首頁Top區塊

PPG感測器重皮膚模擬 PPG感測器為光學式心律感測器，可分為穿透式或反射式。反射式PPG感測器之量測區域較不受限，因此可運用於手腕上量測，目前已廣泛應用於消費市場中，如：運動手環、智慧手表。反射式PPG感測器架構包含LED光源、光偵測器、擋牆與蓋板。LED光源與光偵測器放置於同側，光線由LED光源出發，入射皮膚組織與血管後，產生反射散射光，最終由光偵測器接收。 圖1　PPG感測器原理示意圖 要於光學軟體中設計PPG感測器，皮膚組織的模擬就顯得特別的重要，皮膚組織屬於生物組織的一種，生物組織具有兩項重要的光學屬性：吸收與 散射。吸收特性的模擬，通常以穿透率表達。假設光線通過厚度為Ｌ的組織，則穿透率計算遵循比爾-朗伯定律(Beer–Lambert law)： 其中ma為吸收係數，單位為mm-1 。射特性則由Henyey Greenstein散射模型描述，以下為公式： 其中q為散射角度，g為異向性係數，此係數值介於-1至+1之間，可影響散射的分布。 圖2　Henyey Greenstein散射模型之異向性係數變化 LightTools提供多種體散射材料模型，包含Henyey Greenstein散射模型，可用於生物組織之模擬。 圖3　LightTools體散射材料模型 透過Henyey Greenstein體散射模型，可自訂生物組織材料，如：皮膚。設定之係數包含：折射率、吸收率、平均自由程MFP (mm)/散射係數(μs) /傳播散射係數(μs’)、異向性係數(g)與穿透率。 圖4　LightTools之Henyey Greenstein體散射模型 LightTools提供內建之生物組織材料資料庫，這些材料使用Henyey Greenstein體散射模型進行定義，使用者可以直接選擇適當的生物組織材料進行使用。 圖5 LightTools生物組織材料資料庫 皮膚組織模型的建構可直接套用材料資料庫中內建的生物組織材料，模型各層之間的介面則可使用自動光膠功能，去除中間的空氣層，確保模擬正確性。 圖6　皮膚組織架構與光膠設定 在LightTools中以平行光源入射皮膚模型的模擬結果(圖7)。 圖7　皮膚模型、光線預覽與照度分布結果 模擬/設計/分析 以下內容將介紹PPG感測器之案例，說明如何在LightTools中建立模型，並進行模擬、分析與設計。PPG感測器模型包含：LED 光源、光偵測器、擋牆、底座、外殼、封裝膠與蓋板。透過LightTools內建之物件功能與布林運算功能可建立PPG感測器之幾何模型。 圖8　運動手環主體與PPG感測器 光偵測器、擋牆、底座與外殼之表面光學材質設定為吸收，蓋板與封裝膠表面光學材質為平滑光學，設定非涅爾損耗。蓋板材料折射率為1.43，封裝膠則使用內建資料庫材料DowcorningMS_1003_Moldable_Silicone。 圖9　封裝膠使用內建之Dowcorning MS_1003 Silicone材料 光源以表面光源建構，光強度Imax為1.5 mcd。光譜之波段為綠光，中心波長為：535 nm。光形與光譜則如圖10與11。 圖10　 LED光源光形 圖11　LED光源光譜 在光偵測器物件之上表面直接建構表面接收器，偵測器之光譜響應則可以利用鍍膜功能進行設定。 圖12　接收器之光譜響應 如果希望模擬外在環境光對於PPG感測器的影響，使用內建太陽光源工具建立太陽光源。 圖13　太陽光源實用工具 圖14　太陽光譜與日曬資料 直射太陽光與漫射太陽光皆設定光源定位區域，限定光線朝向定位區域追跡，以提升光線採樣效率。 圖15　太陽光源之定位區域設定 初步的模擬結果如圖16，LED光源入射皮膚組織，經皮膚組織體散射後追跡至光偵測器，此光線路徑通常為弧狀的路線，稱之為Banana-Shaped Light。 圖16　PPG 感測器模擬之Banana-Shaped Light光線預覽 光偵測器接收的光線可能來自LED光源或外在環境光，有用的訊號為LED光源入射皮膚組織，經體散射至光偵測器的光線，其他的雜散光則可能干擾有用的訊號。雜散光的來源可能來自LED光源入射蓋板表面，反射至光偵測器，或者當蓋板未完全接觸皮膚表面時，LED光源入射皮膚表面，反射至光偵測器。除此之外，也可能由環境光間接入射光偵測器。在LightTools中使用接收器過濾器、區域分析與光線路徑功能，可區分出這些光線，協助後續分析與設計。 此案例使用的過濾器包含光源過濾器與體積介面過濾器。光源過濾器可分析LED光源或環境光的貢獻，體積介面過濾器則可分析經皮膚組織體散射的光線。 圖17　接收器過濾器設定 若要顯示過濾器過濾出的光線預覽，則可使用區域分析功能。將區域尺寸與網格範圍設定相同的大小，切換過濾器條件時，即可顯示相對應的預覽光線。 圖18　區域分析功能 為了方便分析不同的過濾器條件之狀態，可透過配置功能，在同一個模型下設定多種配置條件，使用者可快速切換至不同的配置進行模擬或分析。 圖19　配置功能 圖20　不同配置條件的結果   雜散光分析則可藉由光線路徑功能，記錄光線在系統行進的所有光學路徑，結果包含各路徑的功率、光線數與循序經過每個表面的資訊。 圖21　LED光源之雜散光分析 當系統中無擋牆設計時，LED光源光線入射蓋板之前後表面，反射至光偵測器形成雜散光，加入擋牆後，蓋板前表面之反射已阻隔，仍有蓋板後表面之反射，但能量已減弱。   圖22　加入擋牆前後的差異 藉由參數分析程式進行分析，可探討擋牆厚度變化對於蓋板後表面反射雜光的影響，此工具可掃描不同的模型條件，並自動化儲存網格數據、圖像與模型於特定資料夾中。 圖23　參數分析程式 擋牆寬度需設定為變數，接收器的入射功率則設定為評價函數進行掃描，寬度由0.1 mm到0.4 mm，每0.05mm掃描一個值，共7筆數據，最終設計中，寬度在0.35mm時，已可阻擋大部分的雜光。 圖24　掃描不同擋牆厚度的結果 光源與光偵測器間距亦會影響有效訊號與雜散光，因此第二部份我們試著改變光源與光偵測器間距，分析有效訊號與雜散光之間的能量變化，以設計出較佳的結果。利用參數控制定義LED與光偵測器之距離參數，並建立訊號與雜訊之比例運算式。 圖25　參數控制設定 再藉由參數分析程式進行分析，將光源與光偵測器的間距設定為變數，各接收器的入射功率與能量值設定為評價函數，掃描光源與光偵測器的間距，由1.5mm到2.3mm，每0.1mm掃描一個值，共9筆數據。 圖26　光源與光偵測器的間距掃描結果 由掃描結果可得知，光源與光偵測器的間距為1.5 mm時，LED光源之皮膚組織體散射能量較強，LED光源之雜散光能量較低，訊雜比為2.36。 圖27　光源與光偵測器間距為1.5mm的結果 最後，將光源數量增加為兩顆LED，LED以對稱方式排布，可提高有效訊號的能量，降低環境光的影響。 圖28　最終設計的PPG感測器模型 最終的模型，皮膚組織的體散射能量增加，訊雜比則由原本2.36提升至3.99。 圖29　雙顆LED光源的設計結果 (本文作者為思渤科技應用工程師)

據IC Insights預估，受到武漢肺炎影響，導致手機需求下滑及全球經濟衰退，過去十年市場規模連續高速成長的CMOS影像感測器(CIS)，將在2020年首度出現下滑。相較於2019年，2020年CIS市場規模料將衰退4%，達178億美元。但2021年則可望出現15%的反彈，市場規模增加到204億美元，再度創下歷史新高。 IC Insights分析，在本世紀初，CIS市場最主要的成長動能來自於照相手機，但隨著手機市場趨於飽和，自2015年開始，非手機應用占整體CIS應用的比重開始明顯成長。包含工業自動化所使用的機器視覺、汽車的先進駕駛輔助系統(ADAS)等應用，已成為帶動CIS市場規模成長的另一個引擎。  

日前英特爾(Intel)推出搭載Intel Hybrid Technology的Intel Core處理器Lakefield，運用英特爾的Foveros 3D封裝技術及混合型CPU架構來實現可擴充性的功率和效能，在生產力與內容創作上，是提供Intel Core效能和完整Windows相容性的產品裡，尺寸最小且外型輕巧的設計。 圖　Foveros 3D封裝技術。來源：英特爾 在縮小56%的封裝面積下，Intel Core處理器具有完整的Window 10應用程式相容性，使主機板尺寸縮小47%並延長電池壽命，為OEM在跨單螢幕、雙螢幕和可折疊螢幕裝置的外型設計上提供彈性，同時為使用者創造良好的PC體驗。 英特爾目前已公開兩款與合作夥伴共同設計的產品，皆搭載該款處理器。其中包含於2020年CES中亮相的聯想ThinkPad X1 Fold，其為第一款具有可折疊OLED顯示螢幕的全功能PC，預計在今年發布。此外，搭載英特爾晶片的Samsung Galaxy Book S，將於6月開始在特定市場銷售。 Intel Core i5和i3處理器利用10奈米Sunny Cove核心來承擔工作負載和前台應用程式，而四個節能高效的Tremont核心則平衡了後台任務的功耗和效能最佳化。這些處理器與32位元和64位元的Windows應用程式完全相容，有助於提升產品的輕薄設計。

OBC負責電池組充電的最後階段，它會從充電站汲取AC電源，將其轉換為DC，以用來為350V或650V電池充電。不過，有多種因素可能影響電動車電池的充電效率，而電動車電池在單位時間內從電網取得的電力越多，表示其效率越高。 若要提升OBC的效率，可以從減少充電或放電期間的功率耗損著手。OBC設計的其中一項關鍵要素，就是減少功率因數校正(PFC)等級的AC耗損。由於OBC的系統功率等級會連接至電網，導致全世界多數國家現在都要求在OBC中加入PFC等級。本文將著重於介紹一種方法，藉此分享如何減少因PFC專用升壓電感器的通量散射所導致的AC銅耗。 確保系統設計最佳化 OBC的PFC等級使用傳統的升壓拓撲，內含輸入二極體電橋、濾波器和升壓電感器(Lboost)，如圖1中的方塊圖所示。其關鍵要求之一，就是升壓電感器必須在尖峰電流時保持電感，不可飽和。如此有助於確保形成負載電流波形，且能隨輸入電壓維持相位。電感器必須保持較低的核心耗損和銅耗，以維持其效率，且不得產生過多的熱能。 圖1　系統的AC網路輸入要求，16A電源輸入PFC系統需能升至11.5kW 針對接近單位功率因數(電阻負載)的PFC，輸入電流需與輸入電壓同相，且需為低失真。圖1中的S1開關連接至控制器，用於監控輸入電壓。此開關以200kHz執行「開啟」和「關閉」(或以工作週期調頻)，瞬態輸入電壓在100Hz範圍內的變動相對較慢。 Lboost中的平均電流會在週期內追蹤相對形狀和相位的輸入電壓訊號，而電流波形失真則會因電容和電感負載而減少。從AC電源側來看，負載看起來為電阻型。Lboost中平均電流的振幅也會隨時間調整，以補償線路和負載的變動。 電感器材料攸關銅耗 這類的電感器通常使用鐵粉作為磁性材料，因製造過程中使用非磁性黏著劑，使鐵粉具有磁性材料固有的分散式氣隙，其導磁性(μ)通常介於20至200。由於電感器有嚴格的體積限制和電感要求(滿負載時大於150μH)，使用鐵粉核心的功率耗損將非常大，而且會使應用中的電感器過熱。 因此，需要採取另一種解方。為了最佳化PFC的升壓電感器，如美商柏恩(Bourns)便使用傳統的分裂核心，它是由低耗損的錳鋅(MnZn)鐵氧體材料構成。可以從中發現，MnZn鐵氧體材料相比鐵粉的耗損大幅降低，導磁性也高出許多；另外，為防止鐵氧體核心飽和，應在磁路徑中加入氣隙。 但加入氣隙也會降低材料的導磁性。經測試與模擬後發現，使用分散式多重氣隙，能將通量散射降到最低，與單一氣隙的電感器相比之下，銅耗將大幅降低。 氣隙計算確保高效率 電感器設計中的氣隙部分，是使產品達到較高效率並降低AC耗損的關鍵。其設計的原理，是假設磁性電路中的所有磁阻都產生在氣隙中。 設計的第一個階段，應先確認升壓電感器該擁有的圈數，以確保其核心不會在尖峰電流的特定電感下達到飽和。首先為計算圈數，接著再計算磁動勢(MMF)。從過程中可判定，此應用的作業通量密度必須限制在0.3T；另外，還必須找出於尖峰電流下將通量限制在0.3T所需要的磁阻量(R)。而若將核心限制在0.3T，可確保磁性核心不會飽和。在找到將通量密度限制在0.3T所需要的磁阻後，接著便能計算氣隙尺寸。可從中進一步發現，這類單一氣隙的電感器可透過縮小氣隙尺寸，以及增加電感器中央腳的氣隙數量，藉此大幅降低銅耗。若採用單一氣隙時，AC電阻為5.5Ω；而當三氣隙散布在核心中央腳時，AC電阻最終可降至0.616Ω。 在找出鐵氧體材料總氣隙最適合的尺寸後，接著再根據核心中氣隙的散射通量(輻射磁場)可能使銅出現渦流等類現象，減少電感器中的耗損，進而找出最佳的設計。不過，這會使銅線圈內發生區域性的焦耳損失。至於升壓電感器中的平均電流，會在週期內追蹤相對形狀和相位的輸入電壓訊號(圖2)。 圖2　模擬圖顯示一個週期的電感和輸入電流 高密度設計大幅減少耗損 若使用帶氣隙的鐵氧體結構，可實現較高效率的高密度設計，進而使每個通道在每次的週期內，可達到最高3.6kW的處理量，於最高負載時可儲存125mJ。透過PFC模擬，證明了確實找到能儲存能量並避免飽和的最佳氣隙。此外，同時亦可確認，銅功率耗損的主要來源為AC電阻，所以結論是，針對設計的最高AC電阻規格目標應為750mΩ(在125kHz和100℃的條件下)，同時使用FEA軟體來進行升壓電感器設計的驗證、分析和最佳化。 如Bourns的升壓電感器可減少多達90%的AC耗損，但仍須視應用而定。降低耗損的關鍵，在於縮小氣隙尺寸及增加電感器中央腳的氣隙數量。本文的測試結果顯示，單一氣隙電感器的AC電阻為5.5Ω，而測試應用中的三氣隙設計則使AC電阻降到僅0.616Ω。至於AC電阻耗損的降低，是由於AC銅耗從每通道的20W大幅降到只剩1.8W。此外，由於該升壓電感器產生的熱能較少，因此散熱需求較低，同時還具減少EMI的額外優點。若結合以上優點，便有助於實現較佳的PFC等級設計，使OBC整體效率提升，進而為電動車市場的成長提供助力。 (本文出自於貿澤電子與Bourns共同出版之《車輛電動化(Electrification of the Vehicle)》電子書)

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...

由於新冠病毒肺炎(COVID-19)疫情肆虐全球，COMPUTEX本年度展會由於海外參展商、國際買主及媒體可能無法如期來台等不確定的因素，共同主辦單位日前發布聲明，決議取消本次展會，並宣布COMPUTEX 2021將於2021年6月1日至5日(創新與新創展區InnoVEX為6月2日至4日)舉行。 根據COMPUTEX官方聲明表示，由於疫情影響所致，即便台灣疫情趨緩且逐步鬆綁，但為遵循中央流行疫情指揮中心指令及配合相關措施，並以所有參與者的健康及安全作為首要考量，COMPUTEX共同主辦單位經審慎研議後做出上述決定。 COMPUTEX原先已將本年度展會宣布延至9月28日至30日舉行，但最終仍礙於疫情帶來許多未知數而首次喊卡。為因應產業需求並順應當下情勢，主辦單位近期邀集國內外廠商進行線上論壇，進而分享產業最新趨勢，並於6月2日起陸續上線。同時，於6月29日將首次舉辦#InnoVEXOnlineDemo線上發表會，邀請台灣新創向全球發聲。而自9月28日起，貿協將辦理COMPUTEX線上展覽會，持續協助參展廠商拓展商機。

有鑒於新冠疫情(COVID-19)、香港情勢變化以及晶片生產重心逐漸轉往亞洲，美國議員提案補助半導體製造商228億美元，期望在中國的強力競爭之中，刺激美國的晶片產業發展。 示意圖　美國議員提案補助半導體製造商228億美元。來源：Unsplash 建造一座晶圓廠需要150億美元，大部分支出在於昂貴的工具。補助的提案如果通過，除了將會為半導體設備創造40%可退還的所得稅抵免額度，還會提撥100億美元的聯邦資金來鼓勵建廠，同時提供120億美元的研發基金。補助法案將根據美國國防部的「國防生產法」取得授權，而得以動用資金。 晶片生產中心移往亞洲已是大勢所趨，雖然英特爾(Intel)與美光(Micron)等公司仍在美國當地生產晶片，但是半導體產品生產轉為以亞洲為主。其中台積電即掌握了晶片代工過半的市場分額，以及更先進的製程技術。而蘋果(Apple)、高通(Qualcomm)及Nvidia等公司都依賴台機電和其他亞洲的代工廠製造晶片。

新冠狀病毒疫情肆虐全球，疫情爆發至今全球確診病例數已逾700萬，至少40萬人死於疫情，尤其逾2/3病例在歐美，在海外經濟和產業停擺時刻，工研院發表正壓式檢疫亭，盼協助國內外醫護防堵疫情。正壓式檢疫亭與臺大醫院新竹生醫園區分院、新竹馬偕醫院合作開發，具有安全設計、採檢量高、節能舒適、獨立潔淨、組裝迅速等五大特色；特別是以臺灣多年來在建置IC晶圓廠及光電廠無塵室的經驗下，打造出潔淨度優於醫院外科手術室，媲美全球最潔淨之檢疫亭。 臺大醫院新竹生醫園區分院急診室醫師使用工研院正壓式檢疫亭，為病患進行採檢。 工研院副院長彭裕民指出，工研院以科技力協助臺灣超前部署，儘管臺灣疫情穩定，隨著未來陸續開放商務人士來台、解除邊境管制等措施下，長久而言，醫院仍有採檢需求。工研院以五大特色打造正壓式檢疫亭，守護第一線醫護人員。首先是「安全設計」，為守護醫護健康，檢疫亭運用專利正壓設計，空氣只能由內往外送，受污染空氣進不去檢疫亭。第二是「採檢量高」，檢疫亭雙面設計，一小時至少可採12位，在疫情緊張時，一天可採檢數達240位。第三是「節能舒適」，檢疫亭內裝設冷暖氣機，可24小時恆溫恆濕維持亭內舒適溫濕度。第四是「獨立潔淨」，檢疫亭潔淨度為Class 1000無塵室等級，優於醫院外科手術室；而類似電話亭獨立設計可減少相互感染疑慮。第五個特色是「組裝迅速」，檢疫亭組裝僅需兩天，利於快速布建。 工研院正壓式檢疫亭內裝設冷暖氣機達成節能舒適特色，24小時恆溫恆濕維持亭內舒適溫濕度。 臺大新竹生醫園區分院院長余忠仁說，正壓式檢疫亭能夠有效杜絕醫護人員與病患交叉感染風險，而且也不需再穿著全套式防護衣，省下耗時耗力的穿脫時間，讓醫護人員可以放心將手伸進病人口中取得咽喉檢體，甚至可近距離與患者進行問診等動作。面對未來可能出現的疫情狀況，正壓式檢疫亭可大大提高醫療院所的篩檢能量。 工研院正壓式亭檢疫亭，站上防疫第一線守護醫護人員。(左到右) 工研院生醫所所長林啟萬合影，工研院副院長彭裕民，以及工研院綠能所所長王人謙。​ 新竹馬偕醫院醫務部主任蔡維謀表示，工研院開發的正壓式檢疫亭，不只是從工程師角度出發，而是與第一線採檢醫生討論，蒐集採檢可能遭遇的問題後，找出解決方案融入設計當中，符合實際採檢需求，讓醫師與受檢者可以在安全、安心且舒適的情形下進行採檢。 工研院從目前採檢的問題出發，改良出具五大特色的正壓式檢疫亭。其中正壓設計及潔淨度，均需藉風機濾網組件發揮功效；關鍵在於如何讓亭內正壓值、溫度控制、潔淨度、節能彼此不衝突，達成最佳化智慧調控。工研院團隊也藉17年前嚴重急性呼吸道症候群(SARS)時，打造負壓隔離病房的經驗，建置溫度恆溫，正壓值又能維持的節能循環氣流比例。同時，藉著濾網把外氣除汙淨化，創造亭內Class 1000無塵室等級。 工研院生醫與醫材研究所所長林啟萬則指出，正壓式檢疫亭目前已在臺大新竹生醫分院、新竹馬偕醫院進駐，可替代原來的臨時檢疫所，其組裝迅速的特色，非常適合因應邊境篩檢能量快速建置，成為防疫守門員。依現行邊境情境，人員入境後會進入篩檢站分流並確認身份、量體溫、詢問旅遊史、症狀，若有採檢需求，則進入檢疫亭採檢，未來搭配工研院的疫開罐達成採檢及檢測一條龍的模式，全程僅需１小時10分鐘就能完成，不但減少受測者等待與檢測時間，也讓醫療人員採檢更安全。

國際半導體產業協會(SEMI)公布2020年第二季更新版「全球晶圓廠預測報告」(World Fab Forecast)，2021年將是全球晶圓廠標誌性的一年，設備支出增長率可望來到24%，達到677億美元的歷史新高，比先前預測的657億美元再高出10%，所有產品部門都將出現強勁成長。記憶體廠設備支出領先全球半導體各部門，預估達300億美元，先進邏輯製程和晶圓代工廠(Logic and Foundry)則以總投資額290億美元位居第二。 3D NAND記憶體為這波支出增長注入強勁動能，今年投資額將激增30%，2021年預計也有17%的高成長。DRAM晶圓廠投資額將於2020年下滑11%後反彈，明年大幅增加50%；而以先進製程為主的邏輯製程和晶圓代工支出也將循類似軌跡發展，惟震盪較小，預估今年下跌11%後再於2021年增長16%。 部分產品別雖然晶圓廠整體設備支出較低，成長變動率之大卻令人印象深刻。影像感測器2020年預估可創下60%的增長，然而2021年仍保有36%的高成長率，讓人驚艷；類比及混合訊號產品2020年成長率達40%，2021年為13%；功率半導體相關投資2020年預估成長率達16%，2021年勁道更強，將大幅躍升至67%。 檢視季度同比(QoQ)支出趨勢，即可看到2020年受到新型冠狀病毒大流行所帶來的影響。全球晶圓廠設備支出2020年首季較前一季下滑15%， 但比2月預測高達26%的跌幅表現來得更好。時序進入3月，一些公司明顯已積累了安全庫存，作為疫情蔓延下的因應對策，世界各地亦紛紛施行居家隔離命令，清空辦公室、購物中心及學校等地以防制病毒擴散。 隨著疫情持續升溫，對筆記型電腦、遊戲主機和醫療照護應用等IT及電子產品的需求也同時激增。另外，市場擔憂針對銷往中國的半導體設備恐受6月下旬生效的禁令影響，部分公司所實施的庫存管理措施預計將持續至第二季。  

瑞薩電子宣布新一步通路策略調整，為整合在中國和亞太地區的通路，以調整公司的綜觀市場策略。瑞薩決定終止與大聯大集團的經銷關係，並與文曄科技建立更密切的策略合作。瑞薩感謝與大聯大的合作，及其過去在產品線上的努力耕耘，但終止大聯大集團的經銷關係將使瑞薩能夠將精力集中在安富利(Avnet)、台灣創先電子和文曄等三大經銷商上。而這三大經銷商也將成為凌駕其他本地經銷商之外的全球經銷合作夥伴。 文曄董事長兼執行長鄭文宗表示，很高興能擁有瑞薩微控制器、微處理器、 SoC、類比、電源以及整合的參考設計解決方案等豐富的產品線做為我們的主力代理產品之一。瑞薩豐富的產品組合中包含了許多具有領導地位的高度差異化產品和生態系統合作夥伴解決方案，使我們能夠提供更多的產品品項，並滿足客戶的市場和應用需求。 瑞薩電子資深副總裁 Chris Allexandre則指出，該公司不斷精簡全球的經銷網絡，使我們能夠專注於文曄科技等少數更具戰略意義的合作夥伴，以強化瑞薩電子的成長策略。我們持續發展的經銷商策略轉型和重點的專注，使瑞薩能夠在泛用市場上贏得更廣泛的客戶群，並投入更多資源來創造需求。透過精簡電腦運算及伺服器產品 的經銷體系，我們將能夠為亞洲客戶提供更高水準的服務。