首頁Top區塊
- Advertisement -
2030前瞻科技開始布局 6G重要性亞洲第一
面對未來全球創新趨勢,工研院與美國電機電子工程師學會(Institute of Electrical and Electronics Engineers, IEEE)合作,針對亞洲進行2030 前瞻科技調查,透過向日本、新加坡、韓國、台灣、中國大陸、馬來西亞、泰國、印尼、菲律賓與印度等十個亞洲國家前瞻技術研發之專家及研發機構進行問卷調查後,提出未來十年亞洲最看重的前十大技術發展項目,並進一步與全球重點技術進行交叉比對。其中,6G行動通訊技術的重要性排名亞洲第一。
工研院產科國際所經理蘇明勇指出,行動通訊技術大約每十年演進一次,故預估2030年將進入6G時代,將結合5G行動通訊和衛星網路以達到全球覆蓋,讓行動終端傳輸速度達到11Gbps,並以滿足5G未能達到的各種生活應用與商業需求邁進。
蘇明勇進一步強調,儘管第一階段5G將會結合4G設備以NSA(Non-Standalone)架構實現,然而未來將會轉向SA(Standalone)架構,才算是真正完成5G理想。在未來,由於6G願景是必須整合衛星通訊與海底通訊,其中的技術挑戰相當大,因此5G邁向6G的設備演進,也不會是跳躍性的改革;5G與6G也會共存一段時間,再慢慢往獨立的6G架構演進。
IEK指出,調查亞洲國家對於6G的投入,可發現6G對於先進國家、開發中國家亦均有非常大的影響性;在投入6G技術的理由中,經濟發展、社會是最主要的因素;在滲透度上,6G對於先進國家、開發中國家都一樣重要;在投資優先度上,先進國家明顯較開發中國家積極;在投資額上,開發中國家較先進國家多;整備度上則以先進國家較為領先。
在2019年,在全球部分區域將會看到5G行動網路商轉,然而台灣要等到2020年才會發布5G頻譜。面對即將來到通訊產業發展,蘇明勇認為,台灣廠商的弱勢是缺乏大基站的設備技術,然而在手機等終端設備設備零組件的供應上,台灣廠商依然具備相當能量。因此,台灣廠商應該積極與諾基亞(Nokia)、愛立信(Ericsson)等大型設備廠商配合,並開始投入設備的驗證測試,唯有在2019年開始布局,才能在2020年切入國際市場。
提升設備監控功能 實現高可靠車用IC設計
半導體在汽車供應鏈中的重要性不斷地增加,這就要求IC製造商必須調整其製程並生產符合汽車品質標準的晶片。同一類IC製造缺陷不僅會導致良率降低,同時也會導致晶片可靠性降低以及可能在使用中過早出現故障。為了實現汽車IC所需的高度可靠性,必須在製造製程中更加努力並確保消除缺陷源。在本文中將探討如何提升設備監控功能,以協助汽車IC製造商實現低於十億分之一的晶片故障率。
需要提醒的是,設備監控是用以分辨晶圓廠製程機台所產生的隨機缺陷源的最佳實際手段。在設備監控期間,首先檢測控片晶圓並確定其基線缺陷率,隨後將其在特定的製程機台(或反應室)中運行,此後再次檢查。該晶圓上新添的任何缺陷都必定來自於該特定的製程機台。採用這種方法可以揭示晶圓廠中最乾淨的最佳機台,以及造成最多缺陷並需要採取改進措施的不良機台。根據製程機台的缺陷歷史資料,就可以設定持續改進的目標和日程。
半導體廠在設計製程監控策略時,必須確定他們想要檢測和監控的缺陷最小尺寸。如果歷史測試結果表明較小的缺陷並不影響良率,那麼晶圓廠會在檢測設備上採用較低的靈敏度,以便不再檢測這些較小的缺陷。這樣,他們只須關注較大的良率殺手缺陷,並避免被較小的「干擾」缺陷分散注意力。這種方法適用於那些只需優化良率的消費產品晶圓廠,但是對於汽車晶片廠呢?回想一下,良率和可靠性問題是由同一類缺陷引起的,良率和可靠性缺陷的區別僅在於它們的尺寸大小,以及/或者它們在元件圖案上的位置。因此,採用忽視較小的缺陷的設備監控策略會讓晶圓廠漏掉那些未來可能造成可靠性問題的缺陷。
此外,在一個製程層中看起來很小且無關緊要的缺陷可能在製程流程的後期產生巨大的影響,後續的製程步驟會加劇它們的影響,理解這一點非常重要。圖1中的兩個SEM圖片是在同一個晶圓上的完全相同的位置拍攝的,區別僅在於製造製程的步驟不同。左邊的圖片顯示了沉積層之後所發現的晶片上的單個小缺陷。這個缺陷以前被認為是一種干擾點缺陷,對晶片圖案或晶片性能並沒有負面影響。右圖顯示同一個沉積缺陷在金屬1圖案成型之後的情形。曾被認為是干擾點缺陷在幾個製程步驟之後改變了金屬線的成像品質。該晶片可能會通過晶圓電性測試,但這類金屬變形在汽車環境壓力下被加速形成造成實地可靠度的問題。
圖1 左圖顯示了產生於沉積層上的小顆粒。右圖顯示了金屬1圖案成型之後晶圓上完全相同的位置。金屬線缺陷由先前沉積層上的小顆粒所引起。這類金屬線變形很容易造成實地可靠度的問題。
那麼,汽車IC廠應該如何確定可能帶來可靠性風險的最小缺陷尺寸呢?首先,了解不同缺陷尺寸對可靠性的影響非常重要。例如,考慮圖2中所示的線路斷開缺陷的不同大小。晶片上有完全斷開的圖案結構可能在晶片電性測試時就會被查出,因此不會有任何可靠性的風險。晶片的線路斷開50%時,線路變窄或者其橫截面積大約不超過50%的線路,將可能通過晶片電性測試但會造成顯著的實地可靠性風險。如果該晶片在汽車上使用,實際環境條件,諸如熱、濕度和振動等,會導致該缺陷的狀況惡化並造成全線斷開,而形成晶片故障。
圖2 左側圖像顯示線路完全斷開,右側圖像顯示線路~50%斷開。左側的晶片將在電性測試時被測出問題(假設沒有冗餘線路)。右側的晶片則可以通過晶圓電性測試,但在實地造成可靠性風險。
下一步,非常重要的是了解不同尺寸缺陷會如何影響晶片圖案的完整性。更具體地說,導致線路斷開的最小缺陷尺寸是多少? 導致線路50%斷開的最小缺陷尺寸是多少?
圖3顯示了蒙地卡羅模擬的結果,這是對BEOL薄膜沉積步驟中產生的不同尺寸的缺陷所帶來影響的模擬。在垂直軸上繪製的是最小缺陷尺寸,對應橫軸上不同的金屬層間距尺寸。該資料顯示的金屬1層設計節點分別是7nm、10nm、14nm和28nm。
圖3 深色資料點顯示了對於最小金屬間距可以造成線路完全斷開的最小缺陷尺寸。淺色資料點顯示導致線路50%斷開的最小缺陷尺寸。x軸是金屬1層的設計節點,分別為7nm(最左側數據點)、10nm、14nm和28nm(最右側數據點)。
圖3中深色資料點對應於可能導致線路完全斷開的缺陷最小尺寸,淺色資料點對應的是造成線路50%斷開的最小缺陷(即潛在的可靠性故障)。在每一個節點,導致潛在可靠性故障的最小缺陷尺寸是導致線路完全斷開的最小缺陷的50~75%。
這些模擬的結果意味著為了控制和減少製程中所產生的可靠性缺陷的數量,晶圓廠需要捕獲較小的缺陷。因此與優化良率相比,這需要更高靈敏度的檢測。通常,如果針對當前節點的檢測僅僅滿足優化良率的需求,那麼針對可靠性缺陷的檢測則需要採用下一個節點更高的靈敏度。簡而言之,晶圓廠先前用於降低缺陷率以優化良率的標準將不足以用於優化可靠性。
提高設備監測所用的檢測程式的靈敏度,或者在某些情況下採用性能更好的檢測系統,將會捕獲較小的缺陷並可能揭示先前被掩蓋的缺陷率特徵分布,如下面的圖4所示。雖然對於消費品晶圓廠來說這些特徵分布對良率所產生的影響是可以承受的,但對於追求持續改進和零缺陷標準的汽車晶圓廠來說,它們對可靠性所構成的風險則不可接受。
圖4 採用適合的設備監測靈敏度時,先前被掩蓋的缺陷特徵分布通常會被揭示出來。零缺陷標準會要求對導致這些缺陷的製程設備採取糾正措施。
在製定提高設備監控檢測靈敏度的策略時,晶圓廠需要考慮幾個重要的控片晶圓缺陷檢測的因素,以找出由製程設備造成的微小的與可靠性相關的缺陷。首先,在良率已經很高的成熟晶圓廠中,很少有單一的製程層或模組會是一個直接解決方案,即能夠充分降低缺陷率並滿足可靠性改進目標,認識這一點非常重要。相反,它是多個製程層上小改進的累積,積少成多便可以達到所需的可靠性提升。由於良率和相關的可靠性改進是各個製程層的累積,因此,採用控片晶圓檢測的製程設備監控實現的可靠性提升可用多層回歸模型來最佳顯示:
Yield=f(Ys)+f(SFS1)+f(SFS2)+ f(SFS3)+⋯..f(SFSN)+error
Ys=系統良率損失(與顆粒不相關)
SFSx=Surfscan控片晶圓檢測在不同製程層上所捕獲的顆粒累積
Error=Surfscan未能發現的良率損失機制
這意味著提升可靠性需要晶圓廠致力於持續降低所有製程和製程模組的缺陷率。其次,晶圓廠需要考慮用於製程設備監測的裸晶圓的質量。回收的裸晶圓的表面粗糙度隨著每次循環使用而增加,這個屬性被稱為霧度。霧度的程度從根本上說是雜訊,會影響檢測系統區別較小的缺陷訊號的能力。多個測試晶圓上霧度程度的不同,這會限制整體檢測程式的效果,需要進行歸一、校準和並設置霧度上限以減少該雜訊源對缺陷敏感性的影響。
接下來,晶圓廠應該確保監控步驟與實際生產中產品晶圓所採用的製程盡可能相同。為了縮短監測晶圓的流程時間而偏離實際製程可能會在無意間錯過缺陷產生的步驟。此外,過度依賴針對機械操作的檢查會完全省略製程,並且會錯過製程對顆粒生成的關鍵性影響。
在提高檢測程式靈敏度時,晶圓廠必須共同優化「前值」和「後值」檢測。通常,裸晶圓循環通過製程步驟可以「突顯」晶圓上事先存在但是低於檢測臨界值的缺陷。這些缺陷一旦被突顯則看起來更大並且更容易被檢測到。在未經優化的「後值」檢測中,這些被裝飾的缺陷看起來像「新增缺陷」,這會導致誤報和無意的製程設備停機時間。將檢測程式一起進行優化可以最大限度地提高靈敏度並增加偏移警報的可信度,同時避免耗時的誤報。
最後,重要的是對控片晶圓檢測中發現的缺陷進行檢查和分類,以確定它們與所對應的產品晶圓製程步驟中所發現缺陷之間的相關性。只有這樣,晶圓廠才能確信缺陷的來源已經被隔離並且已經採取了適當的糾正措施。
為了滿足車用電子行業對於高度可靠性的要求,IC製造商不僅僅需要監控和控制晶圓上的影響良率的缺陷數量。他們還需要將設備監控檢測的靈敏度提升至相關歷史經驗的後面的一個節點。只有具備更高的靈敏度,才能檢測並消除可能導致可靠性故障的缺陷,而不讓它們漏出到晶圓廠之外。此外,在實施設備監控策略時,晶圓廠需要仔細考慮多種因素,例如監控晶圓回收、檢測前後靈敏度以及整個晶圓廠持續改進計畫的重要性。由於對汽車半導體可靠性的高要求,提升對於較小缺陷的敏感度是最佳零缺陷持續改進計畫的重要組成部分。
(本文作者皆任職於KLA-Tencor)(本文最初發表於2018年8月的Solid State Technology Process Watch系列)
ACAP平台彈性/智慧高 Xilinx轉型全面擁抱AI
2012年的ImageNet機器學習影像辨識學術競賽,被喻為是正式掀起這一波人工智慧(Artificial Intelligence, AI)浪潮的關鍵活動之一,GPU平行運算架構在圖形辨識上的高效能,讓深度學習網路可以大幅增加層數,以提升影像辨識準確率;也旋即於2015年以3.57%的錯誤率超越人眼,揭開AI產業化與產業AI化的大門,運算平台除了近期超熱門的GPU之外,CPU、FPGA與新興的神經網路處理器(NPU),更亟欲搶占AI深度學習網路運算與推論市場大餅。
人工智慧發展全面展開,可編程邏輯廠商美商賽靈思(Xilinx)認為,未來已經沒有一個架構可以滿足所有的應用需求,因此該公司正式踏上轉型之路,2018年3月啟動策略轉型工作,宣示從元件廠商轉型為平台廠商,提出自行調適運算加速平台(Adaptive Compute Acceleration Platform, ACAP),並舉辦賽靈思開發者大會(XDF),發表未來幾年的技術與產品重點,全面擁抱人工智慧的發展趨勢,以資料中心(Data Center)為發展策略的起點,目標為打造靈活應變、萬物智慧的世界。
自行調適/運算加速/平台化策略
多年來以可編程邏輯元件技術立足產業的Xilinx,為了在AI的創新浪潮中注入下一波成長動能,啟動成立以來最大規模的轉型工程,Xilinx總裁暨執行長Victor Peng(圖1)表示,在AI無所不在的時代,相關應用日新月異,晶片設計週期已經落後創新的速度,FPGA彈性的特點則可以應用在AI的創新上。目前一般新晶片設計週期高達24個月,透過ACAP平台的協助,可將AI模型加以拆解,變成數個不同的發展(Develop)、優化(Optimize)、部署(Deploy)流程,該平台動態範圍廣泛彈性,可針對不同的應用調整需要的加速範圍。
圖1 Xilinx總裁暨執行長Victor Peng表示,該公司自行調適運算加速平台ACAP目標為打造靈活應變、萬物智慧的世界。
因此Xilinx未來不再是元件供應商,而是平台化解決方案開發與供應商。而資料爆炸、AI興起、摩爾定律放緩,顛覆了原有的市場和業務,Peng認為,平台策略在這樣的大環境下中也就顯得更加重要,系統和基礎設施在全球迅速擴張,對於運算能力和頻寬也有了前所未有的要求。同時,也要更加迅速地滿足不斷變化的要求和標準。就像自然界「物競天擇,適者生存」的自然法則一樣,在數位世界,靈活應變的系統也是最具彈性和可持續性的。
Xilinx於10月推出第一款ACAP平台產品Versal,Peng指出,Versal字面上是由Variety與Universal組合而成,希望在技術與應用上可以兼顧多樣性與通用性。Peng強調,ACAP平台是整體軟體的堆疊,不僅僅是晶片,還包括高整合度工具、最佳化函式庫、作業系統等,還有AI框架標準,只須利用符合業界標準設計的流程就能針對其硬體與軟體進行編程與最佳化,針對整體應用的加速,而不僅止於深度學習網路。
Versal架構專為AI應用開發
Versal的架構將發展兩個系列、六個應用區隔,兩個系列以有無AI核心為主要差異,未搭載AI引擎的系列,運算能力由低至高為Prime、Premium以及HBM三個產品線;而搭載AI引擎的系列,主要以應用區隔為AI核心、AI邊緣以及AI RF系列。未搭載AI引擎系列,針對市場上廣泛適用性進行設計,並就作業負載的連結與線上加速進行最佳化。搭載AI核心的系列,針對雲端、網路以及自駕車應用進行最佳化,該系列配有5個元件,並提供128至400個AI引擎。
在架構上,Xilinx FPGA與SoC產品管理暨行銷資深總監Kirk Saban(圖2)解釋,Versal架構中有幾個主要的核心,包括:純量處理引擎(Scalar Processing Engine),搭載Arm Cortex-A72與Arm Cortex R5應用處理器,還有可完全軟體編程的平台管理控制器;自行調適硬體引擎(Adaptable Hardware Engine),可動態重新配置,即時加速能力最高達八倍;DSP引擎可提供高準確性浮點運算與低延遲,針對客製化資料路徑的細微性控制;AI引擎具有高傳輸率、低延遲與高效率,可協助AI推論與高階訊號處理,搭配先進記憶體和介面技術,可提供強大的異質加速能力。
圖2 Xilinx FPGA與SoC產品管理暨行銷資深總監Kirk Saban解釋,自行調適硬體引擎,可動態重新配置,即時加速能力最高達八倍。
而在軟體支援與開發環境部分,Xilinx軟體業務執行副總裁Salil Raje說,AI人工智慧有兩個階段,訓練和推論。在訓練階段,資料科學家將海量的資料放到模型中,然後微調模型、改善模型以減少誤差,之後將訓練模型部署到應用當中。在推論過程當中,資料量相對較少,在推論階段,回應速度與功耗就顯得更加重要,如果部署在搭載電池的邊緣設備當中,要盡量降低功耗。未來幾年,推論需求的成長性將明顯高於訓練(圖3)。
圖3 AI推論需求將持續攀升
資料來源:Barclays Research(05/2018)
AI創新與應用日新月異
而推論帶來的挑戰包括:AI創新的速度,低延遲、高通量和高效能與整體的應用加速。Raje指出,幾年前AI關注圖像的分類以及推薦的引擎,但是AI應用和AI模型的使用數量成長的速度非常快,包括目標識別、分割、語音辨識、異常檢測等,在每個應用當中都有很多的創新發生在AI的模式上。2012年的AlexNet促成AI模型的大爆炸,在過去六年,絕大多數的創新都是為了改善精確度。最近則是想提高AI模型的效率,以應用於行動裝置和IoT終端。
現在AI的應用、AI模型和精度方面有很多的創新,Raje舉例,有一個最先進的深度學習網路,等專為其設計的晶片生產時,技術已經產生了變化,此固定功能晶片,只為了支援一個舊的網路架構。所以固定晶片架構不是好選項,要靈活應變的硬體如賽靈思FPGA和ACAP元件,使得使用者能夠客製資料流程以針對最先進的網路,同時可彈性調整,而不需更換晶片。靈活應變的硬體也能夠客製記憶體的層次結構,可以用更多的On...
提升馬達控制精準度 MCU更小/更強/更省電
馬達應用無所不在,雖對於微控制器(MCU)和數位訊號控制器(DSC)的性能和功能要求也各不相同,但如何實現更低功耗、更高效率和更小體積是不變的方向,也因此,為達成更省電、更高效的馬達應用系統,MCU和DSC的設計規格也加速朝更小、更低成本/功耗邁進。
Microchip高效能微控制器部門行銷經理Patrick Heath表示,馬達控制應用範圍廣泛,為提升整體控制效率和降低功耗,MCU和DSC的設計方式和規格也產生新的變化。目前DSC和MCU馬達控制器的功耗一般來說已足夠低到處理180nm或更小的製程,但為了保持價格競爭力,新的馬達控制器設備正朝向更先進的製程。
舉例而言,目前新的馬達控制器設計均採用90或40nm製程,與以前的設計相比,可提供更低的成本,更高的CPU速度和更低的功耗。不過,產品總是追求小還要更小,這也導致一些新的封裝開發,例如5×5mm 36接腳uQFN,或是7×7mm 48接腳QFN,這為許多馬達控制應用提供了I/O接腳的最佳位置,並顯著降低PCB板的尺寸。
另外,在馬達控制演算法方面,通常需要32KB或更少的程式快閃儲存空間,使所需的I/O可以安裝在28接腳封裝中。同時,由於其他A/D輸入,定時器輸出,串列通訊等的應用要求差異很大,也增加了接腳數和快閃儲存要求。總而言之,最佳馬達控制應用的配備正逐漸朝向64KB程式快閃儲存和36/48/64接腳封裝發展。
另一方面,因應精準馬達控制,MCU除了製程上的變化之外,在系統設計上也有新的趨勢發展。Heath說明,在需要更高速運行的情況下,通常會使用運行FOC的BLDC/PMSM馬達。為了提供應用位置控制,除了在馬達軸上增加了光學編碼器,增量編碼器或旋轉變壓器外,許多16位元和32位元的DSC或MCU還需要另一個硬體周邊,也就是所謂的正交編碼器介面(QEI),其功能旨在與編碼器連接,以進行應用位置控制。
2019年全球智慧音箱出貨量預計達9,525萬台
智慧音箱為2018年成長力道最強勁的終端消費性產品,該產品不僅是語音交互系統的一大載體,亦被視為智慧家庭入口,串起龐大生態圈與商機,吸引各家大廠加入戰局,除了先進者之外,包含Apple、Facebook、百度、騰訊等皆在今年進入市場。根據TrendForce旗下拓墣產業研究院預估,2018年全球智慧音箱出貨量達6,225萬台,2019年在Google Home的拓展與中國市場成長的帶動下,預估出貨量成長至9,525萬台,年增53%。
拓墣產業研究院分析師田智弘分析,目前Amazon囊括美國市場約七成的市占,Google勢必要朝海外市場發展。Google透過AI語音系統,積極發展各國語言的語音交互系統,Google Home在2017年僅支援四種語言,至2018年開始支援六種語言,發售國家亦從6個增加到13個,預估到2019年將會支援超過十一種語言,發售國家跳升至18個以上,進而將推升Google Home的出貨量在2019年成長72%,達3,096萬台。
除了Google的布局將推升智慧音箱明年市場成長外,中國市場2019年進入成長期也將帶動智慧音箱的發展。拓樸認為,智慧音箱大廠將在雙11前後採用更激烈的價格競爭來搶奪市占率,以阿里巴巴的天貓精靈為例,最低價的天貓精靈方糖,定價199人民幣,在10月20日至11月10日的預訂價格為149人民幣,11月11日當天購買則為69人民幣,一般版的天貓精靈X1,定價499人民幣,在10月20日至11月10日預訂價格為239人民幣,百度的小度音箱則是從249人民幣降到79人民幣。
田智弘指出,大廠的低價補貼政策會導致小廠商在價格上難以競爭,並且面臨沉重的成本壓力或出現虧損,進而開始退出或轉向利基市場。預期2019年中國市場經歷汰弱留強過程後,消費者觀望態度舒緩,隨之將進入成長期。拓墣產業研究院預估,中國智慧音箱品牌的出貨量將從2018年1,427萬台成長至2019年2,871萬台,成長101.2%。
物聯網應用大爆發 邊霧運算帶動閘道器商機
物聯網帶動無所不在的裝置聯網,舉凡燈具、家電、感測節點都要上網,根據產業研究機構預測,2035年各式聯網裝置總數將突破1兆個,包括智慧城市、智慧家庭、智慧農業、工業物聯網、5G、車聯網等應用,為了管理這些節點也帶動物聯網閘道器的需求,透過Gateway進行聯網、即時運算等處理功能。
近年雲端運算應用相當普遍,物聯網的興起讓雲端資料處理量大增,資策會智慧系統研究所組長何智祥指出,現有集中式雲端架構將運算、分析與決策集中在雲端平台,而且網路頻寬成本高,大數量應用會產生壅塞,無法保證即時性,加上大量資料串流至雲端暴露許多資安風險。因此可以強化即時應用的雲霧運算熱度不斷提升,雲霧協同計算,彈性分派、協作、管理與安全維護運算與網路資源,不僅連續兩年成為Gartner評比全球IT十大策略性技術,也帶動物聯網閘道器的需求水漲船高。
分散式的雲霧運算,可執行輕量化分析決策功能,進一步降低時延,並彈性階層式的布建網路架構,何智祥表示,延遲、干擾、安全性、在地化、可實現與頻寬都是邊霧應用考量的因素。物聯網閘道器需求包括:全時運行、支援各式通訊技術、精準排程、暫存/備分資料、近端分析/學習、讀取設定工具、資料過濾/回報、近端呈現、整合特定產業需求等。
著眼於此一商機,許多軟硬體廠商都推出解決方案積極卡位,包括網通設備大廠思科(Cisco)、企業應用軟體大廠SAP、晶片廠NXP等;許多國際性的組織與專案如OpenFog Consortium、Edge Computing Consortium(ECC)、ETSI EMC、EdgeX fiundry、Kubernetes for Fog computing、Fog05等,皆投入將技術標準化、建立流程、推動應用發展等工作。
反觀台灣,何智祥建議,物聯網產業範圍廣泛,編霧運算也是剛萌芽的技術,應該掌握產業缺口,以台灣產業專長的物聯網閘道器硬體為基礎,搭配自主的霧端設備中介軟體、支援的邊霧運算雲平台、各種雲霧協作的垂直領域解決方案,加速培養雲霧協同運算技術人才與解決方案,並探索其創新商業營運模式,掌握物聯網大潮商機。
專訪英特爾物聯網事業群總經理Tom Lantzsch Intel新加速器推動邊緣運算發展
此一解決方案包含Intel Movidius視覺處理器與Intel Arria 10 FPGA,皆以OpenVINO軟體工具套件為基礎,提供開發者在多種Intel產品中使用進階的神經網路效能,在物聯網裝置中運行更具成本效益的即時影像分析和智慧化功能。
為了降低雲端運算工作負載,實現更多的創新應用,邊緣運算需求與日俱增,應用開發商與半導體業者皆積極將深度學習或是機器學習導入前端設備,希望使前端裝置也具備人工智慧的能力,而這過程中也有許多挑戰須克服。
英特爾資深副總裁暨物聯網事業群總經理Tom Lantzsch表示,以往企業在導入深度學習技術上遇到許多困難,各種產業都需要專業知識、種類廣泛的多樣化裝置與具擴充性的解決方案,以進一步發展深度學習。而新推出的視覺加速器設計產品可以提供更多的選擇與彈性,加速AI邊緣運算發展,以產出更多即時性資訊。
據悉,新發布的視覺加速器設計產品運作方式,是將AI推論的工作負載轉移至Movidius視覺處理晶片陣列或高效能Intel Arria 10 FPGA的專屬加速卡上;且開發者可透過OpenVINO工具套件,將Intel CPU與Intel內建GPU上的深度學習推論應用與設計成果,輕易延伸至這些全新的加速器設計之中,藉此節省時間與費用。
英特爾透露,相較於Discrete GPU,新推出的視覺加速器產品優勢在於封裝小,可用於體積小的邊緣設備,且功耗更低(約10~20瓦);同時為了因應市場多元的應用,不僅是新發布的Movidius視覺處理器和Arria 10 FPGA以OpenVINO為基礎外,其餘產品線如XEON、CORE i7和ATON等,也都支援OpenVINO,讓開發者依據自身需求選擇合適的晶片,打造具深度學習功能的邊緣裝置。
英特爾資深副總裁暨物聯網事業群總經理Tom Lantzsch表示,新推出的視覺加速器設計產品可加速AI邊緣運算發展。
北科大電資學院院長黃育賢專訪 瞄準需求產學不脫鉤
3C轉4C 車用電子帶動研究主題
北科大電資學院院長黃育賢認為,與學術型大學相比,北科大更重視實習課程規畫,研究主題的設定也會較為務實。老師們所開出的論文題目,多為了解決現下產業遇到的問題,汽車電子便是其中一例。
近年來,科技部與教育部皆積極推動各國家型計畫,期許藉此推動前瞻科技發展。其中,汽車電子被視為傳統3C產業(電腦、通訊、消費性電子)之外,的「第4C(意指Car)」,正積極將汽車電子領域納入各種政府計畫之中。因此,北科大電資學院亦有所投入,並與麻省理工學院合作開發能夠取代共享單車的自駕三輪車。
黃育賢說明,由於早期的半導體產品皆是以消費電子為主,如今若要跨足汽車電子將會面臨相當的轉型門檻,其中,除了汽車電子對於可靠度、穩定性的高要求之外,高電壓、大電流的能源管理也是重要課題。因此,北科大電資學院也將時時針對這樣的產業趨勢調整課程內容。期許能使學生與產業接軌,學以致用。
與時俱進 AIoT中心即將落成
在北科大電資學院,大部分的同學依然是畢業於高工;然而,亦有透過學測成績招收來自普通高中的學生,因此,該學院針對普通高中學生需求,成立電資學士班。不僅如此,北科大更在2018年,由電資學院搶先試辦大學四年不分系的教學方式,期盼學生能培養更扎實的跨領域知識。
在人工智慧(AI)的時代,除了軟硬整合將會日趨重要之外,許多周邊的技術也將出現與以往截然不同的應用。黃育賢舉例,如在大眾印象中與軟體產業關聯較淺的光電領域,在未來也將會在製造過程中有許多的演算法、程式設計需求。更會因光感測、光通訊在人工智慧與物聯網(IoT)的眾多應用,而使得研究學術單位出現與以往不同的樣貌。
有鑑於產業對於人工智慧與物聯網技術的重視,北科大將在2019年初成立AIoT中心,以因應相關的技術開發需求。在北科大電資學院,有三分之一以上教師具備足夠的AIoT軟體知識,期盼藉由該中心的建立使得教學與研究的力道更加聚焦。黃育賢也提到,要發展AIoT,必須加強人才軟硬整合與系統整合的能力。但台灣科技產業長期以代工為主,因此系統整合的概念較為不足,這也是未來必須要從學院教育慢慢補足的。
補足中階人才缺口 五專學制強勢回歸
北科大在過去以「台北工專」名聲為人熟知,在1997年升格成為科技大學之後,睽違20年,五專部在2018年再次成立。
儘管如今高等教育普及,大學錄取率居高不下,然而,黃育賢表示,在科技業界對於中階科技人才的缺口依然非常大。因此,在政府政策推動與校友的支持之下,台北科技大學五專部在2018年8月首度招生。在首屆招募的30名五專部學生中,有9名學生的應試成績可以進入第一志願普通高中就讀,招生成績相當亮眼。
最後一哩課程加持 科大/產業合作積極
正由於北科大電資學院對產學接軌的重視,更針對此需求規畫了「最後一哩」課程,該課程內容中,有高達三分之二課程時數是由產業中的專業人士講授。
黃育賢說明,人工智慧的發展不但牽涉到處理器、記憶體、電源管理的發展,半導體製程也必須跟著進步,人工智慧的發展與半導體製程的關係非常密切。因此,北科大電資學院便與台積電合作,讓產業界的專業人士在「最後一哩」課程中,直接與同學分享業界目前正在使用的製程技術。除了台積電之外,該學院亦與友達光電、研華科技合作,開設不同科技產業領域的「最後一哩」課程。
目前,許多科技大學皆已逐漸降低校外實習的教學時數,轉而偏重理論教學課程。然而,北科大認為與產業充分接軌才是科技大學最大的優勢與特色,該校學生的校外實習依然是全校必修課程。
北科大電資學院院長黃育賢認為,與學術型大學相比,北科大更為重視實習、實驗類型的課程規畫,對於研究主題也會較為務實。
TI拓展毫米波雷達應用 IWR6x進軍工業市場
工業4.0熱潮席捲全球,而毫米波雷達(mmWave)可利用無線電波準確偵測物體的位置、方向、距離與速度,不受外在惡劣環境的影響,使其除了在車用市場之外,在工業應用中的需求也逐漸浮現,毫米波雷達供應商開始推出相關解決方案,如德州儀器(TI)於近日宣布推出用於工業系統的高解析度CMOS單晶片60GHz感測器產品「IWR6x系列」。
TI指出,為了實現智慧工廠,需要更智慧、更準確的感測能力,而毫米波雷達可以更準確的感知工業現場的物體位置、設備運作的速度和角度,以及場內設備與人員的分布範圍等,提供工業環境所需的高分辨率,工業設計人員對此需求大增。
據悉,新推出的毫米波感測器整合了計算處理晶片,能提供即時決策和訊號處理;並採用包含天線的封裝技術(Antenna-on-Package),此一功能可克服過往射頻(RF)設計相關的挑戰,大幅縮小產品體積(和24GHz相比縮小75%),降低整體開發成本。
另外,新推出的感測器特性包含智慧型邊緣自主運算,其整合的處理能力讓感測器能減少誤報並做出即時決策,免除了在許多系統中尚需使用額外微控制器或處理器的需求;且此感測器的解析度為24GHz感測器的16倍,能偵測到物體、人及非常細微的動作(例如呼吸和打字);還能在擁擠的空間,或各種照明和環境條件下,穿透玻璃、塑料和石膏板等材料進行運作,強化了現有系統的準確度。
TI表示,毫米波技術擴展了建築和工廠自動化能力,藉由新推出的毫米波感測器,工程師可以將毫米波技術整合到各種機器人、工廠自動化和建築自動化設計中,實現了更智慧的人員計算、動作偵測、安全防護和生命跡象監測等應用。
安矽思RedHawk-SC問世 高效能模擬方案滿足先進製程設計
為降低先進製程設計難度,加快產品開發時程,安矽思(ANSYS)宣布推出新一代解決方案RedHawk-SC,以因應複雜的多層物理場(Multiphysics)挑戰,包括晶片熱效應、老化(Aging)、熱感知統計電子遷移預算(Statistical Electromigration Budgeting, SEB)、靜電放電(Electrostatic Discharge;ESD)及製作給整個封裝與系統做模擬的晶片功率模型(Chip Power Model, CPM)等;該產品應用範圍包含7和5奈米(nm)等先進製程節點。
安矽思半導體事業部副總裁暨總經理John Lee表示,不論是汽車、消費性電子產品、行動裝置等市場的半導體IC設計,皆朝高能源效率、高效能、高可靠性方向發展;特別是走到先進製程階段(7奈米和5奈米),晶片體積越來越小,但功能不斷增加,使得製程愈來愈複雜,對於物理場的模擬計算需求是過往的十倍以上。
Lee說明,以往2x奈米、1x奈米晶片在設計、驗證的階段,可能只須模擬2~3種物理場狀況(如只測試晶片熱效應、電源損耗等)。然而,隨著晶片製程愈來愈複雜,為確保IC產品的可靠度並降低其電源損耗,晶片在設計和驗證時,須模擬、運算的項目也逐漸增加,不僅僅是基本的電源、產品壽命,像是連ESD、SEB等因素都須納入測試,模擬工具的運算效能也因而須跟著提升。
為此,安矽思推出RedHawk-SC解決方案,該產品以ANSYS SeaScape為基礎,具備大數據架構以因應電子系統設計及模擬設計需求,同時還具有高度可擴展性,能進行參數掃描和分析;並可線性擴展容量和性能,以支援設計人員於封裝和系統設計時提升晶片可靠性,降低開發成本。
Lee進一步說明,RedHawk-SC有兩個主要特點,首先是支援高度擴展性的彈性計算引擎,可透過雲端或是客戶端為主的平台,提供以Linux核心的方案,快速、大量的增加運算規模,進而加產品模擬速度;另外一個特點是大數據分析,在現今的晶片設計當中,有數百、數千萬的資料數據,設計人員很難在短時間內掌握所需的資訊,而透過大數據分析可讓設計人員很快的得知所需資訊,降低搜尋資料時間,加快產品開發時程。
除此之外,Lee提到,RedHawk-SC還具備機器學習功能。在進行IC設計時,由於運算量大,因此會有許多種運算結果(上百或上千),而究竟哪些是正確答案正確,哪些結果又需要修正,多是仰賴資深研發人員進行判斷。而為了讓資淺的工程師能快速汲取資深人員的經驗,加快產品開發時程,RedHawk-SC便透過機器學習,將這些數百、數千計的運算結果加以分類、歸納,讓設計人員能輕易了解遭遇到何種狀況及如何排除,如此一來便可加快產品設計時程。












