- Advertisement -
首頁 首頁Top區塊

首頁Top區塊

- Advertisement -

資料科學/電子工程攜手 AI智慧醫療影像判讀加速診斷

新冠疫情爆發促使智慧醫療成為熱門議題,人們期望新科技有助於強化醫療效率及資源分配。醫療科技現正進入整合大數據與人工智慧的階段,許多醫師或醫療單位意識到醫療智慧化的需求,認為人工智慧(AI)的影像辨識技術可以協助醫療人員做決策,並提升診療的精確性及效率,因而紛紛投入AI相關的研究,或者與研發團隊合作,期望達成診斷的品質/效率/醫療資源分配最佳化的目標。而AI進入醫療體系的同時,智慧醫療的研發則面臨資料搜集、臨床的落地應用與法規限制等重大挑戰。 醫師主動學習AI 望診斷品質提升 處於醫療現場,許多醫師與醫療團隊感受到科技需求,主動進修並學習AI,走向智慧醫療。成大醫學資訊所特聘教授蔣榮先原是主攻人工智慧的資料科學家,因曾在成大醫學院兼課,開啟醫療領域的大門,以資工及AI的角度分析醫療資料。現在蔣榮先的醫學資訊研究室裡有16位醫生前來進修博士,希望透過AI提升醫療診斷品質。 圖1 成大醫學資訊所特聘教授蔣榮先說明,AI可以幫助診斷品質不受人為因素影響,而能隨時保持穩定與精準 目前全國只有五間大學設立醫學資訊研究所,蔣榮先分享,但是台灣很需要資訊及醫療的跨領域人才,藉由AI技術量化醫生經驗,才能形成一套醫療決策系統,幫助診斷品質不受人為因素影響,而能隨時保持穩定與精準,全面提升醫療品質。在醫療影像方面,導入AI可大幅提升影像的判讀速度,協助醫師救治更多病患以外,還能在特定情況下確保傷患在短暫的黃金時間內得到應有的治療。 針對醫師診斷的應用,蔣榮先描述急診室的模擬情境。如果一個可能腦出血的車禍傷患被送進急診室,需要先拍攝X光及斷層掃瞄,由放射科醫師透過影像診斷病患是否出現主動脈剝離的病徵,若是確定主動脈剝離,則需要通知急診醫師,並在幾分鐘的黃金時間內注射藥物使動脈收縮,以免發生中風。腦出血的黃金治療時間非常短暫,但是急診與放射科醫生需要同時診斷多位病患,若是未能即時發現車禍傷患需要注射藥物,則會造成嚴重的治療延誤。因此醫院導入AI的影像辨識程式,當傷患進入急診室並拍攝X光及斷層掃瞄後,AI可以1秒辨識主動脈狀況,若有剝離的危險可立即傳送預警簡訊給急診醫師,達到黃金時間內注射並治療的成效。 導入AI需醫療專業/資料科學/電子工程合作 面對智慧醫療的需求,科技大廠與新創團隊都針對醫療提出科技解決方案,其中國際晶片廠商NVIDIA回應醫療科技開發人員的需求開發Clara平台,在確保個資安全的前提下,向醫療單位搜集醫療影像資料,作為訓練AI的素材,同時善用其GPU快速運算的優勢,提供醫師標註影像的工具。NVIDIA亞太區健康照護解決方案架構總監黃宗祺用三角型形容AI醫療領域的三個重要角色。專業的醫療數據與資料來自醫療機構;資料科學家則熟知各種分析工具並不斷開發適用不同場景的演算法;電子工程廠商則負責提供最基礎的平台與演算法架構。黃宗祺認為,理想上三個領域的發展需要呈現均衡的正三角形,但台灣目前沒有機構的發展三者兼顧,因此跨領域合作便是發展智慧醫療的重要課題。 圖2 NVIDIA亞太區健康照護解決方案架構總監黃宗祺認為,跨領域合作便是發展智慧醫療的重要課題 NVIDIA作為三角型中的資訊平台/工具供應商,便透過醫療平台加速資料科學家的演算法開發,並協助醫師更有效率地標註醫療影像,同時在確保資安的前提下,搜集散落不同醫療機構的資料。目前台北榮總、中國醫學大學附設醫院等大型醫院已使用NVIDIA開發的工具,中醫大附設醫院也透過平台將智慧醫療的骨齡判讀服務分享給北港醫院使用。 新創/醫院合作推解方 新創團隊長佳智能與沐恩生醫團隊則都與大學的醫學研究單位合作,創業研發智慧醫療服務。長佳智能與中醫大產學合作,以全方位的醫療解決方案為核心進行多產品的研發。長佳智能研發長王帝皓分析,AI在醫療領域有三個發展方向,一是影像辨識,只要眼睛可見的診斷途徑都有AI發揮的空間。二為文字產出的醫院資料,如病歷、檢驗報告,可以透過AI協助整理與記錄,三則是基因相關的研發與檢測。三項之中以影像辨識技術最成熟,長佳智能的骨齡輔助判定系統便是應用AI快速判讀兒童的骨骼X光片,進行身高預測。 圖3 沐恩生醫技術長王淳恆表示,公司的醫師輔助平台將朝「資料不多也能做得好」的方向研發 沐恩生醫則與陽明大學臨床醫學所合作,分析醫生在導入AI過程中的幾項臨床痛點,並透過建置自動化訓練AI的工具平台,協助醫生快速開發客製化的AI模型。沐恩生醫技術長王淳恆在AI產業已有15年以上的經驗,他觀察到醫療導入AI時,常見三項痛點: 1.標記認定落差:根據不同醫生的經驗與診斷方式,使用臨床資料的目的和標註不同,不同醫生之間難有共識 2.資料受個資保護:醫院內的資料受到個資法規保護,不能帶出醫院進行AI模型訓練 3.模型不具通用性:不同機器、顯影劑、醫院等條件下,都會造成模型準確度下降 為符合醫療場域的特性,沐恩生醫開發AI輔助軟體MAIA(Medical AI Assistant),醫生只需要具備基礎AI知識,即可透過在軟體中上傳影像並標記,訓練出所需的AI模型,並運用在醫療工作中。作為醫師的個人化工具,單一醫生所能取得的資料不多,因此MAIA的研發朝著「資料不多也能做得好」的方向進行,目前只要幾千張的照片就能做出高精準度的模型,下一代的軟體預計只需要幾十張的照片即可訓練AI。 AI進入醫療領域的發揮,除了協助醫師診斷本科的病患,還能成為不同科別之間的互補角色。王帝皓在醫院是放射腫瘤科醫師,他說明臨床試驗的實際案例,當AI模型與本科醫生比賽診斷資料的準確度時,本科專業的醫生的精準度較高,但是當非本科專業的醫生與AI模型相比,AI模型的表現更出色。因此例如內科或急診醫師遇到病患出現心臟方面的問題,心臟診斷的AI模型就能協助基本的心電圖判定等工作。 圖4 長佳智能研發長王帝皓分析,AI在醫療領域的三個發展方向分別為影像/文字/基因 台灣具醫療/製造業優勢 綜觀AI在智慧醫療領域的發展歷程,王帝皓表示,影像是AI領域發展得最早也最成熟的技術,因此現在許多的智慧醫療產品/服務皆從影像辨識出發,進一步走向其他方面的醫療應用。聚焦台灣智慧醫療發展的優勢與挑戰,黃宗祺認為,在優勢方面,台灣雖然人口基數較小,醫療資料搜集的總量雖不如人口大國,但是醫療人員專業度在全球名列前茅,因此能夠擁有高品質的資料標籤,有利於AI模型訓練。另一方面,軟、硬體技術也是台灣在智慧醫療領域的優勢之一,然而好的產品仍需健全商業模式的支持,台灣市場小且缺乏共享服務的相關經驗,若能在智慧醫療方面與東南亞或鄰近國家合作,將開拓更多的可能性。 此外,觀察影響智慧醫療研發的外部因素,王帝皓提到台灣法規對於AI與智慧醫療的限制。AI醫療的技術需要法規迅速更新才能擁有發展彈性,但是目前AI模型經過訓練可持續優化,無法解釋AI的判斷邏輯或演化過程,未知的演算過程如同無法解釋的黑盒子,造成監管單位的疑慮,加上國際對AI醫療相關的認定尚未統一,因此若台灣的智慧醫療團隊想出海,便必須逐一通過各國規範。所幸具代表的醫療認證FDA/TFDA已逐步受理AI醫療產品的申請,盼台灣政府與業界持續溝通,尋找創新與嚴謹之間的平衡,以法規支持AI醫療發展。
0

汽車產業加快導入先進製程 台積電推7奈米矽智財平台

台積電(TSMC)日前宣布推出7奈米汽車設計實現平台(Automotive Design Enablement Platform, ADEP),協助客戶加速人工智慧推理引擎、先進駕駛輔助系統以及自動化駕駛應用的設計時程。台積電自2018年開始量產7奈米技術,擁有充足的良率學習與品質保證經驗,能夠提供滿足汽車應用日增的高度運算需求的先進製程,同時符合嚴格的耐用性與可靠性要求。 圖 台積電日前宣布推出7奈米汽車設計實現平台。來源:台積電 台積電研究發展組織技術發展資深副總經理侯永清表示,汽車應用向來要求最高的品質水準,隨著先進駕駛輔助系統及自動化駕駛的出現,強大且高效的運算能力變得不可或缺,以驅動人工智慧推理引擎進行道路與交通感測,進而協助駕駛迅速做出決定。台積電擁有豐富的7奈米量產經驗與完備的設計生態系統,滿足市場上對於更高安全性且更智慧化汽車的嚴格要求。 台積電汽車設計實現平台已獲得ISO 26262功能性安全標準的認證,涵蓋標準元件、通用型輸入輸出(GPIO)以及SRAM基礎矽智財,皆奠基於台積公司多年的7奈米生產經驗,支援堅實的設計並獲取首次投片即成功。此外,台積電基礎矽智財已通過AEC-Q100第一級規格的驗證,提供客戶多層品質保證。製程設計套件及第三方矽智財廠商的支援亦已到位,可進一步專注推出差異化的產品。 除了健全的汽車矽智財生態系統,台積電晶圓廠取得IATF 16949認證,提供汽車服務套件(Automotive Service Package)以支援晶圓製造,內建零缺陷思維(Zero Defect Mindset),進而強化管控使元件製造達到汽車零件等級的每百萬缺陷數(DPPM)目標,生產期間的安全投產專案(Safe Launch Program)也能夠確保成功推出新產品。
0

AIoT應用含苞待放 邊緣推論晶片迎來戰國時代

相較於AI雲端訓練領域的蓬勃發展,邊緣推論則像是一片含苞待放的花園,各式各樣爭奇鬥艷的花朵準備盛開,智慧物聯網AIoT應用破碎化,很少有一個應用可以像過去主流應用一樣每年創造數億或10幾億出貨量的產業規模,每個應用的需求又各自不同;不過,業界估算整體AIoT產業的規模至少數十億甚至上百億,邊緣推論晶片未來幾年產業發展潛力十足。 目前人們生活中的絕大部分應用都需要機器學習(Machine Learning, ML)及邊緣運算解決方案,如語音辨識、人臉識別、符號偵測與定位、車牌辨識等。大多數應用場景需要即時的用戶互動與反應,強調能在地處理解決問題,而毋需將數據傳遞到雲端並進行運算,透過邊緣運算可以降低雲端運算的負擔,也可以解決延遲性、安全性和可靠性的問題。 AI聲音/影像應用推陳出新 由於AI演算法與處理器能力持續提升,超高影像解析度(Super Resolution)、準確的物件偵測(Object Detection)、影像分類功能(Images Classification)、快速的語音翻譯功能(Speech Translation)在過去一年獲得大幅進展。Arm首席應用工程師沈綸銘(圖1)提到,AI為使用者帶來更好的使用體驗。例如超高影像解析度能讓使用者掌握影像細節,大幅提升觀賞影片的體驗;Avatars效果能讓使用者在自拍時使用有趣的即時動畫效果;相機的智慧夜拍模式,則讓光源控制更輕鬆,在低光源下拍攝也能媲美日拍一般清晰;此外運用生物辨識技術的臉部辨識與解鎖功能,能讓消費者使用手機付款時更安全更便利。 圖1 Arm首席應用工程師沈綸銘 沈綸銘進一步提到,除了超高影像畫質能提升觀影體驗,AI也能強化整體的聲光環境,例如偵測影視內容所需,調整或放大聲量,或者對應室內光線環境,調校顏色對比與鮮明度;還能為家中有小朋友的家長把關,當偵測到電視前方有小朋友,電視會自動停止播放不適合的影視內容,以上這些功能或多或少都有AI的協助。 觀察AI專用晶片進程,沈綸銘認為,未來產品將朝向分眾市場發展,根據各式需求,像是算力、功耗、軟體大小、軟體開發框架等而有不同的發展趨勢。以嵌入式系統為例,市場上需要在少量功耗增加下提供有效率的運算處理。相對的,以自駕車系統為例,市場上則需要可延展的AI運算加速器,以及通用性的軟體開發。 邊緣推論講算力拼省電 卷積神經網路(Convolutional Neural Network, CNN)是這波人工智慧技術發展的起點之一,也是目前發展成熟度最高的技術,其對影像辨識效果最佳,應用也非常廣泛;過去幾年在指紋辨識領域取得領先地位的神盾(Egis Technology),也將原先的核心技術與AI結合,神盾新技術研發處副總經理林郁軒(圖2)表示,以智慧型手機指紋辨識功能為例,透過邊緣AI的協助,在辨識時毋須喚醒應用處理器也無須聯網,對整個系統的耗電與反應速度大有幫助。 圖2 神盾新技術研發處副總經理林郁軒 神盾從指紋辨識起家,為了優化指紋辨識的效能而導入AI,再從指紋的影像辨識往人臉、行為、動作等各式影像辨識技術發展,林郁軒解釋,邊緣運算尤其是行動終端或AIoT類的產品,除了算力還會比較每瓦的TOPS,導入AI也不能犧牲電源效率,這應該也是未來邊緣推論晶片競爭的重點。以神盾現在的解決方案來看,每瓦約可提供1~2TOPS算力,預計年底將提升到3TOPS,2021年則將推出20TOPS的解決方案。 未來幾年,對於ASIC廠商而言,與客戶深入溝通,將需求明確定義,是非常重要的關鍵,林郁軒認為,這樣才可以透過專用演算法與電路的設計,提高晶片的每瓦TOPS。而在推論的精度上,一般而言精度越低效率越好,所以也有滿多設計會導入可調式精度架構,讓精度與效率可以依應用調整。 AI系統效能為更可靠指標 針對AI算力已經成為效能指標的代名詞,在台灣可以被稱得上是人工智慧「獨角獸」的耐能智慧(Kneron),該公司董事長劉峻誠(圖3)指出,算力就跟CPU的處理速度一樣,只是AI晶片的運算能力,並不能代表整個系統效能,一味追求TOPS或是每瓦TOPS的數字表現,容易陷入迷思。耐能於2019年推出KL520晶片,具備「可重組式人工智慧神經網路技術」,會根據不同任務進行重組,減少運算複雜度,保證在不同的卷積神經網路模型上的使用,無論是模型內核(Kernel)大小的變化、模型規模的變化,還是影像輸入大小的變化,都能保持高效率使用運算(MAC)單元。 圖3 耐能智慧董事長劉峻誠 劉峻誠並提出「Edge AI Net」的概念,透過AI晶片,能夠將生命賦予終端設備,實現去中心化、離線本地處理、主動智慧等目標。一般而言,目前的AI網路如CNN、遞歸神經網路(Recurrent Neural Network, RNN)或長短期記憶(Long Short-term Memory, LSTM)網路,都是由卷積、剪枝(Pruning)與矩陣乘法器組成,耐能的晶片可以因應不同應用需求進行網路重組,所以一款晶片可支援多個不同網路架構,並組成Edge AI Net,讓算力共享,而能達成1TOPS算力,創造3TOPS效率的效果。 2020年下半年耐能計畫推出新款的AI晶片KL720,具備可堆疊式設計,可因應網路效能需求大幅提高算力,也不放棄個別晶片的每瓦TOPS,同時進一步將Edge AI Net概念具體實現,以「Kneo」的名稱推廣其智慧物聯網AIoT概念。從2019年發表KL520開始,已經有數百萬顆晶片的出貨量,未來這些產品都將是一個網路節點,有機會成為AI時代最具影響力的架構。 邊緣推論晶片大發生 在PC與行動通訊時代,最後都只剩少數晶片大廠主導市場,如英特爾(Intel)、AMD與高通(Qualcomm)、聯發科(MTK)。AI目前是百花齊放的時期,會不會延續之前的發展模式還很難研判,但競爭的激烈程度可以想見;恩智浦(NXP)AI晶片專注於邊緣運算晶片和終端產品晶片。恩智浦半導體大中華區業務行銷資深經理黃健洲表示,於邊緣運算和閘道,提供如i.MX處理器和Layerscape處理器並加強NN/ML加速器運作為目標,提供更快的反應時間,而毋需連接到網際網路執行機器學習推論並提高隱私和安全。 除了開發人工智慧晶片外,恩智浦還打算為使用者提供完整的生態系統,建立開發環境,推出邊緣智慧(eIQ)SDK工具,用於收集資料庫和開發工具,建構MCU/MPU的機器學習應用程式,如i.MXRT10xx與i.MX8M Plus應用處理器。 而在行動通訊時代取得重大成功的Arm,同樣積極發展AI解決方案,沈綸銘說,Arm...
0

AI異構運算工作負載有解 HBM/運算加速相得益彰

近年來,異構運算(Heterogeneous Computing)逐漸興起,進而拓展了後摩爾定律時代在加速運算密集型工作負載方面的創新。當前資料中心產業中,普遍採用異構運算進行加速的工作負載種類繁多,包括人工智慧、即時視訊轉碼和基因組分析,而這些僅僅是其中的一部分。FPGA元件則為現代資料中心工作負載提供了靈活應變能力和運算加速能力。 然而,在很長的一段時間內,DDR記憶體架構的演進並不足以跟上運算加速領域的創新步伐。在過去十年中,雖然平行記憶體介面的頻寬性能得到改善,但進展依然緩慢;現在的FPGA支援的最大DDR4資料速率仍然只有2008年DDR3的兩倍左右。相比之下,自2008年以來,FPGA的運算能力卻提高了近八倍,而且隨著配備AI運算單元的元件推出,預計未來兩年內還會有更大的成長空間(圖1)。因此,在資料中心領域,記憶體頻寬與容量將成為眾多運算和記憶體頻寬密集型工作負載發展的主要限制因素。 圖1 FPGA運算性能成長與DDR頻寬提升比較   HBM2提升AI運算效能 HBM(High Bandwidth Memory)是一種高速的系統級封裝(SiP)記憶體技術,它使用垂直互聯的DRAM晶片堆疊和一個寬(1024位元)介面,與採用傳統打線接合封裝的記憶體產品相比,可實現更大的儲存容量和更高的資料頻寬。聯合電子裝置工程委員會(Joint Electron Device Engineering Council, JEDEC)在2013年開始啟用初代HBM標準,2016年1月,第二代HBM2版本成為業界標準(圖2)。 圖2 HBM和2.5D結構 HBM2標準支援4個或8個8Gb DRAM裸晶逐個堆疊在一起,由一個2.5D矽中介層(Interposer)提供支援,該中介層可將記憶體堆疊與底層電路板連接起來。堆疊一些裸晶(通常是記憶體)而不是其他裸晶(通常是處理器)的多晶片封裝被稱為2.5D元件。 可以將多個堆疊整合在同一個封裝中。與傳統的多晶片DRAM產品相比,透過在一個電路板上堆疊多個裸晶並將其堆疊得更緊密,可以大大減少HBM記憶體封裝的占板面積。由於縮短了訊號在設備之間的傳輸距離,HBM技術還可以提高系統性能。此外,較短的傳輸距離可以減少傳輸定量資料所需的能量(圖3)。 圖3 HBM裸晶堆疊技術 HBM具備先進的矽穿孔(Through Silicon Via, TSV)技術、微尺度互聯和突破極限的I/O數量,可以增加記憶體頻寬,與競爭對手相比,在用於繪圖卡的圖形雙數據速率(GDDR)記憶體方面,HBM無疑能提供更高性能。在元件級別,單個三星HBM堆疊可以提供高達307GB/s的資料頻寬,實現比GDDR5晶片快近10倍的資料傳輸速度。而在系統級別,與使用於GDDR的解決方案相比,HBM則能提供近3倍的輸送量,並且能將功耗降低80%,同時還可以節省寶貴的電路空間(圖4)。 圖4 HBM與GDDR頻寬比較 支援HBM的Virtex UltraScale+ FPGA提高了記憶體頻寬,例如,兩個三星HBM2記憶體堆疊可提供高達460GB/s的速度。將一個或兩個HBM2堆疊與各種尺寸的FPGA邏輯和DSP進行配對,為使用者應用選擇較佳的運算能力與記憶體頻寬/容量組合。如賽靈思(Xilinx) Alveo U280網路加速卡基於16nm UltraScale+架構,採用8GB三星HBM2,可為資料庫搜索與分析、機器學習推論及其他記憶體限制應用提供較高等級的加速功能。本文以深度神經網路與資料庫加速方面的研究為例,展示了支援HBM的元件優勢。 加速語言翻譯準確性 各種雲端應用正在提供自動即時語言翻譯服務,這種服務可以使用基於神經網路的機器學習方法在兩種語言之間翻譯語句。編碼器-解碼器架構推動了當今的商業自動化翻譯服務。在使用機器執行翻譯任務時,兩種語言的單詞經由一個稱為單詞嵌入的過程,以高維向量的形式呈現;因此,單詞之間的關係可以通過向量進行量化建模和反映。遞迴神經網路(Recurrent Neural Networks, RNN)、卷積神經網路(Convolution Neural Network, CNN)和基於注意力的模型等結構通常用於執行編碼和解碼功能。 近期研究表明,在語言翻譯中,只有採用基於注意力的網路才能達到業界一流的準確性。研究論文中所描述的注意力機制,即縮放點積注意力,是由兩個矩陣乘法和其他函數(Scale、Mask和Softmax)構成的。多頭注意力結構通常由多個並行的縮放點積注意力與不同的輸入投影構成。該結構與前饋網路共同用於構建整個語言翻譯模型的解碼器和編碼器(圖5)。 圖5 基於注意力的神經網路語言翻譯模型 如圖5所示,基於注意力的語言翻譯模型的主要運算強度來自於對縮放點積注意力和前饋網路的點積計算。這些點積通常被組合到矩陣乘法計算,以實現更高效的運算。然而,與傳統在整個空間中大量重複使用權重參數以減少資料移動痕跡的卷積神經網路不同,這種基於注意力的模型幾乎不重複使用輸入空間參數,導致對矩陣乘法計算的記憶體頻寬要求要高得多。 透過建立一個轉換器分析模型,其是用於語言翻譯的注意力神經網路,並且已經完成了構建與映射以便在UltraScale+元件上實現。FPGA實現方案的架構採用DSP脈動陣列來執行矩陣乘法。中間的啟動資料儲存在晶片的URAM中,可以消除啟動造成處理器和晶片外記憶體之間的資料移動。HBM或DDR用於儲存所有嵌入字典的單詞嵌入與權重參數。 針對具有不同句子長度(L)和句子數量的英德翻譯任務,也稱為批次處理大小(B),對其進行分析就可以瞭解附加DDR的元件和支援HBM的元件的時間延遲(Time...
0

再生能源帶動儲能需求 電池儲能系統最具冠軍相

能源諮詢機構伍德麥肯茲(Wood Mackenzie)日前發表研究報告指出,隨著再生能源的發展,基於電池的儲能系統(ESS)將出現強勁成長。直到2030年,甚至更久以後的未來,基於電池的儲能系統,裝置容量都將超越其他儲能設備。報告中預測,在歐洲的五大主要電力市場(英國、德國、法國、義大利和西班牙)中,儲能電池的裝置容量將會從2020的3GW增加到26GW。 未來電池靈活性及輸電網的需求劇增。來源:Unsplash   隨著發電方式由火力與核能逐漸轉變為風力、太陽能發電,加上汽車也朝電動車演進,將帶來大量突發性的電力需求,因此電力產業迫切需要更靈活、更有彈性的電力基礎建設。 伍德麥肯茲分析師Rory McCarthy認為,在2020~2030年間,眾多的尖峰負載發電廠將在2020年競爭彈性電力的市場大餅,並創造更完善的再生能源系統。但是到2030年以後,由於大容量儲能電池價格大幅下降,尖峰負載電廠的數量將很難再有所成長。尖峰負載發電廠主要是由燃油、燃氣火力發電廠所組成,其升降載速度快,可以很靈活地隨著電力需求增減而調整其發電量。不過,也因為這類電廠需燃燒化石燃料,因此燃料價格,稅金與二氧化碳排放都會增加供應商的營運成本,而在此同時,儲能電池的成本自2010年以來,已經下降了85%。
0

全球手機銷售量重摔 前五大品牌僅小米成長

市場調查及研究機構Gartner最新研究報告指出,受武漢肺炎疫情衝擊,蘋果和多數中國手機廠商都因工廠臨時關閉受到嚴重影響,導致全球智慧型手機市場遭遇有史以來最嚴重的下滑。2020年第一季全球智慧型手機出貨量2.99億支,較2019年同期減少20.2%。前五大品牌中,只有小米手機出貨量較2019年同期小幅成長1.4%,其他品牌的出貨量均出現下滑,其中又以華為跌幅最深,衰退27.3%。 小米之所以能逆勢創造成長,主因在於該品牌的主要銷售市場為印度,並在當地設有組裝產線。武漢肺炎在印度的疫情,直到第一季末、第二季初才開始顯現,因此小米第一季的銷售並未受到太大影響。但目前印度的肺炎疫情仍相當嚴重,小米能否在第二季維持同樣亮眼的表現,還有待觀察。  
0

滿足新世代記憶體需求 三星擴建NAND Flash新廠

三星(Samsung)日前規畫在韓國平澤新建工廠,提升NAND快閃記憶體產能,以滿足市場快速成長的NAND快閃記憶體需求。建廠的工程從2020年五月開始,將為三星2021年量產V-NAND的目標鋪路。 圖 三星日前規畫在韓國平澤新建工廠。來源:三星 三星18年來累積豐富的NAND快閃記憶體技術,而最近一項創新即是去年七月推出第六代的V-NAND 。為了2021年量產V-NAND 的計畫,三星在韓國平澤建造新工廠,專門生產V-NAND。 隨著數位應用普及,三星透過持續投資抓緊商機,其NAND快閃記憶體生產據點從韓國華城、平澤擴張到中國西安,平澤的廠區以新一代的記憶體技術為主軸,設有兩條大規模產線。在人工智慧(AI)、物聯網(IoT)及5G共同開啟工業4.0的趨勢下,新增的產能將會在滿足NAND快閃記憶體的中長期需求方面扮演重要角色。
0

美國半導體協會遊說政府投資370億助發展

美國半導體協會(SIA)代表美國半導體產業95%的廠商,向聯邦政府強力遊說,爭取370億美元的資金補助,用以補貼建廠與研發等經費,確保美國半導體廠的競爭力領先於受政府高度補貼的中國廠。SIA總裁暨執行長John Neuffer針對近日政府提出在亞利桑那州興建晶圓廠的計畫發表聲明。 圖 SIA向聯邦政府爭取370億美元的資金補助。來源:SIA John Neuffer表示,有鑒於世界其他國家正在緊急投資其半導體產業,我們需要強力理解情勢的美國政府承諾投資美國的晶片廠商,以增加國內的半導體產量。期待未來與美國政府攜手制定並執行投資策略,推動產業成長。 據華爾街日報指出,SIA提議投入50億美元的聯邦資金興建一座半導體工廠,由政府與民間企業共同融資與經營,同時將150億元分配到補貼各州未來新建工廠所需的設備,並再提撥170億元用於研發支出,共計370億美元。對此,美國商務部長羅斯及國務卿龐培歐正在擬定可行方案,雖然提案需經修改才可會通過,但仍推動國會正視半導體業的投資需求。
0

製程升級/專用化/改架構 AI訓練/推論晶片算力攀升

人工智慧(AI)在經過幾年熱潮後逐步落地,過去強調AI準確性的做法,轉變為追求效率,而「算力」似乎成為AI晶片效能最容易理解的指標,TOPS(Tera Operations Per Second)或TOPS/w慢慢成為產業共識,儘管構成算力的條件很多,AI執行效能也非僅從算力就能完全判定。進入所謂AI 3.0的時代,資料運算複雜性持續提升,但希望在有限的資源下達成最佳化管理的目標,算力就是系統效能最初步/簡易的判別指標。 另外,AI針對不同場景與任務,可以分為雲端(Cloud)與邊緣(Edge)、訓練(Training)與推論(Inference),為了提升效能表現,這四類工作走向專用與分流,處理雲端訓練的晶片依然強調運算能力,希望能以資料處理量為重點,然而在另一端的邊緣推論則可犧牲部分精度,以求在最低的功耗下獲得可接受的結果,在強調運算與講求耗電的兩種需求就像是光譜的兩端,加上雲端推論與邊緣訓練,為AI晶片畫出四個明確的專用分流路線。 AI晶片分流專用成趨勢 1TOPS代表處理器每秒鐘可進行一萬億次(1012)運算。每秒浮點運算次數(Floating-point Operations Per Second, FLOPS)是每秒所執行的浮點運算次數,代表AI網路資料處理能力。整數運算則是使用在推論上,8位元整數(INT8)逐漸成為邊緣推論的主流,工研院產科國際所產業分析師范哲豪(圖1)認為,準確度更高的INT16與INT32,只出現在某些特殊應用,部分單純的應用更僅要求四位元或二位元精度。 圖1  工研院產科國際所產業分析師范哲豪 根據2018年中國清華大學的「2018人工智慧晶片技術白皮書」,將AI晶片分為三類,第一類是經過軟硬體優化可高效支援AI應用的通用晶片,如GPU、FPGA;第二類是專門為特定的AI產品或應用而設計的ASIC晶片,主要側重加速機器學習,尤其是神經網路、深度學習,目前智慧物聯網AIoT的終端應用出現越來越多這類晶片;第三類受生物腦啟發設計的神經形態運算晶片,這類晶片不採用經典的馮紐曼架構(Von Neumann Architecture),模擬人類神經元的運算模式,可以大幅提升算力。 大致說來,第一類通用型AI晶片是以雲端訓練為主,代表性廠商就是NVIDIA、Intel、Xilinx、Qualcomm這類大廠。第二類專用型的晶片以邊緣推論為主,廠商則是百花齊放,老將與新星並陳,許多原來發展ASIC的廠商與乘著AI浪潮興起的「獨角獸」都發展這類晶片。范哲豪提到,第三類神經網路晶片則是未來趨勢,像IBM或美國國防高等研究計畫署(DARPA),還有一些學校、知名技術實驗室已積極研發相關技術。 科技產業投入AI晶片前仆後繼 AI晶片是2019年半導體的投資熱點,工研院資通所嵌入式系統與晶片技術組長盧俊銘(圖2)指出,雲端以訓練為主,邊緣推理應用廣泛,因此出現雲端有訓練,邊緣有推理的說法,許多新創業者嶄露頭角;而處理器龍頭Intel繼2016年4.08億美元併購Nervana之後,2019年底再度以20億美元併購以色列AI晶片廠商Habana,同時擁有CPU、GPU、FPGA、AI專用推論與訓練晶片,具備最完整的AI產品線,展現進軍此領域強大的決心。 圖2  工研院資通所嵌入式系統與晶片技術組長盧俊銘 范哲豪強調,AI演算法、運算力、資料是AI三大要素,所以Google、Amazon、Microsoft、Facebook、阿里巴巴、百度等網路服務大廠也積極投入開發資料中心伺服器專屬的AI晶片或邊緣處理器。另外,恩智浦半導體大中華區業務行銷資深經理黃健洲(圖3)說,AI雲端晶片特點在於運算和圖形處理能力,並提供安全的客戶解決方案、應用和設備管理環境;邊緣端的優點則是保障隱私、改善用戶體驗、高可靠性的應用需求。 圖3  恩智浦半導體大中華區業務行銷資深經理黃健洲 而訓練則是透過量化等為更精確的訓練模型生成提供動力,訓練模型經過非常縝密的計算而且時間密集。黃健洲認為,需要更多資料遷移和AI引擎被創造出來為RTOS或低功耗電池平台提供輕量與靈活的訓練模型,以導入邊緣運算。推論(如Arm推出的Arm NN、Arm CMSIS-NN、OpenCV等)的趨勢則以提高卷積、匯集、動作等功能。 AI新架構成長期發展重點 為了提高AI晶片效能,算力成為關鍵指標之一,范哲豪解釋,傳統的CPU採用序列式運算,AI處理器則著重平行式運算,AI的運算與資料關係密切,資料介面頻寬成為運算的瓶頸之一,於是近來有更多解決AI運算時資料存取瓶頸的技術被提出,包括升級記憶體頻寬、讓處理器與記憶體靠的更近的近記憶體運算(Near Memory Computing)、運算單元與記憶體整合的記憶體內運算(In Memory Computing)等。 多年來資訊運算與處理都是依循傳統的馮紐曼架構,運算與儲存單元分開,范哲豪進一步說明,無論是CPU、DSP或GPU都是單獨處理運算,需要資料再從記憶單元呼叫,而在AI發展的過程中,運算單元不斷提升處理能力,資料匯流排頻寬沒有隨之擴充或追不上運算提升的程度,AI運算需要在運算同時取用資料,為了使AI運算最佳化,重新發展晶片的架構或材料,讓運算與記憶體的取用更即時,成為技術研發的方向。 目前常見的作法是Near Memory Computing,像NVIDIA的NVLink高速GPU互連技術,可以提升GPU的互聯頻寬與記憶體的取用速度,提供50~200GB/s的頻寬。或者是減低記憶體與處理器連線距離的設計如晶圓堆疊(Wafer on Wafer,...
0

窄脈寬/高電流/低寄生電感兼具 eGaN推進車用光達應用

對於在自動駕駛和輔助駕駛等應用中為車輛提供眼睛的光學雷達系統而言,其需要短至數奈秒、甚至更窄的脈衝寬度來實現必要的距離解析度,而這類脈衝通常使用雷射二極體來產生。為了獲得足夠的距離測量範圍,峰值光功率必須要夠高。這意謂著雷射二極體的峰值電流將達到數十安培甚至數百安培。目前要產生這個數量等級的電流,通常需要使用複雜的電路及昂貴的特殊半導體元件。 圖1 典型的光學雷達系統概述   脈衝寬度/能量大幅影響距離解析度及量測範圍 ToF光學雷達通常使用近紅外(NIR)雷射二極體,即側面發射外延雷射器或垂直腔面發射雷射器(VCSEL)來實現。雷射二極體在電氣上的表現與整流器類似,當正向偏置高於某個下限電流時,它會發射出光功率與正向電流成比例的雷射輻射線。因此,如果採用脈衝電流驅動,則可以獲得雷射脈衝。雷射脈衝主要有脈衝寬度和脈衝能量等兩個關鍵選項,其分別對距離解析度和距離量程範圍造成顯著的差異。傳輸中光訊號的脈寬對光學雷達系統的距離分辨率有很大的影響(圖2),如同圖2的上圖描述從光學雷達發出的窄脈衝光訊號的情況,其中光脈衝必須傳播距離d後,才能到達目標,並被反射向後傳播至光學雷達,側脈衝發送和接收之間的時間td為td=2d/c,其中c是光在空氣中的速度,約30cm/ns。通過傳播時間td,便可以確定目標距離。圖2的下圖描述當發送更大脈寬(足夠大)的脈衝光訊號時,反射的脈衝開始重疊,此時很難區分環境中的特徵。 圖2 脈寬對光學雷達距離解析度的影響(上圖:窄脈衝使反射易於區分。下圖:寬脈衝在反射中可能會重疊,難以區分並降低距離解析度) 假設以脈寬1奈秒的脈衝電流驅動雷射二極體,此時對應脈寬30cm的光脈衝。當目標特徵接近15cm或更小脈寬時,此時接收到的脈衝訊號開始重疊,並變得難以區分。儘管各種訊號處理技術可以提高給定的脈寬的分辨率,但窄脈衝可以提供更好的固有精度,並且在實際上,人類尺度的分辨率大約要求訊號的脈寬為數奈秒或更短。 脈衝能量是確定光學雷達系統測量距離範圍的主要因素之一。對更高解析度的需求使設計朝著更窄脈衝方向發展。此時,必須增大二極體的電流,才能保持足夠的脈衝能量。典型的脈衝電流幅值在數安培到數百安培。多款雷射二極體的額定脈衝電流在數十安培的範圍內,可以在窄脈寬、大電流下運作這些雷射二極體,並獲得較高的峰值光功率。總而言之,光學雷達系統應用對雷射二極體的典型要求導致現有商用雷射二極體的峰值脈衝電流範圍從幾安培到數百安培皆有,且脈寬為1奈秒至10奈秒。 GaN挾高性能/低寄生電感雙優勢成就雷達驅動器 用於光學雷達系統的典型脈衝雷射驅動器通常使用與雷射器和電源串聯的半導體功率開關元件,其性能受寄生電感和半導體功率元件的速度所限制。在過去的十年中,極具成本效益的GaN功率FET和IC已商業化,其寄生電感明顯降低、且開關品質因數(FOM)優於等效Si MOSFET元件10倍以上。 隨著eGaN FET和IC的問世,進而能夠以簡單、小巧的電路、低成本地實現所需性能。若在給定的峰值電流能力下互相比較,eGaN FET的性能大大優於傳統Si MOSFET元件,可實現更快的開關速度,GaN技術則能夠支援短距離和遠距離光學雷達感測器的設計(圖3)。對於遠距離系統而言,GaN元件可在數奈秒內提供高達500A的大電流脈衝;GaN元件還可以為電流要求較低但仍需要窄脈衝(小於1奈秒)的短距離系統提供解決方案。GaN元件的高性能及其晶片級封裝的低寄生電感使eGaN FET成為脈衝雷射驅動器較理想的功率開關元件。 圖3 GaN元件可支援短距離和遠距離光學雷達系統 最簡單也最常見的雷射驅動器方案是共振電容放電驅動器。如圖4所示,FET Q1透過寄生電感L1和雷射器DL使電容C1共振放電。為了消除寄生電感L1帶來的影響並實現所需要的快速電流上升時間,C1需充電至相對較高的電壓(通常為25~150V),FET Q1必須能夠承受這個電壓和傳導峰值電流並在1奈秒或更短的時間內導通。eGaN FET是目前唯一可以滿足這些要求的現有低成本半導體功率開關元件。 圖4 簡化後的雷射驅動器及其關鍵波形 遠距光學雷達以大電流驅動 EPC9126和EPC9126HC是針對遠距離直接飛行時間(DToF)應用的大電流雷射二極體驅動器的演示系統,它在設計中採用宜普電源(EPC)所推薦的基本最佳布局原理來最小化寄生電感。EPC9126內建通過汽車及認證的eGaN FET EPC2212,該元件可輸出高達75A且脈寬小於2奈秒的電流脈衝到雷射器中。更大電流版本的EPC9126HC則最大可以產生150A的電流脈衝、且脈寬小於3奈秒。 兩款驅動器中都內建針對關鍵波形的感測功能,並且可以相容多種雷射器封裝形式。為了獲得最佳的性能,可以針對特定雷射器優化PCB,例如採用低電感表面貼裝脈衝雷射器OSRAM SPL S1L90A_3 A01,並與德州儀器(TI)高性能閘極驅動器LMG1020配對使用。圖5的EPC9126HC演示系統在應用中產生脈寬2.51奈秒、135A的電流脈衝時所測得的波形。 圖5 EPC9126HC性能測試波形 短距光學雷達優化間接飛行時間 EPC9144雷射驅動器演示系統針對間接飛行時間(IToF)應用進行優化,能夠產生總脈寬窄至1.2奈秒、電流高達28A的脈衝來驅動雷射二極體。EPC9144內建已經接地並通過汽車級認證的eGaN FET EPC2216,同時採用TI的閘極驅動器LMG1020來驅動。PCB設計中最大程度地降低了電源環路電感,同時保持雷射二極體或其他負載的安裝靈活性,板上還包括多個用於電壓測試的被動探頭,並配備用於輸入和檢測的MMCX連接。 此外,該電路板還設置一個能夠進行亞奈秒級運作的窄脈衝發生器,用戶可以透過移除電阻直接為閘極驅動器供電。電路板出廠時設定的工作邏輯電平為3.3V,同時也配置電平邏輯轉換器和差分接收器以適應1.8V邏輯電平或低壓差分訊號(LVDS)等不同應用情景。圖6為EPC9144演示系統以及其在應用中產生脈寬1.2奈秒、8.3A的電流脈衝時所測得的性能曲線。 圖6 EPC9144性能測試波形 車規級認證產品為雷達應用範圍 針對車規級光學雷達應用系統,EPC已發布多款通過AEC-Q101認證的產品,其中包括額定電壓80V且脈衝電流能力75A的EPC2202、額定電壓100V且脈衝電流能力75A的EPC2212、額定電壓80V且脈衝電流能力17A的EPC2203,以及額定電壓15V且脈衝電流能力28A的EPC2216,並有多款針對光學雷達應用的電晶體及IC正在進行汽車級認證。 GaN為雷射驅動器性能突破關鍵 GaN功率電晶體與IC的卓越性能,使雷射驅動器的性能得到突破性的發展。在幾平方毫米的面積上產生數奈秒脈寬的大電流脈衝,進而提供數百W功率的能力,成為製造低成本、高性能的光學雷達系統的關鍵因素之一。因此GaN功率元件進一步擴展光學雷達應用的領域,並且提高至關重要的精確度,其應用領域主要包括自動駕駛車輛及人臉識別、倉庫自動化、無人機和拓撲繪圖等其他ToF應用。目前雖仍處於GaN-on-Si功率元件技術的發展初期,但是與處於技術瓶頸期的Si MOSFET相比,eGaN FET的迅速發展,將進一步擴大其效能差距。 (本文作者為宜普電源執行長暨共同創辦人)  
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -