首頁Top區塊
- Advertisement -
AI演算法的撩妹語錄
LSTM演算法
圖1就是大名鼎鼎的長短記憶模型(Long Short-Term Memory, LSTM),也是遞迴神經網路(Recurrent Neural Networks, RNN)中最受歡迎的一種形式。它最早是由Sepp Hochreiter於1991發表原型,然後Jürgen Schmidhuber於1997將該理論基礎大功告成。沒錯!LSTM是個快要30歲的老演算法了,它也是被Hinton發展出的深度學習最佳化方法救活的一票演算法之一。
圖1 LSTM演算法
LSTM最大的好處在於它解決了遞迴神經網路容易發生的梯度爆炸以及梯度瀰散問題,它使用了稱之為「門控(Gate)」的機制,可以學習開啟或是關閉的時機,來控制上下文向量(Context Vector)的流動。LSTM總共有3個門控,分別是輸入門、遺忘門以及輸出門。輸入門負責管理新數據是否該納入,而遺忘門負責管理哪些舊數據該遺忘,輸出門則管理哪些上下文該納入輸出。所以,對女孩子說他的遺忘門總是關著,正是表達永不遺忘的最高禮遇。
Faster RCNN演算法
Faster RCNN(圖2)是由被粉絲們暱稱為RGB的Ross B. Girshick所發表。自2013年起發表的RCNN三部曲包含RCNN、Fast RCNN以及Faster RCNN。最終版本Faster RCNN於2015發表,是精確率最高的物體檢測演算法之一;但可惜它是先定位,再分類的兩階段模型,所以速度不高。
圖2 Faster RCNN演算法
物體檢測就是不但要知道照片裡有什麼(物體識別),還需要把它框出來(物體檢測)。Faster RCNN使用了Region Proposal Network,解決了過去算法中以人工方式產生大量候選位置區域(Proposal)的問題;並改用預埋的不同尺寸Anchor,來解決物體不確定尺寸大小與比例的問題。所以,不管天涯海角,Faster RCNN都能把妹的位置給檢測出來。
Auto-Encoder演算法
Auto-Encoder(圖3)是最古老的深度學習結構之一。它是一個漏斗型的結構,讓高維度數據逐步被降維,到了最窄處,再逐步升維,並且要求輸入必須等於輸出。這意味著最窄處被極致降維的結果必須包含重建原始高維數據的一切必要訊息。我們稱這樣的高度壓縮向量為表徵(Representation)或者是嵌入(Embedded),這也是深度學習壓縮演算法的核心網路結構,由於它沒有依賴任何外部標籤,因此被歸屬為標準的非監督式學習。所以只要看過妹的一顰一笑,它就能夠取得表徵,然後完整重現。
圖3 Auto-Encoder演算法
WaveNet演算法
WaveNet(圖4)是來自於Deepmind的得意之作,它也是目前聲音生成模型的SOTA(State-of-The-Art)。WaveNet可以模仿人類或者是各種樂器的聲音,他的模仿能力甚至連人類講話時特有的換氣呼吸聲都可以模仿。
圖4 Faster RCNN演算法
WaveNet的本質是一個一維空洞卷積,一般我們用二維卷積處理二維的影像數據,那麼一維的聲音數據當然要用一維卷積。至於空洞卷積(Dilation)則是一種特殊卷積型態,它可以有效地在不增加訓練參數的狀況下,擴大每個卷積的感知域,這樣就可以從細節到大趨勢的捕捉聲音特性。所以當然忘不了妹的聲音。
Deep Belief...
先進製程發展熱潮延燒 新材料開發挑戰接踵而來
為滿足在產量、可靠度及性能方面等要求,先進製程對特用化學及新材料需求大增,對此,英特格(Entegris)副技術長Montray表示,像是在薄膜沉積(Deposition)、過濾器(Filter)和運送晶圓的晶圓傳送盒(Front Opening Unified Pod, FOUP)設計、要求都有所改變,促使半導體材料商的開發挑戰也日漸增加。
Montray指出,過往28奈米以上的製程,在進行薄膜沉積時,多使用液體化學材料;然而,隨著製程走到10奈米以下(如7、5、3奈米),不僅所使用的材料越來越稀有,也從原本的液體化學材料轉變成固體化學材料。也因此,對於材料商而言,要如何將固體化學材料氣化,並且在晶片上呈現均勻的薄膜層,而不是厚薄不平均導致晶圓良率降低,是一大挑戰。
另一方面,10奈米以下的先進製程對於雜質過濾的要求也越來越高,晶圓廠必須導入效能更強的過濾、淨化產品,才能確保半導體晶圓不受汙染,提升生產良率,也因此,過濾器的純淨度勢必得再度提升。
Montray說明,從28奈米走到7奈米,產品的金屬雜質要求須下降100倍,汙染粒子的體積也必須要縮小4倍,而隨著製程走到10奈米以下,對於潔淨度要求只會愈來愈嚴格,例如28奈米晶圓可能可以有10個污染粒子,但7奈米晶圓上只能有1個。也就是說,為因應先進製程,過濾器必須更乾淨,這也意味著材料商必須花費更多的時間設計產品,確保更高的潔淨度。
除此之外,晶圓運送盒也因先進製程而產生新的需求。Montray解釋,當晶圓擺放至晶圓運送盒當中時,不代表馬上就會運送,可能會經過一段時間待所有準備就緒後才開始運送(約2~3小時)。也因此,在這段期間內,要如何確保盒內環境對晶圓不會有所影響,便是研發晶圓運送盒時須考量的關鍵。
Montray指出,特別是採用先進製程的晶圓,其薄膜層非常薄,對氧氣十分敏感,很容易被氧化,也因此,晶圓運送盒的設計重點便在於如何實現更嚴格的「汙染控制」,也就是要有更緊密的密合度、更高的排氣、充氣效果,使晶圓在運送過程中不至於產生損壞。
總而言之,半導體持續朝向先進製程發展,連帶使得新材料開發的挑戰逐漸增加,也因此,英特格不斷提升其技術能力與業務版圖,像是在台灣技術中心引進KLA SP3晶圓檢測系統,讓該公司在台灣的晶圓檢測能力擴展至19奈米,得以自行產出晶圓缺陷的數據,以引導新產品開發及改善產品性能。
巨量轉移技術流派眾多 壓印/流體/雷射各擅勝場
Mini/MicroLED是備受矚目的前瞻技術,其應用領域除了顯示器之外,也可以用在照明設備上。由於其晶粒大小不到200微米,因此可製作成任意形狀的顯示或照明設備,若搭載在軟性基板上,也能實現軟性顯示,與OLED有非常類似的應用特性。
與OLED相比,因為Mini/MicroLED使用的是無機材料,因此對空氣、水氣有相當高的抵抗力,不像OLED只要封裝稍有缺陷,讓發光材料暴露在空氣中,壽命立刻大打折扣。因此,Mini/MicroLED很有機會成為在需要高可靠度的應用上大勝OLED。
不過,Mini/MicroLED目前還有許多技術障礙需要克服,特別是巨量轉移跟LED晶粒的檢測方法,將是此技術能否走向大眾市場的關鍵。目前雖然已經有業者推出基於MiniLED的顯示設備,但其所採用的製程方法太過緩慢,因此很難發展成大眾負擔得起的消費性產品。
QMAT執行長Francois Henley表示,每項新技術在剛問世的時候,看起來都是很難量產的。舉例來說,映像管剛發明的時候,以當時的科技水準而言,是結構相當複雜的零組件,很難相信這種零組件可以每年生產成千上百萬台,而且價格會低廉到家家戶戶都負擔得起。液晶顯示(LCD)技術剛開始朝電視應用進軍的時候,情況也是類似。LCD面板的結構層層疊疊,基板尺寸大,導致其生產成本極高,良率又差,很難想像這種產品會變成人人買得起,而且尺寸還越買越大的大眾商品。
良率/量產速度為應用普及兩大關鍵
Mini/MicroLED顯示器,目前也遭遇到許多技術上的瓶頸,但隨著產業界上下游努力,Henley相信,許多目前讓業界感到棘手無比的難題,是有機會克服的。歸根究柢,Mini/MicroLED顯示器走向普及,最大的問題在於生產良率跟生產速度,許多技術創新都聚焦在解決這兩個問題上。
其實,LCD產業所發展的技術,有一部分是可以沿用在Mini/MicroLED上的。圖1為Mini/MicroLED顯示器的製造流程,其中有打勾記號的製程步驟,就是LCD產業已經發展成熟的製程技術。至於有底色的部分,則是Mini/MicroLED特有的製程步驟,每個步驟都有一些難題需要克服。
圖1 Mini/MicroLED顯示設備製造流程
KGD測試為良率把關 EL/PL測試缺一不可
Henley指出,目前LED產業所發展出來的磊晶基板(EPI Substrate)跟有機化學氣相沉積(MOCVD)製程,都還沒有針對MicroLED的需求最佳化,這部分是業界還需要努力之處。另一方面,由於磊晶製造的良率很難做到100%,因此在執行巨量轉移製程之前,必須先對MicroLED進行功能測試,剔除不良品。但目前要對MicroLED進行功能測試,還有相當多挑戰。
針對LED測試,目前業界有電致發光(EL)跟光致發光(PL)兩種測試方法,但很不幸的是,EL跟PL能抓到的缺陷是不一樣的,在PL測試中看起來是KGD的元件,在EL測試時,可以看得出是有缺陷的元件。這是因為PL測試比EL更容易出現偽陽性(False Positive)結果,導致誤判。圖2是同一片LED磊晶圓在EL跟PL測試下所獲得的結果,由圖可以看出,EL跟PL的測試結果有明顯出入,EL能看到更多缺陷。但這不表示PL一無可取,以EL為主,PL為輔,有助於更準確地找出KGD。
圖2 EL/PL測試結果對照
為確保Mini/MicroLED顯示器的最終良率,準確找出晶圓上的KGD是必要的,否則在後面執行巨量轉移時,若把不良的元件轉移到顯示基板上,則顯示器上恐怕會有大量壞點,而且重工會十分麻煩,甚至是不可能的任務。
然而,EL跟PL測試都需要花時間,因此,如果能同步進行兩種測試,將有助於節省磊晶測試的成本。這也是設備商Tesoro Scientific正在力推的方案。
巨量轉移流派眾多 機械式方法速度過慢
在巨量轉移方面,目前業界發展出許多不同方法,有基於機械方法的取放式製程,也有基於流體跟雷射定址的製程,且這三大流派底下,還有許多衍生的製程方法,例如取放式製程還可以分成壓印式(圖3)跟滾筒式(圖4)。流體製程則是將MicroLED元件置於懸浮液中,然後用電荷把元件吸引到預定位置的方法(圖5)。但也有以磁力取代電荷,讓元件在磁力吸引下,自動在基板上就定位的磁力巨量轉移方式,惟磁力法不需要使用懸浮液,因此嚴格來說不算流體製程。
圖3 各類壓印式巨量轉移方法
圖4 各類滾筒式巨量轉移方法
圖5 流體式巨量轉移法
新創公司SelfArray執行長Clinton Ballinger表示,跟既有的巨量轉移方法相比,磁力式巨量轉移最大的優勢在於其組裝時間跟陣列的大小幾乎沒有關係,因為這種技術可以一次轉移數以百萬計的MicroLED元件到顯示基板上。不過,這種巨量轉移方式無法控制LED元件是以哪一個面朝向顯示基板,因此其所使用的MicroLED元件,必須採用特殊的貫通式電極,才能確保LED晶粒的電極可以連上線。目前該公司正與晶電合作,開發這種特殊的MicroLED。
韓國機械與材料研究院(KIMM)奈米機械部門主管Jae-Hyun Kim解釋,一般來說,LED可分成正裝(Face up)與倒裝(Face Down)兩種,正裝的MicroLED電極跟發光面在同一邊,因此其發光面積較小,亮度比較低,但卻很適合用薄膜電晶體(TFT)製程來實現連線;倒裝的MicroLED發光面積大,但因為本質上是覆晶技術,因此其連線必須透過PCB板。這也意味著在電視這類應用上,目前的面板廠若要轉向Mini/MicroLED,採用正裝的機率比較高。倒裝MicroLED則可能運用在其他比較利基型的顯示應用市場。
至於雷射定址釋放法(Beam Addressed Release, BAR),則是QMAT與Tesoro Scientific主推的技術。該技術需要使用帶有轉移釋放層(Transfer Release Layer)的來源基板,然後以雷射光從來源基板背後掃過,被掃到的MicroLED元件就會從來源基板上脫離,留在目標基板上(圖6)。
圖6 BAR巨量轉移方法
Henley分析,目前用來生產MiniLED顯示器的巨量轉移技術,屬於壓印式製程。這種製程雖然已經成熟到可以運用在量產上,但其最大的問題在於速度太慢,視壓印頭的尺寸大小,要生產一片75吋4K面板,耗時在2.3~160小時之間。但即便採用目前最大尺寸的壓印頭,其生產速度對TV顯示器應用來說,還是太慢了。流體製程的速度則比壓印式或滾筒式要高得多,每小時的元件轉移量可上看5,000萬顆。但BAR製程則比流體製程再快10倍,其每小時元件轉移數量理論上可達5億顆。
除了轉移速度的優勢之外,BAR製程還有另外一個特點--毋須使用中介載板,甚至連切割都不需要。元件磊晶完成,並通過功能測試,標定出不良品在晶圓上的所在位置後,該磊晶基板就可以直接執行巨量轉移,不像壓印或滾筒製程,還得把測試後的KGD轉移到壓印頭或滾筒上,然後再轉移到顯示器基板上。流體製程雖然不需要這道工序,但還是要把KGD切割下來,然後投入懸浮液中,才能進行巨量轉移。
戲法人人會變 各有巧妙不同
從巨量轉移技術存在諸多流派,以及眾多新創公司/研究單位雲集的現象,不難看出這個產業還在發展初期階段,主流技術尚未現身。不過,對Mini/MicroLED應用的開發業者來說,或許不存在一個業界通用的最佳解,而是要看該公司鎖定的應用領域有何需求,藉此決定應該採用何種技術。舉例來說,對顯示應用來說,巨量轉移的速度固然是越快越好,但對照明來說,巨量轉移速度是否還這麼關鍵,就有待商榷。
新技術的發展跟未來走向總有不確定性,但這也是技術創新如此引人入勝的原因。不確定性才有夠大的想像空間。
強化數據移動時間/方式 RISC-V躋身運算新利器
大數據與快數據
大數據(Big Data)應用是使用特殊的GP-GPU、FPGA與ASIC處理器,搭配深度學習技術作分析,從中找出趨勢、固定模式及關聯性,藉此提供影像辨識、語音辨識或其他功能。大數據的應用多建立於「過去的數據」或「儲存於雲端的數據」,因此經常能形成「訓練有素」的神經網路,尤其適合執行特定作業,例如辨識並標註影像或視訊中所有的臉孔,甚至是語音辨識也是代表性案例。
此類作業亦非常適合讓配有專用引擎(或推論引擎)及快數據應用的邊緣裝置來執行(圖1)。透過處理、分析終端所擷取的數據,快數據可引用大數據的演算法提供即時決策及結果。畢竟大數據所提供的洞察價值之一,是從「已發生的事」來推斷「未來可能會發生的事」(預測性分析);而快數據則是提供即時行動,藉此改善商業決策、營運,並減少效率不彰情況。這些方法亦可適用於各種邊緣及儲存裝置,像是攝影機、智慧型手機與固態硬碟(SSD)。
圖1 大數據、快數據與RISC-V商機
RISC-V為數據運算新利器
新型工作負載量可分為兩種情境:
1.以特定工作負載「訓練」大型神經網路,例如影像或語音辨識。
2.將已「訓練」或「量身打造」的神經網路應用在邊緣裝置上。
兩者的工作負載量都需要大量包含大矩陣乘法與卷積(Convolution)層的平行數據處理與運算,為使這些運算功能達到最佳配置,須有能運作大規模向量或數據陣列的向量指令。RISC-V正是適合此類應用的架構與生態系統,而其以開放原始碼軟體所設定的標準化運算處理,可讓開發人員自由採用、修改,甚至增加專用的向量指令。圖1概述RISC-V運算架構可應用的情境及範例。
優化數據移動方式/時間為運算處理首要任務
快數據與終端運算的崛起,亦代表將所有數據來回傳輸至雲端進行分析已不是最有效率的方案。首先,相對大量的數據在行動網路及乙太網路之間長距離傳送所造成的延遲,對於必須即時作業處理的影像或語音辨識應用而言並非最佳作法。
其次,終端運算才是真正能擴充架構價值之所在,尤其在執行影像及語音處理,或利用固態硬碟進行運算時。如此一來,在每次新增邊緣裝置時,即可增加整體架構的運算性能。因此,如何優化數據移動的方式和時間,才是新架構可擴充性的關鍵因素與考量。
圖1a中,雲端數據中心伺服器利用大數據資料來進行深度學習神經網路的「訓練」與「學習」。圖1b中,位於終端的監控攝影機,配備了能引用大數據演算法的推理引擎,可即時辨識影像(快數據)。圖1c中,智慧型固態硬碟裝置使用推理引擎進行數據辨識及分類,有效利用裝置的頻寬。正如圖1所列出RISC-V核心的潛在應用,使用者可以自由新增專用及未來標準化的向量指令,對於往後處理深度學習與推論技術都極為重要。
另一個類似且重要的趨勢,是數據如何在大數據與雲端內部進行移動與存取。傳統的運算架構皆利用附加在多種裝置的匯流排(Bus)搭載資料傳輸(例如專用機器學習加速器、顯示卡、快速SSD,以及智慧聯網控制器等)。此類型匯流排,特別是CPU及主要持久型記憶體(Persistent Memory)之間皆因頻寬速度限制,導致設備本身的效能並未能被完善使用。此外,此類型運算裝置的記憶體不但不能互相分享,也無法與CPU共用,同時造成了設備資源的浪費。
目前產業已有幾大重要新興趨勢,針對如何改善不同運算裝置之間的數據移動(例如CPU、運算及網路加速器),以及如何存取在記憶體或快速儲存裝置裡面的數據。這些新的趨勢都著重在開放式標準,以提供更快、更低延遲的串行連接架構,以及更聰明的邏輯協定,讓共享記憶體具有連貫的存取路徑。
RISC-V為優化數據移動關鍵技術
未來的架構必須針對持久型記憶體以及具備連貫性快取的快速匯流排(例如TileLink、RapidIO、OpenCAPI和Gen-Z),透過連結運算加速器,提升效能持續性,同時使所有裝置共享記憶體,減少不必要的數據移動。
傳統的運算架構因在高速記憶體與運算系統應用頻寬受限的匯流排,導致效能隨之受限。未來的運算架構則採用開放式介面,能為平台所有運算資源提供統一且具有連貫性快取的存取途徑(稱為以數據為中心的架構),且部署的裝置能利用同一個共享記憶體,減少不必要的數據複製。
非核心(Uncore)CPU與網路介面控制器將會逐漸成為移動數據的關鍵推動元件。未來非核心CPU元件不但必須能夠支援關鍵記憶體及持久型記憶體介面(例如NVDIMM-P),也須覆蓋內建於CPU的記憶體。除此之外,適用於運算加速器、智慧聯網及遠端持久型記憶體的智慧高速型式匯流排也都是不可或缺。此外,匯流排上所有的裝置(例如CPU、通用或專用型運算加速器、網路配接器、儲存裝置或記憶體)都可以加入自己的運算資源,但前提是必須能存取分享記憶體。
RISC-V技術可視為優化數據移動的關鍵推動因素,因其可於所有運算加速器裝置上建置新機器學習工作負載量的向量指令,並提供開放原始碼CPU技術;不但支援開放式記憶體與智慧匯流排介面,也能建置以數據為中心、內含連貫式分享記憶體的新型架構。
以RISC-V解決各項挑戰
大數據與快數據在未來將會面對各種移動數據相關的挑戰,而這卻能為RISC-V指令集架構(ISA)及其所採用的開放式模組開拓新市場,它將會是以數據為中心的運算架構情境的首選,功能包括:
.擴充邊緣運算裝置所需的運算資源。
.新增專用指令,例如客製化機器學習工作的向量指令。
.於儲存與記憶體媒介裝置小型運算核心。
.促成新的運算概念與模組化晶片設計。
.促進以數據為中心的新架構,所有處理元件都能連貫存取分享持久型記憶體,進而優化數據移動的應用與環境。
RISC-V是由超過100個組織的會員所開發,其中包含一個由軟硬體創新人士所組成的協作社團,能針對特定目的或專案改編指令集架構。所有加入此組織的會員,皆能使用Berkeley Software Distribution(BSD)授權條款來設計、製造或/與販售RISC-V晶片與軟體。為實現數據的價值與可能性,須擷取、保存、存取及轉換數據,將其潛力發揮到極致。大數據和快數據應用的環境,已超越通用型運算架構的處理能力範圍。未來,極度以數據為中心的應用須具備專用處理功能,而裝置間也需要能以開放形式支援獨立數據資源的擴充。
新型態的機器學習運算工作負載量,將帶動這類可擴充型架構的崛起,而其中的關鍵因素必須依靠所有裝置都具備的共通運算架構,並以持久型記憶體作為主要數據儲存;換言之,所有裝置都能扮演運算的角色,藉以提高運算能力。所有新一代雲端及終端應用,都需要這種新型態的低能耗處理功能,因為此類運算加速處理器能專注於運算處理手邊的作業、避免移動數據所浪費的時間或執行與數據無關的多餘運算。透過數據的力量、潛力和可能性,個人、社群及整個世界都將得以更加蓬勃發展。
(本文作者為Western Digital研發工程部新一代平台技術資深總監)
SiC/GaN電源模組封裝材料2023年產業規模達19億美元
碳化矽(SiC)和氮化鎵(GaN)正在推動新的電源封裝解決方案發展,市場研究組織Yole Développement表示,SiC技術逐步成為滿足工業要求的重要解決方案,市場估計2017年至2023年的複合年成長率(CAGR)達到29%。電源模組封裝材料產業在2017~2023年的CAGR為8.2%,產業規模將從12億美元成長到19億美元。
除半導體產業外,EV/HEV產業對高功率密度和機電整合的需求也以專用封裝解決方案推動了許多電力電子創新。在不斷創新的過程中,有兩個主要技術趨勢,用於混合動力汽車的超模壓雙側冷卻模組和用於電動車的帶有針翅式底板的單側冷卻模組。
事實上,2017年是IGBT功率模組市場令人印象深刻的一年,2018年又更上一層樓,上半年成長超過20%。主要原因是EV/HEV產業的推動,特別是在中國。因此,整個電源模組市場預計在2023年將超過55億美元。
固態電池導入電動車再等5年 模組化儀器為量測對策
車輛電動化已成必然趨勢,為求更高續航力與行車安全,固態電池的研發已成大勢。然而,在固態電池大舉導入之前,其電池在短時間內依然是主流。在此階段,模組化量測儀器將能符合現階段相關製造廠商之需求。
國家儀器(NI)技術行銷經理吳維翰指出,自電動車發展初期至今,皆是以使用鋰電池為主;儘管鋰電池技術成熟並具備足夠蓄電量,然而由於其內含電解液的材料特性,當遇到車禍時,電解液燃燒將會釋放大量有毒物質,因此有非常高的安全風險。
有鑑於此,固態電池由於其體積小、較安全、充電量大的特性,可能成為未來趨勢。預計在未來3~5年將會出現顯著的進展。儘管目前固態電池的製程還未穩定,尚未進入量產階段,固態電池檢測規範亦尚未落地。
吳維翰指出,鋰電池的價格將隨著採用率提高而逐漸下降,到了2025年時,鋰電池的價格預計將達到2010年價格的十分之一。因此,在固態電池成熟並量產之後,成本也將逐漸降低,進而帶動在電動車領域的滲透率。
然而,在固態電池電池正式量產之前,相關供應商依然必須滿足目前的鋰電池量測要求,然而面對3~5年後即將面臨的固態電池大趨勢,也必須要開始布局。吳維翰認為,電池的測試項目不外乎結構相關測試(高溫、低溫、震動等測試項目)與電氣相關測試(高速充放電等測試項目),因此,在此新技術研發階段,便相當適合導入模組化量測儀器。模組化儀器之優點在於能靈活應變不斷變動的測是規範,並能依照不同國家的法規要求調整。
克服毫米波傳輸耗損 5G RF前端朝模組/IC發展
目前6GHz以下頻譜擁擠且可用的頻段相當破碎,為獲取更大頻寬,使得5G開始朝毫米波(mmWave)發展。然而,毫米波訊號具衰減快、易受阻擋且覆蓋距離短等特性,使得5G基地台與終端開發面臨技術挑戰,也進而影響天線與射頻(RF)前端的設計。
ADI通訊基礎設施業務部中國區策略市場經理解勇指出,5G大規模天線陣列技術,使之對於射頻元件的整合度、頻寬與成本具更高的要求。5G頻段包含6GHz以下的低頻頻段與高頻毫米波頻段,支援的頻段比4G LTE多且複雜,因此,若要達到5G RF性能指標要求,將為相關RF元件製程與電路設計帶來了更大的挑戰。
以往RF前端多採用離散式元件(Discrete Components),透過印刷電路板(PCB)上的RF走線(Trace)連接收發器(TRx)、功率放大器(PA)、低雜訊放大器(LNA)及濾波器(Filter)等主被動元件。不過,隨著RF元件用量的提升,Qorvo產品行銷經理陳慶鴻指出,目前4G高階手機RF元件模組化已是必然的趨勢,而5G將更進一步加速元件整合的趨勢。其中,模組的型式包括封裝、低損耗板材SMT、軟板SMT等等,但不論採用何種方式都必須解決熱集中、高功率消耗的問題。
Anokiwave亞太地區銷售總監張肇強進一步說明,5G毫米波訊號易耗損、受干擾,為降低訊號在PCB傳遞過程中耗損,須將RF元件與天線整合在一起,以縮短RF走線。此外,隨著頻率變高,天線尺寸及每個天線間的距離都會大幅縮小,難以直接將離散式元件整合在天線間,因此須將RF元件加以整合。因應此趨勢,該公司利用矽製程技術將RF元件整合成四通道的毫米波IC,再將之與天線整合成模組,以解決訊號傳輸耗損問題。
此外,張肇強也談到,基地台散熱問題對於RF元件與天線設計是一大挑戰,過往毫米波雷達與波束成形等技術主要被運用在軍事國防,尺寸與成本都並非設計上的主要考量,因此若要運用相關技術實現商用基地台,除了要克服尺寸問題,基地台散熱所帶來的龐大成本也是一大問題。而Anokiwave也嘗試從封裝來改善散熱問題,其第一代IC採用QFN封裝技術,但考量塑膠封裝散熱效果差,因此第二代產品改採晶圓級晶粒尺寸封裝(WLCSP),在改善散熱問題的同時也能進一步縮小封裝體積。
8K液晶材料就位 穿透度提升15%效能更加倍
液晶面板無論是在大小尺寸的顯示應用上,皆是目前的主流,液晶層材料也持續推陳出新,以提升顯示效能。針對電視顯示器的8K超高解析度應用,材料供應廠商也已經針對該需求推出相對應的液晶材料,將背光穿透率提升15%之多。
台灣默克集團董事長謝志宏指出,8K對於液晶材料有更高的穿透度要求,目前該公司已與面板大廠合作,開發出8K電視顯示器專用的液晶材料,成功將穿透率再提升15%。
謝志宏進一步解釋,一般的背光源在穿透液晶層之後,往往只剩下10%亮度,因此若是液晶層的穿透度能夠提升,背光源所使用的LED數量與功耗便能降低,也進而能夠減少成本。
另一方面,謝志宏指出,不同於電視顯示器應用,行動裝置在使用時會有將螢幕橫擺、直放等由不同角度觀看的需求,對於廣視角的要求將比電視更高;因此,電視顯示器與行動裝置螢幕的液晶層材料亦有不同。然而,相同的是,無論在智慧型手機與平板電腦等小尺寸應用上,穿透率同樣是重要考量。在未來,無論是大小尺寸顯示器的液晶材料都將往更高的穿透度發展。
謝志宏以小尺寸螢幕使用的UB-FFS材料與FFS為例說明,FFS穿透度較低,目前以中階手機為主要應用市場;UB-FFS的穿透度較高、顯示效果較好,目前多運用於高階智慧型手機中。然而,儘管單就液晶材料而言UB-FFS成本較高,但由於較好的穿透度能降低背光LED等其他零組件的用量與成本,因此,UB-FFS其實能提升整體BOM Cost的競爭力。
謝志宏認為,儘管未來顯示技術將持續往MicroLED與OLED顯示器發展,然而由於TFT LCD產能穩定、成本較低,因此,在未來五年之內TFT LCD將持續為主流技術。默克也將秉持著好奇心及材料研發經驗,持續推展材料新應用,以因應5G、無人駕駛、智慧建築等未來趨勢。未來,默克也將持續研發新世代液晶材料,實現高色飽和窄邊框的精品顯示器,以呈現絕佳的視覺體驗。
K&S推MiniLED轉移設備 速度有望5倍提升
看好MiniLED背光未來為商機,半導體封裝設備廠商庫力索法(Kulicke&Soffa, K&S)於近日與Rohinni攜手推出MiniLED轉移設備PIXALUX。該MiniLED解決方案相較於傳統的單顆取放(Pick&Place)轉移方法相比,速度可以提升3~5倍。
Kulicke&Soffa(K&S)集團高級副總裁張贊彬說明,目前傳統的LED背光電視大約使用50顆LED,然而隨著MIniLED於背光應用的普及,LED背光數量將提升至2萬顆以上。因此,將需要更有效率的轉移方式。PIXALUX解決方案一秒能夠轉移50顆LED晶粒,轉移速度是Pick&Place方法的3~5倍,更重要的是,該解決方案能夠在轉移過程同時完成目揀(Sorting)程序,為轉移節省更多作業時間,進而降低生產成本。
Rohinni副總裁Brad Telin則指出,目前該解決方案可以做到100×100微米(Micrometer, ㎛)尺寸晶粒的轉移工作,並且良率可以達到99.9999%。在未來,也將隨著MicroLED的發展持續推進該轉移技術,期望能在縮小晶粒尺寸的同時維持其轉移良率。
Telin進一步提到,事實上目前PIXALUX設備已能夠做到50微米MicroLED晶粒的轉移,在MicroLED的技術發展中,主要的技術局限依然在於晶粒製程的技術能力,而非轉移設備。因此,只要晶粒廠商能夠量產MicroLED等級的晶粒,PIXALUX就有能力轉移。在未來3年將會是MiniLED的技術開發關鍵時期,並將由大型顯示器優先開始導入MiniLED應用,該市場也將是PIXALUX最初實現的應用範疇。
MIC:2019年AI手機滲透率超過五成
資策會MIC表示,多接取邊際網路運算(MEC)將扮演5G新應用發展的樞紐角色,其超高速、低延遲、大連結與利用網路切分等技術特色將為電信商與雲端業者帶來嶄新商機。若能在距離用戶較近的場域建置運算與儲存設備,對於支援IP監控、AR/VR、車聯網等服務將有更好表現,因而吸引通訊、資訊領域大廠投入競逐。
MIC資深產業分析師李建勳指出,5G與支援AI應用手機商機可期,初代5G智慧型手機將於2019年上半年陸續問世,預計全球各國2020年商轉5G網路後,出貨將於2021年有更顯著成長;至於支援AI應用手機在IC設計業者推波助瀾下,其中低階手機迅速上市,預計2018年支援AI應用手機出貨量將可突破5億台,2019年後滲透率將突破五成。
2017年智慧型手機搭載人工智慧引擎者為Apple iPhone 8與X系列,與華為Mate 10系列,出貨量達到8060萬台;2018年,Qualcomm、Samsung與聯發科也相繼推出人工智慧處理器,在眾多Android品牌大廠的支持下,預期出貨量將迅速攀升,預期到2019年後,人工智慧功能在智慧型手機的滲透率可突破五成,100美元以下的機種在聯發科與紫光展銳的投入下,也得以大量導入人工智慧引擎。
AI在IC設計業者的推波助瀾下,支援AI應用的中低階手機迅速上市,李建勳表示,預計2019年支援AI應用的手機出貨量可突破8億台,達8億4030萬台左右;2020年AI手機快速突破10億大關,市場滲透率超過60%,已是未來智慧型手機中普遍的功能。












