輸入多重輸出(Uplink MU-MIMO)等全新的傳輸機制。 多使用者MIMO特性,是使用波束成形技術將封包同步導向位於不同空間的使用者。也就是說,AP(Access Point)將為每位使用者計算通道矩陣,然後將同步波束導向不同使用者,而每道波束都會包含適用於所屬目標使用者的特定封包。Wi-Fi 6技術協議則是在上行和下行鏈路都能支援MU-MIMO,如此一來,透過協調機制能使得流量分配更為合理,大幅增加網路容量及效率(圖3)。 圖3 AP使用MU-MIMO波束成形服務位於不同空間位置的多使用者。 圖片來源:NI 根據國家儀器(NI)資料指出,Wi-Fi 6每次最多可傳送8個多使用者MIMO傳輸,遠高於802.11ac的4個。此外,每個MU-MIMO傳輸都具備專屬的調變與編碼組合(MCS)以及不同數量的空間串流。舉例而言,使用MU-MIMO空間多工時,AP的角色就等同於乙太網路交換器,能減少自大型電腦網路至單一連接埠的網域衝突。 而為了讓相同通道頻寬的更多使用者進行多工,Wi-Fi 6使用802.11ac的正交頻分多工(OFDM)數位調變架構為基礎,加入OFDMA機制。此一機制會將特定子載波集進一步指派給個別使用者,這表示,它會使用數量已預先定義的子載波,將現有的802.11通道(20、40、80與160MHz)劃分成較小的子通道。此外,802.11ax標準也仿效現代化的LTE專有名詞,將最小的子通道稱為「資源單位(RU)」,而當中至少包含26個子載波。 AP會根據多使用者的流量需求來判斷如何配置通道,持續指派下鏈中所有可用的RU。它可能會將整個通道一次配置給一名使用者(如同現行的802.11ac),也有可能將通道進行分配,以便同時服務多使用者(圖4)。 圖4 單一使用者使用通道,與使用OFDMA多工相同通道中的不同使用者。 圖片來源:NI 羅德史瓦茲應用工程部資深應用工程師鍾曜鴻(圖5)說明,導入OFDMA調變機制後,能支援更多用戶同時在同一通道中運行,進而提升Wi-Fi的傳輸效率與傳輸量,並降低延遲性。除此之外,802.11ax還可支援更高的QAM調變階次,搭配1024-QAM提供新的調變與編碼組合(MCS 10、11),實現比802.11ac高25%的傳輸量;並且提供更大的OFDM FFT、更窄的子載波間距及更長的符碼時間。 圖5 羅德史瓦茲應用工程部資深應用工程師鍾曜鴻說明,OFDMA能支援更多用戶同時在同一通道中運行,提升Wi-Fi的傳輸效率,滿足多裝置聯網的需求。 盧進忠則指出,簡而言之,Wi-Fi 6的重點並不在於提升傳輸速度,而是強調傳輸的效率和穩定度,依據不同的數據量切割封包、安排傳輸通道等,進而讓所有的裝置都能順利地上傳、下載資料,實現高效率的傳輸結果。也因此,可以說Wi-Fi 6是個很大的革新,因為過往的Wi-Fi標準在制定時都是從電腦連網的需求進行討論,因過往的聯網裝置不多,大概就是筆記型電腦、桌上型電腦,再加上手機。然而,隨著智慧聯網裝置越來越多,以往的Wi-Fi標準已逐漸無法負荷,因此,便制訂出了802.11ax的規範,以滿足多裝置聯網的需求。 WiFi 6商機起 晶片出貨量將起飛 因應無線網路的聯網設備不斷增加,加上高解析度串流媒體影像、社交媒體及雲端應用的迅速普及,Wi-Fi聯盟宣布推出Wi-Fi 6,其商用腳步也全面啟動。 研究機構ABI資深分析師Andrew Zignani指出,無線通訊的裝置越來越多,流量也不斷提升,一個無線AP要支援的用戶也持續增加,因而增加蜂巢式網路負載。此外,Wi-Fi網路布建密度提升、無線通訊戶外連線需求漸增的趨勢,加上應用對於無線通訊技術的功率與頻譜效率要求越來越高,這些都是催生Wi-Fi 6的因素。 Zignani又進一步說明,Wi-Fi 6在高人口密度環境中具備更強的傳輸效能,將對企業應用與整個連網市場產生強大的吸引力。因此,比起Wi-Fi...
0

77GHz雷達需求增 英飛凌宣布擴建研究中心

自動駕駛推升毫米波雷達需求持續攀升,因應此市場需求,英飛凌(Infineon)宣布擴建其位於奧地利林茨(Linz)的研發中心。該中心目前主要業務為發展77GHz汽車雷達,以及高頻元件應用(如行動電話、導航);現今有180名員工於該中心任職,而預計2020年研發中心擴建完成後,將可容納400名員工,換言之將會新增220個工作機會。 英飛凌集團汽車部總裁Peter Schiefer表示,該公司正在塑造未來的行動通訊,而位於林茨的研發中心將持續研發未來市場所需的解決方案,像是智慧手機、先進駕駛輔助系統(ADAS)、平板電腦,以及導航設備等,都是未來推動英飛凌持續成長的強大動能,而這些產品的半導體解決方案,多是在林茨的研發中心(和其他地方)所開發出來。 英飛凌首席執行長Sabine Herlitschka也指出,該公司位於林茨的研發中心持續致力於未來的高頻技術研發及專業知識擴展,而當地的教育、研究機構也提供了強大的專業知識,可共同實現更多、更卓越的創新研發。 據悉,目前英飛凌已售出超過一億顆的77GHz汽車雷達晶片,並於2009年推出採用矽鍺(Silicon-germanium)技術的77GHz雷達晶片,而這些雷達多用於距離預警和自動緊急煞車系統(Automatic Emergency Braking Systems),進而提升駕駛安全。 英飛凌表示,基於售出一億顆77GHz的汽車雷達,該公司目前具備一定的市場競爭優勢,而未來英飛凌會進一步發展汽車雷達技術,驅使雷達感測器成為每一台新車的標準配備,推動自動駕駛發展。
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -