芯查查-电子信息产业数据引擎

35 36 37 38 39 40 41 42 43 44

Qorvo携手CGD推出高效能电机控制评估套件，革新电机控制解决方案

全球领先的连接和电源解决方案提供商Qorvo® (纳斯达克股票代码: QRVO)最近携手无晶圆厂环保科技半导体公司Cambridge GaN Devices (CGD)，合作推出了结合双方先进技术的 PAC5556A+ICeGaN®评估套件（EVK），将行业领先的电机控制和能效技术整合在一起。该EVK具有Qorvo的高性能无刷直流（BLDC）/永磁同步（PMSM）电机控制器/驱动器和CGD易于使用的ICeGaN IC性能，显著改善了电机控制应用。 PAC5556A属于Qorvo的Power Application Controller® (PAC) 产品系列，是面向电机控制和电源控制应用的单IC解决方案产品系列。PAC5556A集成了基于FLASH的高性能MCU、电源管理、高压侧和低压侧栅极驱动器以及信号调节元件。其关键性能包括：完全可编程的高性能32位微控制器集成600V DC/DC N-CH降压控制器集成600V栅极驱动器（250mA/500mA）集成PGA（3个差分，4个单端）集成DAC和比较器 UART、SPI、I2C和CAN串行接口极低功耗的全休眠模式外部元件少 PAC5556A内含150MHz的Arm® Cortex®-M4F内核MCU和128kB的FLASH，可用于实现高性能电机控制和监控应用。MCU还包含电机控制外设，如12位2.5MSPS双自动定序器ADC、带硬件死区时间插入功能的PWM定时器等。该产品包含一个集成的N-CH降压DC/DC控制器、一个5V/200mA转换器和多个LDO，用于集成电路和其他PCB系统电源的系统和电源管理组件。特定应用电源驱动器™提供集成栅极驱动器，可与外部逆变器配合使用。可配置模拟前端™ (CAFE) 提供差分和单端放大器、比较器和DAC等信号链元件。 Qorvo功率管理事业部总经理Jeff Strang表示：“氮化镓（GaN）和碳化硅（SiC）等宽禁带半导体因凭借其更高的功率密度和效率优势而被积极用于各种电机控制应用中。CGD的 ICeGaN 产品提供了易用性和可靠性，这些是电机控制和驱动设计师关心的两个关键因素。当我们的客户在体验到CGD的ICeGaN与我们高度集成的PAC5556A 600V BLDC电机控制解决方案相结合的功率时，他们反应相当热烈。” 此次合作推出的PAC5556A+CGD GaN EVK能够在低速时提供更高的扭矩和精确的控制，使其成为白色家电、吊扇、冰箱、压缩机和泵的理想选择。其目标市场包括工业和家庭自动化，特别是在需要紧凑、高效电机控制系统的应用中。

Qorvo

Qorvo半导体 . 2024-12-26 1 1340
支持“CAN FD”的TVS二极管“ESDCANxx系列”

全球知名半导体制造商ROHM（总部位于日本京都市）面向随着自动驾驶和高级驾驶辅助系统（ADAS）的发展而需求不断增长的高速车载通信系统，开发出支持CAN FD（CAN with Flexible Data rate）*1总线端口保护的双向TVS（ESD保护）二极管*2“ESDCANxx系列”。 CAN FD是车载ECU（电子控制单元）之间实时且安全的数据收发所必需的通信技术。新产品可在不使CAN FD等高速通信中的传输信号劣化的前提下，保护ECU等电子设备免受浪涌和静电放电（ESD）的影响，从而实现高品质的车载通信。 “ESDCANxx系列”有SOT-23（2.9mm×2.4mm）和DFN1010（1.0mm×1.0mm）两种封装，分别支持24V和27V的截止电压（VRWM）。SOT-23封装有支持24V的“ESDCAN24HPY”、“ESDCAN24HXY”和支持27V的“ESDCAN27HPY”、“ESDCAN27HXY”共4款，DFN1010封装有支持24V的“ESDCAN24YPA”、“ESDCAN24YXA”和支持27V的“ESDCAN27YPA”、“ESDCAN27YXA”共4款，两种封装合计8款新产品。随着自动驾驶技术和ADAS技术的快速发展，对速度更快、可靠性更高的车载通信系统的需求也随之增加。特别是自动驾驶领域，需要快速、准确地处理从摄像头、LiDAR和雷达等的传感器获取的大量信息，因此以往车载通信所用的CAN逐渐被能够更高速、更大容量地传输数据的CAN FD取代。另一方面，要想提高车载通信的速度，就必须实现在严苛环境下的稳定通信，因此对引脚间电容低、抗浪涌和钳位电压等特性优异的保护器件的需求日益高涨。因此，车载通信用TVS二极管市场预计未来将会进一步增长。为了满足这些市场需求，ROHM开发出同时实现了低引脚间电容和出色抗浪涌能力的新产品“ESDCANxx”。新产品通过优化元件结构，将引脚间电容*3降至最大3.5pF，可防止高速通信时的信号劣化。另外还实现了出色的抗浪涌特性，大大提高了车载环境中电子设备的保护性能。例如，DFN1010封装的支持27V的新产品，与支持CAN FD的同等普通产品相比，抗浪涌能力*4提高了约3.2倍，钳位电压*5也降低了约16%。这可以有效地保护车载ECU等昂贵且对浪涌敏感的电子设备，即使在严苛的车载环境中也能提供高可靠性。新产品已于2024年11月开始以月产50万个的规模逐步投入量产。前道工序在ROHM Apollo CO., LTD.（日本福冈县）进行，后道工序在ROHM Korea Corporation（韩国）等工厂进行。另外，新产品已经开始通过电商平台进行销售，通过Ameya360、Oneyac等电商平台均可购买（样品价格100日元/个，不含税）。未来，ROHM将继续开发支持车载通信系统高速化的产品，为自动驾驶和车载通信环境的发展、并为实现更安全、更先进的出行社会贡献力量。产品阵容应用示例・自动驾驶和高级驾驶辅助系统（ADAS）・汽车电动动力总成系统・车载信息娱乐系统等产品型号 SOT23封装 DFN1010封装 ESDCAN24HPY ESDCAN24YPA ESDCAN24HXY ESDCAN24YXA ESDCAN27HPY ESDCAN27YPA ESDCAN27HXY ESDCAN27YXA 术语解说 *1）CAN FD（CAN with Flexible Data rate） CAN（Controller Area Network）协议的升级版，与传统的CAN相比，数据传输速度更快，数据容量更大。在自动驾驶和ADAS等系统中，多个车载电子控制单元（ECU) 之间的实时通信需要CAN FD协议。 *2）TVS二极管（Transient Voltage Suppressor Diode）一种可保护电路免受过电压、浪涌和静电放电（ESD：Electrostatic Discharge）影响的半导体器件。TVS二极管通过吸收突发的电压和电流尖峰（浪涌），来防止电路损坏和误动作。在车载环境中，防止异常的电气波动非常重要。 *3）引脚间电容（Capacitance Between Terminals）电子元器件中产生的不必要的电容分量。如果引脚间电容较大，高速通信时信号就会劣化，因此在车载通信应用中降低引脚间电容非常重要。 *4）抗浪涌能力（Surge Current Rating） TVS二极管能够承受的最大浪涌电流值。抗浪涌能力越高，对车载环境中异常电气波动的防护能力就越强。 *5）钳位电压（Clamping Voltage） TVS二极管抑制浪涌等引起的过电压时电路内维持的电压。该电压越低，越可以有效地保护电路和设备，从而提高车载设备的可靠性。

罗姆

罗姆半导体集团 . 2024-12-25 2 1 1390
【解决方案】中微爱芯空气炸锅双锅解决方案

空气炸锅行业目前正处于快速发展阶段，市场规模持续增长，技术不断创新，产品功能日益丰富，市场需求旺盛。全球空气炸锅市场规模近年来持续增长。2022年全球市场规模为49.7亿美元，预计到2028年将达到82.6亿美元，展现出稳健的增长态势‌。随着消费者对健康饮食的重视和烹饪方式的多样化需求，空气炸锅的需求呈现出个性化、多元化等特点，产品不再局限于传统功能，而是融入了食物称重、在线食谱、自动识别食物并智能匹配烹饪温度、双锅同烤以及智能语音交互等一系列多元化功能‌。这些创新不仅提升了产品的使用体验，也满足了消费者对智能化、便捷化的需求。双锅空气炸锅作为空气炸锅为了满足市场对于食物多样性与高效率上的一种衍生产品，具有可同时烹饪多种食物的特点，对于低功率要求的双锅，也可采用双锅交替加热的方式来实现低功率烹饪。空气炸锅双锅整体解决方案根据市场调研，市面上多数双锅空气炸锅均采用全触控操作方式，常规的一个MCU+显示驱动的方式不足以满足多按键操作，故而本方案采用显示板+电源板双MCU的解决方案。其中显示板用来检测触摸按键、驱动LED显示、检测掉电电压以及发送指令给电源板MCU，显示板MCU采用中微爱芯AiP8F3512芯片，AiP8F3512是一款低功耗触摸型8051内核MCU，内置16KB FLASH ROM、1KB XRAM、256B IRAM、128B EEPROM、内部集成Timer0/1/2/5、UART和TOUCH，12bit-ADC，最多支持26路触摸通道，芯片资源丰富、功能强大，开发省力便捷；显示板显示驱动芯片采用我司的AiP1640芯片，AiP1640是一种两线串口共阴极8段16位LED驱动控制专用电路，内部集成有MCU数字接口、数据锁存器、LED高压驱动等电路，本产品性能优良、质量可靠，主要用于小家电产品的显示屏驱动；电源板根据显示板下发的指令控制加热、风机运转、蜂鸣器以及检测锅内温度和抽锅状态并将信息上传显示板，电源板MCU采用中微爱芯AiP8F3216芯片，AiP8F3216是一款低功耗8051内核MCU，内置16KB FLASH ROM、1KB XRAM、256B IRAM、128B EEPROM、内部集成Timer0/1/2/5、UART和TOUCH，12bit-ADC，满足客户需求。该款双锅空气炸锅结构简洁，成本低廉，具备掉电记忆、抽锅记忆、故障检测，过温保护、温幅范围合理，同时菜单多样化等功能需求，为居民提供最实惠，便捷的使用体验。方案特点工作电压：AC220V 50Hz 最大功率：2500W（可根据需求切换交替加热，功率减半）控制方式：触摸控制显示方式：LED 控温范围：200℃-60℃ 控温方式：PID控温，温幅可达±5℃ 保护功能：NTC故障保护其他功能：定时关机、预热、翻锅提醒方案实物/PCB 空气炸锅（双锅）实物 PCB正面 PCB反面电源板PCB正面电源板PCB反面芯片资源适用空气炸锅双锅方案的显示板MCU：适用空气炸锅双锅方案的电源板MCU：结语该款空气炸锅双锅方案，支持多菜单全触控功能，工作效率高，具备操作简单、可靠性高的特点，同时使用PID控温，温度稳定，加热效果好，是低成本空气炸锅的不二之选。

中微爱芯

无锡中微爱芯电子有限公司 . 2024-12-25 4 5 1525
4脚晶振怎么区分有源无源

晶振是一种频率元器件，广泛使用在电子产品中，例如监控设备、手机、吸尘器、智能穿戴等产品都会有晶振的存在。我们常见到的晶振有插件晶振，贴片晶振。晶振通常分为无源晶振和有源晶振两种类型，其中无源晶振为两脚，有源晶振为四脚，但是，无源晶振也有四脚；四脚无源晶振与四脚有源晶振的区别是什么，你知道吗？ · 通过引脚区分无源晶振和有源晶振 1.两脚晶振必为无源晶振，不管是插件晶振或贴片晶振 2. 无源晶振相对有源晶振厚度较薄； 3.四脚贴片晶振则需谨慎加以区分，有源晶振可以通过本身印字有左下脚（PIN1脚）有个点来区分，相反左下脚没有点则是无源晶振； 4.四脚以上的贴片晶振一定是有源晶振； 5.万用表接地端，看看对立是否有两个脚连通。以扬兴无源晶振，YSX321SL系列为例，以下是尺寸及脚位图：贴片无源晶振在四脚的情况下是没有方向，脚1和脚3为功能脚，负责频率输入及频率输出，另外的脚2和脚4则接地或者悬空，接地增强晶振在线路板上的焊接固定作用、辅助散热、满足电路设计规范等。四脚无源贴片晶振电路连接原理：电流从晶振脚1流入，脚3流出或电流也可以从脚3流入，脚1流出。因为脚1和脚3为无极性引脚，不具备方向性，不用担心贴反。以扬兴有源晶振，YSO110TR系列为例，以下是尺寸及脚位图：有源晶振引脚识别有个标记点的那一端为1脚，然后逆时针1、2、3、4以此分布。四脚有源晶振通常的用法： 1脚悬空、2脚接地、3脚接输出、4脚接电压，在1脚位置有一个点作为标识。

晶振,有源晶振,无源晶振,贴片晶振,四脚晶振

扬兴科技 . 2024-12-25 1 8940
新能源汽车电池 “爆雷” 怎么破？选对MOS很关键

一、行业背景随着人们对环境保护和可持续发展的重视，新能源汽车也越来越普及。但偶尔冒出来的新能源汽车电池爆炸新闻，也着实让人有些担忧。今天咱们重点讲讲新能源汽车电池管理系统（BMS）里的超关键 “小角色”——MOS 管，到底是如何影响电池安全，以及怎样通过MOS管来避免电池爆炸。二、电动汽车中BMS的构成 BMS 是电池组的 “智能管家”，专门用于对电池进行监测、评估、控制和管理，在电动汽车、储能设备等众多领域都起着关键作用。它的主要功能有：参数检测、安全保护、均衡管理、状态估算、通信接口、故障诊断以及热管理。在电动汽车中，BMS系统用于确保电池组的性能和安全性，监控电池的电压、电流、温度等参数，以防止过充或过放，从而延长电池寿命并保持安全。三、MOS管在电动车BMS中的应用 “把关人”精准掌控充放电在电池充放电方面，MOS 管就像是一个超级严谨的 “把关人”。充电过程中，MOS 管会根据 BMS 的 “指挥”，比如当前电压、温度，精准地控制电流的大小和通断。同样，在放电过程中，MOS 管会在电量低到一定程度时，及时 “喊停”，防止电池过度放电。要是 MOS 管选型不合适，那就可能出现大问题啦！比如，在电池充满的时MOS管没有及时切断，电池继续不断充电。或是电池过度放电后内部结构被破坏，但后续再次充电。这些都会导致出现故障，增加爆炸的风险。 “安全卫士”随时断电新能源汽车上路时，难免会遇到各种突发状况。比如遇到线路短路或者电流突然过大。这时候，靠谱的 MOS 管就得和电流检测电路配合起来了！一旦检测到电流超出了安全范围，MOS 管得迅速做出反应，瞬间切换到截止状态，就像一道坚固的防线，把危险牢牢挡在外面。但要是 MOS 管不给力，反应太慢或者根本没反应，强大的电流就会在电池组里“横冲直撞”，电池温度迅速飙升，后果不堪设想。 “调解员”助力电池均衡新能源汽车的电池组是由好多单体电池组成的，时间一长，单体电池之间就容易出现差异，有的电量多，有的电量少。这时候就需要 MOS 管进行电量均衡，利用它的开关特性，把高电量电池的 “富裕电量” 匀给低电量电池，让整个电池组保持均衡状态。要是 MOS 管出了岔子，电池组不均衡的情况越来越严重，部分电池老是过充或者过放，那整个电池组的稳定性就会变差，也容易引发爆炸危险哦。四、产品选型推荐选择合适的 MOS 管直接影响着BMS的质量把控。以下四点是MOS管选型的考量侧重点：导通电阻、耐压值、开关速度以及品质一致性。辰达半导体产品选型推荐如下 Part Number Package Bvdss (V) ID (A) RDS(ON) (mΩ) VGS=10V VGS(th) (V) Typ. Max. Min. Max. MDD15N10D TO-252 100 15 95 110 1 2.5 MDD20N06D TO-252 60 20 26 35 1 2.5 MDD30N06D TO-252 60 30 21.0 29.0 1 2.5 MDD50N06P TO-220 60 50 12.0 16.0 1 2.5 MDD50N06D TO-252 60 50 12 16 1 2.5 MDD50N03D TO-252 30 50 7.2 9 1 2.5 MDD80N03D TO-252 30 80 4.5 6.5 1 2.5 MDD90N03D TO-252 30 90 3.6 5 1 2.5 五、应用拓扑图

MDD辰达半导体 . 2024-12-25 8974
FacenetPytorch人脸识别方案--基于米尔全志T527开发板

本篇测评优秀测评者“小火苗”提供。本文将介绍基于米尔电子MYD-LT527开发板（米尔基于全志 T527开发板）的FacenetPytorch人脸识别方案测试。一、facenet_pytorch算法实现人脸识别深度神经网络1.简介 Facenet-PyTorch 是一个基于 PyTorch 框架实现的人脸识别库。它提供了 FaceNet 模型的 PyTorch 实现，可以用于训练自己的人脸识别模型。FaceNet 是由 Google 研究人员提出的一种深度学习模型，专门用于人脸识别任务。在利用PyTorch神经网络算法进行人脸图像对比的实验设置中，我们专注于对比环节，而不涉及实际项目的完整实现细节。但为了贴近实际应用，我们可以构想以下流程：1）捕捉新人脸图像：首先，我们使用摄像头或其他图像采集设备捕捉一张新的人脸照片。 2）加载存储的人脸图像：接着，从数据库中加载所有已存储的人脸图像。这些图像是之前采集并存储的，用于与新捕捉到的人脸照片进行对比。 3）构建神经网络模型：为了实现对比功能，我们需要一个预先训练好或自定义的神经网络模型。这个模型能够提取人脸图像中的关键特征，使得相似的图像在特征空间中具有相近的表示。 4）特征提取：利用神经网络模型，对新捕捉到的人脸照片和存储的每一张人脸图像进行特征提取。这些特征向量将用于后续的对比计算。 5）计算相似度：采用合适的相似度度量方法（如余弦相似度、欧氏距离等），计算新照片特征向量与存储图像特征向量之间的相似度。 6）确定匹配图像：根据相似度计算结果，找到与新照片相似度最高的存储图像，即认为这两张图像匹配成功。 7）输出匹配结果：最后，输出匹配成功的图像信息或相关标识，以完成人脸对比的实验任务。 2.核心组件 MTCNN：Multi-task Cascaded Convolutional Networks，即多任务级联卷积网络，专门设计用于同时进行人脸检测和对齐。它在处理速度和准确性上都有出色的表现，是当前人脸检测领域的主流算法之一。 FaceNet：由Google研究人员提出的一种深度学习模型，专门用于人脸识别任务。FaceNet通过将人脸图像映射到一个高维空间，使得同一个人的不同图像在这个空间中的距离尽可能小，而不同人的图像距离尽可能大。这种嵌入表示可以直接用于人脸验证、识别和聚类。 3.功能支持人脸检测：使用MTCNN算法进行人脸检测，能够准确识别出图像中的人脸位置。支持人脸识别：使用FaceNet算法进行人脸识别，能够提取人脸特征并进行相似度计算，实现人脸验证和识别功能。二、安装facenet_pytorch库 1.更新系统更新ubuntu系统，详情查看米尔提供的资料文件 2.更新系统软件 apt-get update 3.安装git等支持软件 sudo apt-get install -y python3-dev python3-pip libopenblas-dev libssl-dev libffi-dev git cmake 4.安装Pytorch支持工具 # 克隆 PyTorch 源代码 git clone --recursive https://github.com/pytorch/pytorch # 进入 PyTorch 目录 cd pytorch # 安装 PyTorch (需要根据你的需求选择 CUDA 版本，如果不需要 GPU 支持则不需要 --cuda 参数) pip3 install --no-cache-dir torch -f https://download.pytorch.org/whl/torch_stable.html # 测试 PyTorch 安装 python3 -c "import torch; print(torch.__version__)" 5.安装facenet_pytorch pip3 install facenet_pytorch 三、CSDN参考案例 1.代码实现 ############face_demo.py############################# import cv2 import torch from facenet_pytorch import MTCNN, InceptionResnetV1 # 获得人脸特征向量 def load_known_faces(dstImgPath, mtcnn, resnet): aligned = [] knownImg = cv2.imread(dstImgPath) # 读取图片 face = mtcnn(knownImg) # 使用mtcnn检测人脸，返回人脸数组 if face is not None: aligned.append(face[0]) aligned = torch.stack(aligned).to(device) with torch.no_grad(): known_faces_emb = resnet(aligned).detach().cpu() # 使用ResNet模型获取人脸对应的特征向量 print("\n人脸对应的特征向量为：\n", known_faces_emb) return known_faces_emb, knownImg # 计算人脸特征向量间的欧氏距离，设置阈值，判断是否为同一张人脸 def match_faces(faces_emb, known_faces_emb, threshold): isExistDst = False distance = (known_faces_emb[0] - faces_emb[0]).norm().item() print("\n两张人脸的欧式距离为：%.2f" % distance) if (distance < threshold): isExistDst = True return isExistDst if __name__ == '__main__': # help(MTCNN) # help(InceptionResnetV1) # 获取设备 device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu') # mtcnn模型加载设置网络参数，进行人脸检测 mtcnn = MTCNN(min_face_size=12, thresholds=[0.2, 0.2, 0.3], keep_all=True, device=device) # InceptionResnetV1模型加载用于获取人脸特征向量 resnet = InceptionResnetV1(pretrained='vggface2').eval().to(device) MatchThreshold = 0.8 # 人脸特征向量匹配阈值设置 known_faces_emb, _ = load_known_faces('yz.jpg', mtcnn, resnet) # 已知人物图 faces_emb, img = load_known_faces('yz1.jpg', mtcnn, resnet) # 待检测人物图 isExistDst = match_faces(faces_emb, known_faces_emb, MatchThreshold) # 人脸匹配 print("设置的人脸特征向量匹配阈值为：", MatchThreshold) if isExistDst: boxes, prob, landmarks = mtcnn.detect(img, landmarks=True) print('由于欧氏距离小于匹配阈值，故匹配') else: print('由于欧氏距离大于匹配阈值，故不匹配') 此代码是使用训练后的模型程序进行使用，在程序中需要标明人脸识别对比的图像。 2.实践过程第一次运行时系统需要下载预训练的vggface模型，下载过程较长，后面就不需要在下载了运行会很快。如图所示： 3.程序运行异常呗终止运行程序，提示killed，系统杀死了本程序的运行，经过多方面的测试，最终发现是识别的图片过大，使得程序对内存消耗过大导致。后将图片缩小可以正常运行了。以下是对比图像和对比结果。四、gitHub开源代码 1.首先下载代码文件代码库中，大致的介绍了facenet算法的训练步骤等。 2.代码实现以下是facenet的python代码，注意需要更改下面的一条程序"cuda" False,因为t527使用的是cpu，芯片到时自带gpu但是cuda用不了，因为cuda是英伟达退出的一种计算机架构。 import matplotlib.pyplot as plt import numpy as np import torch import torch.backends.cudnn as cudnn from nets.facenet import Facenet as facenet from utils.utils import preprocess_input, resize_image, show_config #--------------------------------------------# # 使用自己训练好的模型预测需要修改2个参数 # model_path和backbone需要修改！ #--------------------------------------------# class Facenet(object): _defaults = { #--------------------------------------------------------------------------# # 使用自己训练好的模型进行预测要修改model_path，指向logs文件夹下的权值文件 # 训练好后logs文件夹下存在多个权值文件，选择验证集损失较低的即可。 # 验证集损失较低不代表准确度较高，仅代表该权值在验证集上泛化性能较好。 #--------------------------------------------------------------------------# "model_path" : "model_data/facenet_mobilenet.pth", #--------------------------------------------------------------------------# # 输入图片的大小。 #--------------------------------------------------------------------------# "input_shape" : [160, 160, 3], #--------------------------------------------------------------------------# # 所使用到的主干特征提取网络 #--------------------------------------------------------------------------# "backbone" : "mobilenet", #-------------------------------------------# # 是否进行不失真的resize #-------------------------------------------# "letterbox_image" : True, #-------------------------------------------# # 是否使用Cuda # 没有GPU可以设置成False #-------------------------------------------# "cuda" : False, } @classmethod def get_defaults(cls, n): if n in cls._defaults: return cls._defaults[n] else: return "Unrecognized attribute name '" + n + "'" #---------------------------------------------------# # 初始化Facenet #---------------------------------------------------# def __init__(self, **kwargs): self.__dict__.update(self._defaults) for name, value in kwargs.items(): setattr(self, name, value) self.generate() show_config(**self._defaults) def generate(self): #---------------------------------------------------# # 载入模型与权值 #---------------------------------------------------# print('Loading weights into state dict...') device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') self.net = facenet(backbone=self.backbone, mode="predict").eval() self.net.load_state_dict(torch.load(self.model_path, map_location=device), strict=False) print('{} model loaded.'.format(self.model_path)) if self.cuda: self.net = torch.nn.DataParallel(self.net) cudnn.benchmark = True self.net = self.net.cuda() #---------------------------------------------------# # 检测图片 #---------------------------------------------------# def detect_image(self, image_1, image_2): #---------------------------------------------------# # 图片预处理，归一化 #---------------------------------------------------# with torch.no_grad(): image_1 = resize_image(image_1, [self.input_shape[1], self.input_shape[0]], letterbox_image=self.letterbox_image) image_2 = resize_image(image_2, [self.input_shape[1], self.input_shape[0]], letterbox_image=self.letterbox_image) photo_1 = torch.from_numpy(np.expand_dims(np.transpose(preprocess_input(np.array(image_1, np.float32)), (2, 0, 1)), 0)) photo_2 = torch.from_numpy(np.expand_dims(np.transpose(preprocess_input(np.array(image_2, np.float32)), (2, 0, 1)), 0)) if self.cuda: photo_1 = photo_1.cuda() photo_2 = photo_2.cuda() #---------------------------------------------------# # 图片传入网络进行预测 #---------------------------------------------------# output1 = self.net(photo_1).cpu().numpy() output2 = self.net(photo_2).cpu().numpy() #---------------------------------------------------# # 计算二者之间的距离 #---------------------------------------------------# l1 = np.linalg.norm(output1 - output2, axis=1) plt.subplot(1, 2, 1) plt.imshow(np.array(image_1)) plt.subplot(1, 2, 2) plt.imshow(np.array(image_2)) plt.text(-12, -12, 'Distance:%.3f' % l1, ha='center', va= 'bottom',fontsize=11) plt.show() return l1 3.代码实现此代码调用的签名的代码，但其可以直接的去调用图片进行人脸识别。 from PIL import Image from facenet import Facenet if __name__ == "__main__": model = Facenet() while True: image_1 = input('Input image_1 filename:') try: image_1 = Image.open(image_1) except: print('Image_1 Open Error! Try again!') continue image_2 = input('Input image_2 filename:') try: image_2 = Image.open(image_2) except: print('Image_2 Open Error! Try again!') continue probability = model.detect_image(image_1,image_2) print(probability) 4.程序运行运行程序后首先显示的是程序的配置信息，然后可以输入图像对比检测的内容。以下是图像识别的效果和对比的准确率。五、参考文献 CSDN博客 https://blog.csdn.net/weixin_45939929/article/details/124789487?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~default-1-124789487-blog-142987324.235^v43^pc_blog_bottom_relevance_base6&spm=1001.2101.3001.4242.2&utm_relevant_index=4 官方源码来源 https://gitcode.com/gh_mirrors/fac/facenet-pytorch/overview *部分图片来源于网络，如有版权问题请联系删除

T527开发板

米尔 . 2024-12-25 8830
步进电机堵转检测技术详解

电机堵转检测是确保电机控制系统安全、可靠运行的关键环节，对于预防电机损坏、提高系统稳定性和满足行业安全标准都有着重要作用。本期技术视频聚焦步进电机的堵转检测，解析其重要性、介绍纳芯微驱动芯片的堵转检测原理，演示NSD8381堵转检测流程，同时介绍NSD8381与NSD8389步进电机驱动产品的优势与特点。为什么需要对电机进行堵转检测纳芯微驱动芯片堵转检测的原理步进电机堵转检测流程演示：以NSD8381为例 NSD8381 & NSD8389步进电机驱动产品介绍为什么需要对电机进行堵转检测进行电机堵转检测的原因主要包括以下几点： 1. 防止电机损坏，保护电机。 2. 防止大电流损坏驱动器，保护驱动器。 3. 避免引发系统故障，提高系统可靠性。 4. 满足安全标准：在某些行业标准中，会用于评估电动机的性能和安全要求。 5. 性能评估：可以反映出电机定子、转子绕组及磁路的合理性和一些质量问题。 6. 诊断和改进，可以作为故障诊断的一部分，帮助识别电机缺陷。纳芯微驱动芯片堵转检测的原理电机绕组等效模型纳芯微步进电机采用反电势法进行堵转检测，在正常情况下，电机运行时绕组会产生反电动势（BEMF）。公式1 公式1表达了电机绕组电压的计算，由公式1可知，电机转动时，绕组电压包含反电势电压。当电机电流为零时，绕组两侧电压即为反电势电压。公式2 （其中：N为绕组的匝数，B代表磁场强度，A是被电机磁场所包围的面积，ω是电机转动的角速度）公式2表达了电机绕组中反电势的计算。由公式2可知，反电势电压和电机的角速度成正比，当电机堵转时，角速度为零，反电势也为零，即可以通过检测电流为零时反电势变化，来判断电机是否堵转。步进电机堵转检测流程演示：以NSD8381为例第一步：配置好寄存器，让电机正常转动硬件配置硬件配置： NSD8381 demo板、步进电机、通信串口工具、12V直流电源、示波器、信号发生器、串口发送上位机界面。 SPI寄存器配置： CONFIG_6: 0x081013 ---配置步进电机电流大小(HOLD:50mA; full 571mA) CONFIG_4: 0x060841 ---配置电流调制频率，slew rate等 CONFIG_1: 0x030428 ---配置CTRLx (默认采用步进电机模式) CONFIG_3: 0x05A901 ---使能输出，设置微步（1/8微步）电机转动演示如以上动图所示：1.连接上位机和串口，2.给demo板供电，3.提供脉冲信号，4.发送寄存器配置的指令，此时电机转动起来。第二步：正常转动反电势波形测试当电机转动起来后，用示波器测试OUTA1、OUTA2或者OUTB1、OUTB2对地的波形，即测量电机绕组两端的电压，记录此时的反电势值以及需要设置的CV_DELAY值。测试点OUTA1和OUTA2 如波形所示，其中会有一段两个OUT的电压均不进行PWM调制的部分，这部分波形代表电机的驱动电流为零，箭头所指黄色的电压，即为反电势电压。黄色虚线两端的时间长度，为反电势被稳定测量到所需要的延时，记为CV-DELAY，如图测试反电势为2V，CV_DELAY为350 us。第三步：堵转检测寄存器CONFIG_5 (0x07)参数配置寄存器映射表配置CONFIG_5寄存器，需要配置CV_DELAY[4:0]、使能CV_EN、配置CV_STALL_NUM[2:0]。 CV_DELAY[4:0]是线圈BEMF反电势电压转换延时配置位，可配置从1到31的值，对应了从零开始的PWM周期数延时，该延时之后，线圈反电势电压开始转换。步骤二测试的CV_DELAY即为该配置的参考值。如果该值为0，则在零电流结束时，进行电压采样，适用于转速比较快的电机。 CV_STALL_NUM[2:0]是线圈BEMF反电势电压堵转时的转换数量配置位。可配置堵转检测时，线圈反电势电压连续转换的次数，其最小值为1。其中检测到超出范围[CVLLA, CUL]，判断失速检测。最后，配置CONFiG_5寄存器为0x8000，在零电流结束时，对线圈电压进行采样，反电势电压连续转换次数为1。第四步：电机正常转动回读反电势值演示配置好CONFiG_5寄存器后，电机还是正常转动的状态，此时通过串口去回读CVA，CVB，CVC，CVD。记录此时的CV值，并和示波器测试的反电势值进行比较。此步骤需要让CONFIG_5的配置使回读的CV值尽可能接近示波器测试的反电势值。如回读值和测试值存在偏差，需要调整CONFiG_5的CV_DELAY和CV_STALL_NUM。此时，寄存器CVA，CVB，CVC，CVD返回的值0x008E（最大值），换算过来高值为1.94V，接近实测反电势2V。第五步：测试电机堵转波形第五步，让电机堵转，同步骤二，再次测量OUTA1对地和OUTA2对地的波形。如波形显示，反电势电压显示0V。第六步：配置好寄存器，让电机正常转动第六步，此时电机仍是堵转的状态。如演示，再次读取CVA，CVB，CVC和CVD。堵转情况下回读的值0x001B（最大值）和0x0000（最小值），换算过来低值为0.35V（最大值）和0V（最小值），和示波器测试基本一致。第七步：配置CVLLA和CVLLB 根据记录的“高值”和“低值”配置CVLLA和CVLLB。CVLLA和CVLLB可以选择这两个记录值的中间值，其中CVLLA的值需要比反电势大，但比CVLLB小（CUVL可以采用默认值）。由第三步得到“高值”1.94V，由第六步得到“低值”0V，由此设置CVLLA为0x0027 (0.52V)，设置CVLLB为0x0000 (0V)，CVUL可设置0x07FF 默认值(28V)。第八步：电机堵转后回读STA_1寄存器演示让电机运转后发生堵转，当电机发生堵转时，同时回读STA_1寄存器。设置CONFiG_5寄存器，配置CVLLA，电机正常转动时，回读01寄存器以及CVA，CVB，CVC，CVD，此时CV返回值在8E附近，状态寄存器无故障上报。然后堵转电机，回读状态寄存器，此时返回05，报堵转故障。同时回读CVA，CVB，CVC，CVD，返回反电势为0值，说明堵转检测成功。 NSD8381 & NSD8389 步进电机驱动产品介绍 NSD8381是纳芯微车规级高集成式双相双极性步进电机驱动，适用于汽车头灯步进控制、热管理系统电子膨胀阀驱动、HUD位置调节等应用场景。该芯片支持最大1.35A满量程电流，支持16档电流调节，内部最高32细分，多种衰减模式选择，同时可支持四个半桥独立工作。NSD8381支持母线欠压保护，过流保护，温度报警和过温保护；同时还支持输出负载的开路诊断和过流保护。此外，NSD8381还集成了本文介绍的堵转检测功能，可以用于堵转故障输出，可以帮助客户应用于堵转检测场合。寄存器映射表产品特性 ◆ 宽工作电压：4.5V ~ 36V（最大值40V） ◆ 电流高达1.35A，16档电流调节 ◆ 可编程多种细分模式，最高可达32细分模式 ◆ 四种可编程衰退模式：慢衰退/混合衰退/自动衰退1/自动衰退2模式 ◆ STEP/DIR/HOLD 三个输入引脚或 SPI 控制 ◆ 用于高精度位置控制的相位计数器 ◆ 独立4路半桥控制模式（仅适用于 QFN32） ◆ 无感堵转检测（反电势过零点检测） ◆ PWM展频及压摆率配置 ◆ 24位 SPI 接口 ◆ 超低功耗睡眠模式 ◆ AEC-Q100认证全功能的保护和故障输出 ◆ SPI 报错 ◆ 过流保护 ◆ 电荷泵欠压 ◆ 过温警告和关断 ◆ ON状态下的开路、短路到 Vbat、短路到 GND 检测 ◆ 堵转检测（支持不自动进入保持模式）应用场景 ◆ 头灯位置控制 (ADB/AFS) ◆ 电子膨胀阀 (EVX) ◆ 抬头显示/驾驶员检测 (HUD/DMS) NSD8389是纳芯微最新发布的车规级双相双极性步进电机驱动，适用于汽车头灯步进控制、热管理系统电子膨胀阀驱动、HUD位置调节等应用场景。其优势是提高了步进电机的电流，支持到1.5A；提高了电机控制的微步数，支持256细分模式，增加更多衰减模式，支持8种decay模式。集成母线欠压保护，过流保护，过温保护，负载开路诊断和过流保护等多种保护功能。同时也支持堵转检测功能，适用于对步进电机精度要求更高的场合。 NSD8389功能框图产品特性 ◆ 宽工作电压：4.5V ~ 36V（最大值40V） ◆ 导通电阻和电流：900mΩ；1.5A 全量程 ◆ 可编程最高256细分模式 ◆ 8 种衰退模式：智能调节、慢衰退和混合衰退模式 ◆ STEP/DIR 输入和 SPI 可控保持模式 ◆ 用于高精度位置控制的相位计数器 ◆ 可配置的 OPL_FILT 、 TBLANK、DRV_DIS（适用于NSD8389A） ◆ 无感堵转检测（反电势过零点检测） ◆ 可配置的上升速率、死区时间和扩频 ◆ 支持菊花链模式的16位SPI通信 ◆ 超低功耗睡眠模式 ◆ AEC-Q100认证全功能的保护和故障输出 ◆ VSUV、CPUV ◆ OTW、OTSD、UTW 和 TJ 故障 ◆ 每个 HS 和 LS 的过流保护和检测 ◆ 每个通道的开路检测 ◆ 堵转检测（可配置堵转hold模式） ◆ SPI 错误和故障条件指示引脚（nFAULT）应用场景 ◆ 头灯位置控制(ADB/AFS) ◆ 电子膨胀阀 (EVX) ◆ 抬头显示/驾驶员检测 (HUD/DMS) ◆ 隐藏式出风口电机

纳芯微

纳芯微电子 . 2024-12-24 3 1515
汽车前照灯明星产品焕新升级，亮度更胜一筹

第三代新型表面贴装式LED已成为业内备受推崇的前照灯光源。此次升级搭载全新芯片，亮度较第二代产品提升16%，同时保持相同尺寸，便于车灯制造商轻松升级前大灯、日间行车灯及前雾灯。 OSLON® Black Flat S系列LED已成为四轮与两轮机动车前照灯的首选光源。这主要得益于其坚固耐用的黑色引线框架QFN封装设计，该设计既适用于自动化SMT组装，又能为反射式灯具提供卓越的对比度。汽车前照灯市场竞争日趋激烈，制造商们不断探寻通过减少LED使用数量、提升发光效率来降低成本的途径。为延续这一明星产品系列的辉煌，艾迈斯欧司朗推出全新第三代OSLON Black Flat S。新产品在保留黑色引线框架封装传统优势的同时，实现了性能与机械规格的全新升级。全新第三代产品搭载最新的UX:3芯片，将单芯片的典型亮度从第二代产品的395lm（条件为1A/25°C）提升至460lm。其性能与汽车前大灯所用的OSLON Compact PL第三代产品相媲美，而新一代OSLON Black Flat S系列则因更高的流明/欧元性价比，更适合用于成本敏感型前大灯设计。与前代产品相同，OSLON Black Flat S第三代产品也将推出一、二、三及四芯片等多种版本。此外，该产品封装与金属芯（铝制）PCB之间具有优异的热兼容性，从而确保前照灯系统拥有出色的机械与电气可靠性。得益于其封装中高效的铜基芯片散热结构，OSLON Black Flat S LED为汽车制造商提供了卓越的热管理解决方案。相较于第二代，第三代多芯片产品在封装高度上提供了更为严格的规格——0.49mm±0.06mm，与单芯片器件的高度相当。这一改进使得OEM厂商能够减小发射器与光学元件间的距离，进而实现更高效的光学耦合。同时，新产品继续沿用了汽车制造商在早期产品中极为看重的其他特性，包括均匀的光束分布以及稳定的角度色差表现。除亮度提升16%外，艾迈斯欧司朗在第三代产品的机械、电气及光学规格上均与第二代高度一致。因此，早期产品用户可轻松升级为全新第三代产品，以提升前大灯、日间行车灯及前雾灯性能。目前，一、二、三及四芯片产品样品均已推出，预计2025年初将正式投入生产。

ams OSRAM

艾迈斯欧司朗 . 2024-12-24 1 950
2024年第三季度，中国大陆云服务支出增长11%

2024年第三季度，中国大陆云基础设施服务支出达到102亿美元，同比增长11%，重回两位数增长。AI正逐渐成为云计算采用的重要驱动力，越来越多的企业将AI功能嵌入基于云的应用程序中，以提升智能化水平并简化运营效率。例如，AI智能推荐和自动化运维等场景在多个行业中得到了更广泛的采用。本季度中国前三大云服务供应商的位置保持不变，阿里云、华为云和腾讯云继续占据领先地位，共同占据70%的市场份额。同时，以中国电信为首的运营商也在寻找拓展云服务市场份额的差异化切入点，尤其是在特定行业解决方案和区域化服务中。在2024年第三季度，由合作伙伴驱动的云收入保持稳定，占总市场收入的26%。随着AI生态系统的不断扩展，这一比例预计将增长，以满足各行业对集成解决方案和合作需求的增加。 2024年第三季度，中国领先的云计算提供商顺应全球趋势，大幅增加了对AI基础设施和高性能计算的投资。这些举措反映了在生成式AI和其他前沿应用的推动下，对大规模人工智能模型训练和实时推理不断升级的需求做出的战略性回应。阿里云和腾讯云进一步增加资本支出，将资源投入到提升计算能力、可扩展性和效率方面。这些投资旨在巩固其在关键战略领域的地位，确保能在在日益以AI为驱动的市场中保持技术创新和竞争优势。市场环境的独特特征影响了中国在AI投资方面的策略。与美国云巨头的大规模、高强度的投入相比，中国云服务商采取了更加稳健和均衡的投资方式。这反映了中国AI应用当前仍处于探索阶段的现状，总体计算需求尚未完全释放。此外，中国AI初创公司的市场规模和计算需求相对较小，也促使市场扩展步伐更加谨慎。因此，尽管中国AI服务持续增长，其短期扩展预计将保持稳定且渐进的节奏。阿里云继续稳居中国大陆云市场的领先地位，占据36%的市场份额，第三季度同比增长7%，主要得益于其公共云业务的推动。其AI相关产品连续五个季度保持三位数收入增长，进一步巩固了其公共云的领导地位。目前已有超过30万家企业客户采用阿里云的AI基础模型“通义千问”来提升运营效率。在2024年7月的巴黎奥运会上，阿里云通过AI增强的广播技术，将巴黎的实时信号传输到全球200多个国家和地区的观众面前，展示了其技术实力。展望未来，阿里云宣布将大幅增加AI相关基础设施的短期投资，以满足AI模型部署所需的云计算和API服务日益增长的需求。华为云稳居中国云服务市场第二位，第三季度实现13%的稳健增长，市场份额达到19%。华为云在AI开发方面取得了显著进展，到目前为止，其解决方案已覆盖30多个行业和400多个业务场景。基于这一势头，华为云于2024年9月升级了最初于6月推出的盘古5.0模型，并推出了“1+N”盘古助手体系，以满足客户高频业务场景的需求。为进一步支持创新，华为云推出了AI创业赋能计划”，为AI初创企业提供最高达120万元人民币（约16.5万美元）的昇腾云上算力，进一步强化其生态发展和技术领先地位。腾讯云在市场中排名第三，第三季度市场份额为15%。AI需求的激增极大地推动了其GPU相关收入，目前已占其IaaS收入的10%以上。腾讯云AI相关解决方案被广泛采用，已为 400 多家领先的互联网公司提供服务。今年9月，腾讯云推出了“混元Turbo”AI模型，与上一代产品相比，其推理效率提高了100%，部署成本降低了50%，解码速度提升了20%。为进一步加强基础设施建设，腾讯云宣布投资 36 亿元人民币（约 5 亿美元）在印尼建设第三个数据中心，计划于 2030 年完工。

云计算

Canalys . 2024-12-24 2 850
内置升压开关电源的双H桥驱动器IC——ND1130系列

ND1130是一款采用Bi-CMOS工艺且内置升压开关稳压器的双H桥驱动器IC。它可以用锂离子电池和5V电源进行升压，还可以通过两个 H 桥驱动器驱动小型压电致动器和触觉装置。升压开关稳压器具有软启动功能，可限制通电时的浪涌电流。双 H 桥驱动器支持通道间独立的信号输入，从而提高了微控制器的可控性。其输入频率可高达300kHz，并在异常时可输出FAULT信号。应用场景1 压电制动装置应用场景2 触摸反馈装置 ND1130 Datasheet(E)

日清纺

NISSHINBO Micro Devices . 2024-12-24 910
2024年中国超1.46万家芯片公司倒闭，5.2万家新公司注册

2024年，中国芯片市场面临严峻挑战，呈现出两极分化的发展态势。一方面，行业下行周期中，倒闭潮持续蔓延。 Wind数据显示，自2022年到2023年，已有超过1.6万家芯片相关企业倒闭或注销，2024年新增的倒闭企业高达14648家。另一方面，2024年新注册芯片企业数量达52401家，尽管低于2023年，但显示出市场创业热情依然高涨。半导体行业的困境来源于多重因素的叠加。全球市场不确定性、宏观经济转型、贸易政策变化及去库存压力等，令消费电子、汽车和工业等关键需求领域增长乏力。尤其是汽车和工业部门，表现令人失望，制约了市场扩张。而消费电子领域则呈现出温和复苏迹象，但尚不足以扭转整体疲软趋势。据分析师指出，这一倒闭潮实际上反映了行业重组和内部优化的开始。许多企业通过裁员、减薪和削减成本，试图专注于核心产品和市场，以在竞争中生存下来。整个行业从裁员到完成洗牌，可能需要约两年时间。尽管市场面临巨大压力，新注册企业的涌现表明创业者对中国芯片市场的未来仍怀抱信心，尤其是在消费电子、汽车和人工智能（AI）等领域。此外，国内采购趋势增强为本土半导体企业带来一定机遇。主要国际半导体巨头如德州仪器（TI）、恩智浦（NXP）和英飞凌也对中国市场保持乐观态度。然而，行业竞争加剧也带来了更大的挑战。投资者和地方政府对芯片设计企业的支持逐渐减弱，使得初创企业在融资、吸引顶尖人才以及提升研发和运营能力方面面临困境。如果无法突破这些瓶颈，部分企业可能进一步落后于竞争对手，甚至引发新一轮破产和重组潮。随着马太效应愈发显著，2024年或将成为中国芯片设计行业的关键转折点。在重重压力之下，一些企业将找到新生路径，而另一些则不得不黯然退出。分析师认为，这种优胜劣汰的过程虽然残酷，但有助于提升行业整体竞争力，为未来的复苏和创新奠定基础。尽管前路充满挑战，中国芯片市场的韧性依然可见。从淘汰到重生，这一过程不仅是行业的洗牌，也是技术和市场的升级。在全球产业链竞争日趋激烈的背景下，中国芯片行业或将以更加成熟的姿态迎接下一轮周期。

裁员

芯查查资讯 . 2024-12-24 2 1 1w
美国宣布对中国传统芯片发起贸易调查

拜登政府周一（12月23日）宣布对中国制造的“传统”半导体进行最后一刻的贸易调查，这可能会对来自中国的芯片征收更多美国关税，这些芯片用于汽车、洗衣机和电信设备等日常用品。拜登政府官员表示，对中国成熟芯片“301条款”调查于当选总统唐纳德·特朗普1月20日就职前四周启动，将于2025年1月移交给特朗普政府完成。此举可能为特朗普提供一条现成的途径，开始对中国进口产品征收他所威胁的60%的高额关税。即将离任的总统乔·拜登已经对中国半导体征收了50%的关税，该关税将于1月1日开始生效。他的政府已经加强了对中国先进人工智能和存储芯片以及芯片制造设备的出口限制，并且最近还提高了对中国晶片和多晶硅征收的关税至50%。负责开展这项新调查的美国贸易代表办公室表示，此举旨在保护美国和其他市场驱动的芯片生产商，免受中国大规模增加国内芯片供应的影响。传统芯片采用较老、较成熟的制造工艺，广泛应用于大众市场。它们不包括用于人工智能应用的先进芯片或复杂的微处理器。数据显示，目前中国在全球成熟芯片领域的产能占比约30%，估计十年内会增长至46%。同时，这对于汽车领域有较严重影响，当前80%的汽车芯片需求在成熟制程。中国商务部对此表示强烈不满，并坚决反对美方的行为。中方指出，美301调查具有明显的单边主义和保护主义色彩，且之前类似的301关税已被世界贸易组织裁定违反国际规则。中国强调，美国此举不仅会扭曲全球芯片产业链供应链，也会损害美国企业和消费者的利益，是一错再错。同时中国商务部指出，美商务部不久前发布的成熟制程芯片报告显示，中国产芯片仅占美市场份额的1.3%。中国芯片对美出口，远低于自美进口。中国敦促美国尊重事实和多边规则，立即停止错误做法，并表示将密切关注调查进展，采取一切必要措施捍卫自身权益。

禁令

芯查查资讯 . 2024-12-24 14 3 2805
意法半导体 x Kernel：随时随地做神经扫描，开启便携医疗新时代

设想一下：所有患者都能定期接受脑部预防性扫描。理论上非常美好，但至今仍有问题待解决。例如美国即使投入全部MRI力量，都不足以完成对痴呆症的定期预防性扫描，更遑论其他病症。Kernel已然着手解决这一问题。 Kernel Flow是一款形似头盔的神经成像可穿戴装备，能收集医学所需规模的高分辨率数据。Kernel Flow扫描仅触及大脑皮层，即大脑编码多数认知能力的进化部分。挑战 ■ 设计非侵入性解决方案，确保患者在扫描过程中感到舒适，同时便于操作者操作■ 实现高性能图像处理与低功耗的完美结合■ 提供结合高水平片上处理的强大实用性和便携性■ 最小化数据传输带宽，实现数据丰富的系统级功能解决方案 ■ 时域近红外光谱技术，确保任何情况下都能进行稳健的扫描，同时提供丰富的信息■ 提升计算能力，将自定义算法硬编码至传感器中，以有效降低数据传输速率■ 意法半导体的技术节点，可确保高性能，同时满足Kernel在功耗管理方面的阈值影响 ■ 可随时随地进行医疗扫描■ 得益于新一代的计算能力，只需2%的成本，即可扫描大脑80%的区域■ 无论患者身在何处，该技术都可满足其需求，从而简化患者的就医过程让非侵入式扫描成为现实 Kernel实现Kernel Flow便携性和易用性之间的平衡，方便医疗专业人员使用。对于难以亲临诊所或接受MRI扫描的患者而言，这一点意义重大。为保证扫描过程的舒适度和医学准确性，Kernel必须找到高性能与功耗之间的完美平衡，而意法半导体的代工服务可帮助其实现这一目标。 Ryan Field博士，Kernel首席执行官兼首席技术官当我们着手构建非侵入式、基于光学的神经成像系统时，我们甚至不知道我们的愿景是否可能实现。经过严格的技术探索，我们发现了意法半导体成像代工的一大技术节点，这让事情出现转机。只需2%的成本，即可扫描大脑80%的区域回想2016年Kernel成立之初，除非出现医疗状况，否则没有人会考虑进行大脑测量。当时面临两种情况，一是不适用于广大人群的高侵入性技术，二是运营成本高昂的稳健医疗技术。 Kernel在这两种极端情况中发现良机，但若要吸引消费者，Kernel首先必须证明Flow几乎可实现医疗级的准确性，才能与fMRI（功能性MRI）和 EEG（脑电图）相媲美。任何情况下都能进行稳健的扫描，同时提供丰富的信息借助时域近红外光谱技术（NIR），Kernel所提供的神经成像服务不仅灵活性高，可在患者既往接受治疗的地方使用，其服务水平还与临床解决方案的水平相若。然而，实现这一目标也遭遇过一些挑战。Kernel的首个设计包含312个传感器，每个传感器的使用功率都超过100毫瓦。 Ryan Field博士，Kernel首席执行官兼首席技术官MPW项目显著著降低了风险和成本，凸显出意法半导体在Kernel突破性创新技术方面的推动者作用。意法半导体的多项目晶圆（MPW）计划带来何种改变为解决这些挑战，Kernel与意法半导体合作，利用其尖端处理节点和多项目晶圆（MPW）计划。通过与意法半导体的合作，Kernel将强大的计算能力和自定义算法嵌入每一传感器中，以有效降低数据传输速率。这一转变不仅极大减少了 Flow对外部电源的依赖，还提高了患者的舒适度。借助意法半导体的技术，Kernel成功地将数据带宽需求降低了100万倍，同时简化了单一步骤中的数据压缩和加密。 Kernel将继续与意法半导体合作，不断探索更多的节能选项。Flow成为世界各地医疗院所的新检测手段指日可待。

ST

意法半导体中国 . 2024-12-24 2 1085
Qorvo ACT85411：集成PLP功能的企业级SSD电源管理单芯片解决方案

在日新月异的数字存储领域，固态硬盘（SSD）已成为重塑数据存储和访问方式的关键技术。SSD得益于其更高的可靠性、更快的速度、更低的功耗、更佳的性能以及更轻巧紧凑的设计，因而比传统硬盘驱动器（HDD）更受欢迎。预计到2028年，SSD市场规模将达到670亿美元。其中，电源断电保护（PLP）所需的硬件、固件和软件占据了相当大的市场份额；这些对于确保SSD系统在断电后仍能正常运行至关重要。本文将深入探讨SSD技术的复杂世界，并阐述其优势以及对计算环境产生的变革性影响。此外，我们还将介绍SSD技术的最新进展，包括电源管理集成电路（PMIC）和PLP及其在企业数据存储中的作用。了解SSD中的断电保护在快速发展的数字存储领域，SSD在改变数据存储和检索方式方面扮演着举足轻重的角色。大型企业使用的企业数据存储系统用于处理、保存和保障诸如云计算、数据挖掘及在线交易等活动中的重要数据。这些系统部署在各大数据中心。如图1所示，SSD中的PLP在断电期间可提供足够的能量，将关键数据保存至NAND（NAND闪存作为一种非易失性存储技术，在无电源的情况下也能保持数据）。此类PLP系统已在SSD市场存在了一段时间，在断电时保护数据安全方面发挥了重要作用。PLP的主要任务是延长SSD的运行时间，以便安全地将数据从驱动器的临时存储移动到永久存储器，确保数据在系统重新通电后仍然存在且可访问。PLP系统通过使用特殊电容器使SSD保持时间足够长的供电，从而将缓存中的所有数据都保存到NAND闪存中，并更新目录信息。图1，使用PLP延长电源供电时间如下图2所示，此类电容器可存储足够的能量，在断电后使SSD能够继续运行并完成数据备份。这些能量为系统提供了额外的运行时间，使得系统能够在断电后完成向存储器写入数据的操作。此外，一些SSD使用特殊的软件规则来控制断电时数据的写入方式，从而确保数据安全并降低出错的可能性。接下来，让我们快速了解一下SSD的主要组件。图2展示了用于数据中心的SSD的标准组件。图2，企业级SSD的标准组件如同许多系统升级一样，这些PLP电容器和软件附加功能需要占用空间并在工程设计方面投入精力；其本身也会因SSD设计和缓存大小的不同而消耗不同量级的能量。然而，它们为企业和数据中心所带来的效益十分明显。 SSD市场的另一项关键进展是电源管理集成电路（PMIC）的引入。这些PMIC优化了电源传输架构和SSD性能。下面，就让我们进一步探讨这一新进展及其带来的益处。整合PMIC和PLP 将PMIC集成至SSD让工程师的设计获得了显著优势。PMIC的多种电压调节器提供了可编程性、上电时序和监控功能。然而，标准的SSD设计仍然需要两个独立功能的集成电路——PLP和PMIC。为了减小解决方案的尺寸、缩短设计时间，并减少对单独PLP监控/控制集成电路的需求，可以将这些组件进行组合，如图3所示。通过将这两个组件合并到一个集成电路中，SSD可以比传统设计更加紧凑。图3，将PMIC和PLP整合到单个IC封装中当将图3中的组件集成到单个芯片时，我们创建了一个全面的解决方案，其中包括PLP电容器和用于监控及提升系统级性能的PMIC。此外，PMIC提供的最佳输出电压使SSD能够降低功耗；参见下图4。图4，带板载PMIC同时集成PLP的SSD Qorvo ACT85411 如图5所示，PLP是Qorvo ACT85411 的一项常规功能。该器件的PLP包括一个eFuse和背靠背MOSFET，用于输入与输出之间的双向隔离。这种设置可在热插拔过程中保护器件，并控制浪涌电流。位于eFuse之后的阻断MOSFET将输入总线与降压/升压调节器和储能电容器分离，保证即使电容器失效也能正常工作。该MOSFET还能够在启动时以低电流为电容器充电。通常，在稳定电源供电的情况下，降压/升压调节器作为升压调节器工作，将电容器充电至高于输入的电压。一旦发生断电，调节器切换到降压模式，从电容器中提取能量为系统供电。一个模数转换器（ADC）以及电容器健康监测系统会检查电压、电流、温度和电容器状况，以确保可靠运行。图5，ACT85411结构框图 ACT85411配备了两个10A的降压调节器，输出范围为0.6V至5.26V；一个低电流5V固定降压调节器（VCC5），可为高达200mA的内部和外部负载供电；以及一个1A升降压调节器，输出范围为9.6V至16V。表1汇总了ACT85411的主要功能。表1，ACT85411的主要功能结语 SSD凭借其卓越的可靠性、速度、能效，以及紧凑、轻便等优势引领着数据存储行业的变革。这一变革的核心在于PLP与PMIC的集成；它们能够在断电期间确保数据完整性并提升设备性能。本文着重阐述了PLP通过特殊电容器和软件协议在SSD断电期间维持供电以保护数据的重要性。同时，文中还探讨了PMIC技术的最新进展，特别是Qorvo的ACT85411器件；该器件针对各种系统需求量身定制了全面的电源管理解决方案。ACT85411凭借其关键的PLP控制电路，高效的降压（Buck）、升压（Boost）和升降压（Buck-Boost）调节器，以及低压差线性稳压器（LDO）等功能，为企业级数据存储系统中SSD的可靠运行构建了经济高效且功能丰富的电源解决方案。

Qorvo

Qorvo Power . 2024-12-24 1 1300
打破无线协议壁垒：Qorvo副总裁Marc Pegulu论智能家居连接的未来

在Electropages的播客中，主持人Robin Mitchell采访了Qorvo 副总裁兼连接系统事业部总经理Marc Pegulu。他们讨论了Qorvo的最新创新，包括前沿的 Matter 片上系统 (SoC) 技术，该技术旨在通过智能家居设备之间的无缝连接彻底改变智能生活。Marc强调了Matter在弥合蓝牙、Zigbee和 Thread等不同协议之间的差距方面的重要性，从而使智能家居更具集成性和能效。对话还涉及Qorvo的Matter SoC如何确保面向未来、低功耗和安全的无线解决方案，以适应不断发展的物联网环境。我们通过AI将这次采访整理成了以下内容。 Q1 Qorvo目前在智能家居连接技术领域的最新发展是什么？ Qorvo正专注于增长其在无线连接性方面的业务，特别是在智能手机前端和基础设施射频前端领域。公司近期的投资和收购活动显示了其对无线系统级芯片业务的重视。在智能家居连接技术领域，Qorvo 推出了支持Matter系统级芯片和2.4GHz系统级芯片，并且继续研究超宽带技术。同时Qorvo将硬件与软件相结合，目前正在推出支持Matter的新产品，为开发者提供了核心网络和传输数据的最广泛机制，同时保持了对消费者的透明度。 Q2 什么是Matter协议，为什么它很重要？ Matter是一个新的智能家居连接协议，旨在通过标准化促进不同品牌设备之间的互操作性。它促进了低功耗无线连接的标准化，使得多个设备能够以相当无缝的方式进行通信，能够通过打破不同品牌和技术之间的壁垒，创建一个更大的生态系统，允许开发具有互操作性的解决方案。 Matter旨在为智能家居设备提供一种统一的连接方式，还强调安全性和可靠性。它简化了设备之间的通信，降低了开发者的工作复杂度，并为消费者提供了更好的用户体验。通过将复杂的通信协议抽象化，Matter使开发人员能够专注于构建应用程序的功能，而无需深入理解底层的网络细节。Matter协议有助于促进智能家居市场的增长，提高消费者的采用率，同时也为未来的创新铺平了道路。 Q3 Qorvo推出的Matter系统级芯片（SoC）有哪些特点？ Qorvo推出的Matter系统级芯片（SoC）具有诸多显著特点：集成了多个无线通信协议，如WiFi、蓝牙、Zigbee等，支持多协议共存和并发连接，这意味着它可以在同一时间处理不同类型的通信任务，确保用户不会察觉到任何延迟。在设计上注重共存性，能够保证新设备与现有智能家居系统的兼容性，避免新旧设备之间的干扰。 Qorvo的Matter SoC非常小巧，易于集成到各种智能家居产品中，如传感器、恒温器或控制面板，并且模块上甚至集成了天线，进一步简化了集成过程。功耗非常低。这不仅延长了依赖电池供电的智能家居设备的使用寿命，降低了更换电池的频率，还减少了消费者的维护工作和成本，同时提升了用户体验。软件升级的能力让硬件安装可以长期保持最新状态，减少了电子废物的产生，体现了Qorvo对环境友好性和产品耐用性的承诺。安全性和可靠性也是这款SoC的关键特性之一。为了保护数据隐私并增强消费者信心，Qorvo确保其产品内置了必要的安全措施，防止数据被滥用。这款SoC提供了简单易用的开发者体验，通过高度抽象化的方式隐藏了复杂的通信协议细节，使得开发人员只需关注关键的应用程序接口（API）。例如，唤醒设备或请求传输数据这样的操作可以通过简单的函数调用来完成，极大地简化了开发流程。 Q4 超宽带技术在智能家居中有何应用潜力？超宽带（UWB）技术在智能家居中的应用潜力主要体现在其能够实现非常精确和安全的距离测量，提供厘米级别的准确度。在智能家居环境中，UWB技术的应用前景包括但不限于：访问控制：与智能手机相同的工作原理可以应用于家门锁，使居民可以通过携带的智能设备轻松打开家门或其他区域的门禁系统，而无需使用传统的钥匙。位置感知：UWB可以使设备具备自我定位能力，简化家中设备的安装过程。例如，传感器可以自动识别它们的位置，从而避免了手动注册位置信息的需求，这对于确保数据来源的准确性至关重要。存在检测：由于UWB具有进行雷达检测的能力，它可以用于家庭安全系统、智能电视或智能扬声器来检测房间内的人数及其位置，进而根据人员的存在调整环境设置，如灯光亮度或温度调节。这些特性使得UWB成为补充蓝牙等现有无线技术的一个有趣选项，为智能家居带来更高的智能化水平和更丰富的交互体验。Marc指出，Qorvo看到未来将两种技术（如Matter和UWB）结合起来的可能性，以创建更加智能且产生丰富数据的设备，并为用户提供一个更安全的环境。随着这两种技术逐渐集成到智能手机和其他移动设备中，UWB不仅增强了智能家居内部的功能，还可能扩展到家庭之外的应用场景。 Q5 实际应用中，Qorvo的Matter芯片会带来哪些改变？ Qorvo的Matter芯片相较于传统解决方案提供了多项优势。首先，它是一个低功耗的解决方案，使得设备的操作可以扩展，减少了消费者更换电池的频率，提高了连接的可靠性。对于智能家居来说，Qorvo的Matter芯片所具备的协议共存和并发连接特性是非常重要的，因为它们允许创建一个桥接，使较老的非Matter兼容设备（如旧的蓝牙或Zigbee设备）可以通过这个桥接与新的Matter网络通信。这样，家庭中的物联网设备可以使用更长时间，即使它们不是专门为Matter设计的，也无需为了升级到Matter而淘汰所有现有设备，促进了设备使用的可持续性。此外，Matter芯片有助于提升能源效率，因为它可以让设备学习用户的习惯和环境条件，智能地管理电力消耗，减少不必要的能源浪费。通过优化能耗，这些设备可以帮助消费者降低能源账单，同时也对全球能源生产产生积极影响。最终，Matter旨在赋予消费者更多控制权，以更加负责的态度管理家庭能耗，从而在全球范围内推动节能减碳的努力。 Q6 10年后，Qorvo将走向何方？ Qorvo的目标是在连接性方面为开发人员提供卓越的用户体验。因此，公司计划在未来加大投资于类似技术，旨在将解决方案提升到更贴近最终用例的层次，即所谓的“超结合技术”。尽管目前这些技术可能尚未集成，但Qorvo预见到未来的趋势是将不同技术结合起来，使得设备更加智能化，能够生成更丰富的数据，并营造更安全的环境。由于射频（RF）技术和传感器技术都将被广泛应用于智能手机——作为人类与数字世界交互的重要界面，Qorvo希望成为这一变革的一部分，推动数字化进程，同时确保为消费者提供无缝、无压力的体验。此外，Qorvo还特别关注射频前端芯片系统的发展，该系统将不仅应用于每一个移动设备，还包括每一辆汽车，强调了公司在移动领域的专注。随着Qorvo的不断创新和新技术的引入，不仅有望解决当前智能家居设备互操作性的挑战，还能促进更加智能、节能的家庭环境的形成。Qorvo致力于将硬件与软件完美结合，为开发者提供易于使用的工具，使他们能够快速地将创意转化为现实，同时确保最终用户享受到无缝且可靠的连接体验。

Qorvo

Qorvo半导体 . 2024-12-24 1 870
华虹董事长张素心离任

12月20日，上海市政府发布公告华虹集团党委书记、董事长张素心正式离任，由上海联和投资有限公司党委书记、董事长兼总经理秦健接任，这一高层人事变动引发半导体行业的广泛关注。秦健接任者秦健拥有丰富的管理经验，并曾在华虹集团短暂担任过副董事长职位。此外，秦健在1997年曾任上海化工厂有限公司总经理、党委副书记、执行董事；2004年任上海太平洋生物高科技有限公司董事长、总经理兼党支部书记；2013年任上海华谊（集团）公司总裁、党委副书记；2015年任上海市松江区委副书记，区长；2017年任上海市信息投资股份有限公司党委书记。上海联和投资有限公司是华虹集团旗下华虹半导体的创始股东之一，最早参与了其设立和发展过程。目前，上海联和是华虹半导体的重要股东之一。秦健领导下，上海联和投资有限公司近年来在战略性新兴产业中的布局，涵盖人工智能、智能制造、生物医药等领域。他推动了多个重大高科技项目落地，促进了上下游产业链的协同发展，并在资本运作及企业价值管理方面积累了深厚实力。值得一提的是，国内另一家晶圆代工大厂中芯国际现任董事长刘训峰曾是上海华谊集团党委书记、董事长，在其任职期间，秦健曾任华谊集团总裁、党委副书记。现如今，二位又在半导体行业重逢，分别领导两家本土晶圆代工龙头企业。此番人事调整被业界普遍解读为华虹集团在当前全球半导体竞争格局中的一次主动布局，秦健的加入将为集团引入更多资本与产业资源。 2023年，华虹公司（证券代码：688347）招股书曾指出，于科创板上市之日起三年内，按照国家战略部署安排，在履行政府主管部门审批程序后，华虹集团将旗下12英寸晶圆代工子公司华力微注入华虹公司。这也意味着，按照招股书计划，新任领导秦健有望在未来2年内统筹推进这一举措。资料显示，张素心曾在上海汽轮机有限公司、上海西门子燃气轮机部件有限公司等企业担任高级领导岗位，历任上海电气集团股份有限公司执行董事、电气总公司副总裁，上海金桥(集团)有限公司党委书记、总经理。2013年8月，曾任上海市发改委副主任。在担任华虹集团董事长期间，张素心致力于推动集团在集成电路制造领域的技术突破与产业升级。他引领华虹不断扩大8英寸和12英寸晶圆制造的市场份额，在全球化布局中取得显著进展。他的领导下，华虹集团品牌的影响力不断增强，为中国集成电路产业发展作出了重要贡献。

华虹

芯查查资讯 . 2024-12-23 1 1 2020
芯片大战：Arm败诉，高通胜——大量机密信息披露

近年，Arm指控高通在 2021 年收购一家初创公司时获得的芯片技术许可后违反了其授权要求。经过几日的审判，特拉华州联邦法院的陪审员周五得出结论，高通在未支付更高许可费的情况下将该技术融入其芯片中，并未违反涵盖 Arm 芯片产品的协议条款。该协议是高通斥资 14 亿美元收购 Nuvia Inc. 时获得的。但陪审员未能就 Nuvia 是否违反许可达成一致。 Arm 声称，在高通收购这家初创公司并要求这家总部位于圣地亚哥的公司销毁其在收购中获得的设计后，其与 Nuvia 的协议应该重新谈判。高通依靠 Nuvia 的技术进军计算机处理器市场，它向陪审员辩称，它拥有一项单独的 Arm 创新通用许可，涵盖了其工作成果。下面，我们来回看一下，过去四天的举证，他们双方都说了什么：第一天尽管在此案开庭前已经进行了大量的公开披露，但一旦法庭开庭，大量的信息量是无可替代的。Arm 和 Qualcomm 开庭第一天就是这种情况。听这两家公司的说法，有时感觉这两家公司在谈论完全不同的案件，但仍然引用相同的合同文件。虽然这只是原定四到五天的证词的第一天，但许多问题都得到了回答。然而，正如通常的情况一样，答案会引发更多问题。第一天会议以两家公司的开场陈述开始，这就像一场审判中的审判。Arm 辩称，它向初创公司 Nuvia 支付了较低的前期许可费和较高的专利费率，以帮助该公司开始其开发工作，但获得了批准任何收购的机会，并达成协议，收购方必须协商新的架构许可。 Arm 称，Nuvia 和高通均未通知 Arm 此次收购。Arm 还声称，高通收购 Nuvia 是为了通过使用架构许可协议 (ALA) 来节省资金，而通过技术许可协议 (TLA) 获得标准 Arm 内核许可的成本更高。收购完成后，Arm 声称正在与高通讨论转让 Nuvia 设计，但前提是高通同意 Nuvia 许可协议中的专利使用费条款。Arm 称，高通拒绝了这一要求，但仍在未经许可的情况下继续使用 Nuvia 技术。高通称，由于 Arm 的 CPU 内核缺乏竞争力，高通难以与苹果竞争，这迫使其再次开始设计自己的 CPU 内核，从而促成了 Nuvia 的收购。高通声称，根据自己的 ALA 协议，它有权使用 Nuvia 技术，而 Arm 试图破坏 Nuvia 技术的使用，以便向高通收取更高的专利使用费。两家公司对 Arm 指令集架构 (ISA) 参考手册的重要性持有相反的看法，Arm 称其受版权保护，对任何合规的处理器设计都至关重要，而高通则称其为任何人都可以下载的开源解决方案，它更多的是软件指南，而不是处理器微架构的设计。在开场陈述之后，Arm传唤了三名专家证人： Arm 执行副总裁兼首席商务官 William Abbey Arm 高级副总裁兼物联网业务总经理 Paul Williamson Arm 首席执行官 Rene Haas 每位证人都接受了 Arm 律师的询问和高通律师的盘问。虽然这只是审判的开始，但自 2021 年以来，通过证词、文件、电子邮件、短信和公司内部和公司之间的信件，已经揭露了大量重要事实。以下是一些更有影响力的事实，它们提供了比审判前更深入的见解： 1、虽然 Arm 并未被告知 Nuvia 收购的消息，但它知道高通、微软或 Nvidia 很可能会收购 Nuvia。 2、Arm 担心高通的收购，因为这可能会影响其最大授权商之一的授权收入，并试图让高通采用 Nuvia ALA 专利费率。Arm 最初估计损失约为 5000 万美元。 3、Arm 确实将 Nuvia 合同的条件通知了高通，而高通则要求转让该设计。 4、两家公司继续谈判了八个月，试图就 Nuvia 技术的使用达成协议。Arm 的建议之一是，三年内不让 Nuvia 工程师参与 Arm 的设计，或者提出 1.35 亿美元的许可转让费，以维持高通对使用 Nuvia 技术的移动应用的现有 ALA 专利使用费，但对个人电脑、汽车和数据中心应用收取更高的 Nuvia ALA 专利使用费。 5、八个月后，两家公司让谈判失效并中断了沟通，直到 Arm 通知高通有意终止 Nuvia 许可，随后发出终止通知并提起诉讼。 6、Nuvia 许可终止后，Arm 不仅通知了高通终止许可的消息，还通知了 37 名高通现有和潜在客户，Arm 认为这是必要的，但高通认为 Arm 的做法过于激进，且基于不准确的陈述进行误导。显然，随着谈判的进展，双方关系变得紧张。有一次，Arm 首席执行官 Rene Haas 在证词中称高通为“敌人”，这令人沮丧。此前，双方密切合作了数十年，两家公司都受益于智能手机等新市场的成功以及 Arm 生态系统的蓬勃发展。真正的洞见来自于深入研究 Nuvia 和高通合同的细节和术语。今天证词中得出的一个关键点是，Arm 有权批准任何许可证转让，但高通要求以 Nuvia 设计的形式转让 Nuvia IP，即所谓的“Phoenix”CPU 核心。因此，高通没有对终止 Nuvia 许可证提出异议。 Arm 表示，只要收购方协商获得适当的 Arm 许可，Arm 通常会批准收购方转让设计，而 ALA 似乎没有对设计转让施加任何限制。在这种情况下，高通已经获得了 ALA 许可，其中包括即将推出的 Arm V9 架构，有效期至 2028 年，但高通可以选择将其延长至 2033 年，每年需额外支付 100 万美元。在对高通合同的一次审查中，Arm 称其为“万无一失”——这意味着没有办法取消或否定合同条款。然而，Arm 试图修改现有许可证和/或协商新的许可证以获得更高的专利费率。第二天在 Nuvia 创始人 Gerard Williams 等其他专家证人的证词支持下，Arm 与高通之间民事陪审团审判的第二天，法庭裁定一些多余的问题，并将焦点集中在两个关键主题上，即 CPU 内核的许可证和技术细节，从而更深入地了解合同混淆的起因以及陪审团在作出裁决时可能会考虑哪些因素。参加第二天专家证词的专家证人包括： 1、Gerard Williams – Nuvia 前首席执行官，现任高通工程高级副总裁 2、Robert Colwell 博士——曾就职于英特尔和 DARPA 3、Shou-Wei (Mike) Chen – 南加州大学电子计算机工程教授 4、Jonathan Weiser – 高通律师 Arm 有两种商业模式。第一种是通过技术许可协议 (TLA) 向公司出售包括 CPU 在内的 IP 块，用于芯片设计。第二种是通过架构许可协议 (ALA) 授权 Arm 指令集架构 (ISA)，允许公司开发符合 Arm 标准的定制 CPU 内核。 TLA 更为常见，占数千个 Arm 许可证的绝大多数。只有少数公司拥有 ALA，允许开发符合 Arm 标准的定制 CPU 内核。根据 Arm 的证词，这个数字在 5 到 20 个被许可人之间，包括或曾经包括 AMD、Ampere、Apple、Broadcom、Google、Intel、Marvell、Microsoft、Qualcomm 和 Samsung 等公司。这些 ALA 被许可人与 Arm 最赚钱的通过 TLA 销售 IP 的业务直接竞争。虽然 Arm 的许可协议中有一些共同的元素，但每一项都是根据客户的需求进行协商和定制的。不幸的是，所有协议都是保密的，无法审查。即使在诉讼过程中，也只有有限的几部分协议可供查阅。然而，今天的证词提供了一些关于 Nuvia ALA 的值得注意的事实，这是案件的核心，例如： 1、Arm 有权批准收购被许可方（本案中为 Nuvia）。这本身可能被视为不合理条件，因为它对被许可方施加了限制，但这取决于法院的决定。 2、如果 Nuvia 被收购，Nuvia ALA 将无效，收购公司必须获得自己的许可证，或者在这种情况下获得许可证，因为 Nuvia 使用 ALA 开发定制 CPU 内核，并使用 TLA 允许其在开发服务器处理器时使用其他现成的 Arm IP。据此，Arm 无需终止 Nuvia 许可证，因为一旦高通收购 Nuvia，这些许可证就会自动终止。然而，高通已经拥有 Arm 的 TLA 和 ALA 许可证。 3、协议终止后，被许可方必须停止使用并销毁与 Arm 兼容处理器相关的材料。 4、Nuvia ALA 中增加了一些条款来定义 Nuvia 知识产权 (IP) 并试图保护它。这增加了双方之间的混乱和争议。 5、合同确实规定，任何许可证转让都必须获得 Arm 的批准。许可证的一部分涵盖技术，另一部分涵盖 Nuvia 技术及其衍生产品，尽管没有明确提到“设计”一词，但这些内容似乎包括任何 CPU 设计的转让。最后几点引发了一个主要争论点。Phoenix CPU 核心是 Nuvia IP 还是属于 Arm 兼容设计类别？Arm 声称 Arm 兼容 CPU 是 Arm ISA 的衍生产品，而 Phoenix CPU 核心是 Arm 兼容的。高通声称微架构（实际的 CPU 设计）独立于 ISA，虽然 Phoenix 最终打算兼容 Arm，但设计尚未完成，也从未测试过是否兼容 Arm。高通并不否认其最新一代 PC 和旗舰智能手机 SoC（代号分别为 Hamoa 和 Pakala）的 CPU 基础使用了 Phoenix 核心。高通还将其用作即将推出的汽车 SoC（代号为 Nordschleife）的 CPU 基础。不过，据高通称，所有这些都是自 2021 年 7 月收购 Nuvia 后开始的独特设计。因此，陪审团需要决定的真正问题是高通是否有权根据 Nuvia ALA 和/或高通 ALA 许可使用 Nuvia 技术。这场纠纷还有另一个方面正在由法官决定，这可能与高通此前提起的反诉有关。当天接近尾声时，陪审团解散，开始就 Arm 在 CMN-650（代号 Rhodes）、CMN-700（代号 Kampos）和下一代 CMN（代号 S3）的开发过程中是否使用 Nuvia 向 Arm 提供的建议进行证词。CMN 代表相干网状网络。CMN-700 是第一个支持 Armv9 架构的产品。根据证词，Nuvia 正与 Arm 合作开发 CMN，提供功能建议和测试。Nuvia 还作为主要合作伙伴获得了早期使用权。根据文档，Nuvia 提供了许多改进平台的建议，但只包括高优先级到中优先级的项目，导致不到一半的建议得到实施。CMN-700 中的建议总数似乎大约为五六条。不幸的是，由于高通收购 Nuvia，合作中断了。 Nuvia 声称 Arm 使用了 Nuvia 的机密信息，因为所有建议都是通过加盖“机密”字样的文件提供给 Arm 的，而且 Arm 在许可终止后未能销毁所有文件。Arm 声称，根据 TSA，它有权使用其合作伙伴的任何建议，并且这些建议不被视为机密。然而，两家公司还签署了 2019 年的 NDA 协议，支持 Nuvia 声称这些信息是机密的说法。多份相互矛盾的文件的存在增加了这场争端的复杂性。第三天周三是被告（高通）陈述案件的机会。为了集中精力处理前两天证词中出现的大量细节，高通专注于两个方面：定义什么是 Arm IP，什么是 Nuvia IP，以及 Nuvia 和高通 ALA 许可的目的。需要提醒的是，原告 Arm 声称，根据 Arm 对 Nuvia ALA 许可的解读，Arm 有权批准对 Nuvia 的任何收购，并且终止协议时所有与 Nuvia 设计相关的材料都将被销毁。此外，Arm 还声称高通受 Nuvia ALA 许可的约束，并且 Nuvia Phoenix CPU 是符合 Arm 要求的衍生产品。除了周二作证的律师外，高通还传唤了另外两名专家证人：南加州大学教授穆拉利·安纳瓦拉姆博士和高通首席执行官克里斯蒂亚诺·阿蒙。高通还补充了 Arm 证词的视频证词，这些证词似乎表明 Arm 之前的证词和前两天的文件存在矛盾。在整个专家证词中，Arm 一直声称所有符合 Arm 标准的 CPU 都是 Arm 指令集架构 (ISA) 的衍生产品。Annavaran 博士提供了一个关于设计 CPU 和 SoC 的教程，以证明 ISA 不会驱动 CPU 设计。根据 Annavaran 博士的说法，您无法从 ISA 开发 CPU。正如他所说，ISA 是软件和硬件之间的“握手”。 Annavaran 博士表示，设计一个 150 亿个晶体管的芯片需要做出数千个决定，但无论使用哪种 ISA，对 CPU 的要求都是相同的。只有用于处理操作码的解码器文件和寄存器定义文件的设计与所选的 ISA 直接相关。Annavaran 博士表示，虽然 Nuvia 的意图是设计一款兼容 Arm 的处理器，但 Nuvia 尚未完成其设计，他认为 Nuvia Phoenix CPU 的设计属于 Nuvia，而不是 Arm。 Arm 反驳道，最新的 Qualcomm Snapdragon Elite 处理器、收购前的 Nuvia Phoenix 处理器和 Arm ISA（通常称为 Arm Arm）在集成电路设计中使用的寄存器传输语言 (RTL) 代码方面存在相似之处。Arm 辩称，与 Arm ISA 的相似性表明这些 CPU 设计是 Arm 的衍生产品，但根据 Annavaran 博士的证词，硬件仍然是独立于 ISA 开发的。随后，克里斯蒂亚诺·阿蒙作证，谈到了高通收购 Nuvia 的原因以及收购后的发展情况。阿蒙表示，高通十多年前就开始设计自己的 CPU 内核，因为高通在与现成的 Arm CPU 竞争时遇到了困难，无法与苹果的定制 CPU 保持竞争力。据他证词，苹果 CPU 的性能每代提升 20%，而 Arm CPU 的性能仅提升 10%。在高通开发了几代自己的 CPU 之后，Arm 提出了一项交易，以有竞争力的专利费率为高通提供有竞争力的 CPU。然而，阿蒙表示，Arm 未能实现性能，却提高了专利费率。高通仍在努力与苹果在智能手机领域的竞争，同时希望进入个人电脑市场，因此与初创公司 Nuvia 接洽，希望后者为高通设计新的 CPU 内核。当时，Nuvia 正在为服务器设计 CPU，因此拒绝了这一要求。尽管收购 Nuvia 的成本很高，但高通最终还是进行了收购，因为他们估计，从 TLA 许可下的现成 Arm CPU 转移到高通 ALA 许可协议下的定制 Nuvia CPU 设计，可以降低专利费率，从而抵消收购成本。预计每年可节省 14 亿美元，这最终成为了此次收购的谈判成本。通过对阿蒙先生的盘问，Arm 再次试图将 Nuvia 核心与 Arm ISA 联系起来，以表明它是 Arm 衍生 CPU，但与安纳瓦兰博士一样，阿蒙先生否认了这种联系。阿蒙先生对 Nuvia ALA 许可协议的细节知之甚少，他还表示，这是基于这样的假设：高通可以在未经 Arm 批准、未经同意、不中断工作的情况下收购 Nuvia，而这是基于高通 ALA 许可的。除了这两名证人外，高通还使用了 Arm 人员的录音证词来支持其主张。在录音证词中，Arm 员工承认了以下几点： 1、Arm (ISA) 不提供有关如何构建 CPU 或编写指令的信息 2、Arm 没有提供任何有关微架构的信息 3、Arm 已将其 CPU 的专利费率提高了 300% 至 400% 4、Arm 确实在 2020 年认证了 Qualcomm Phoenix CPU（Nuvia 设计的延续）符合 Arm 标准。 5、为了与苹果竞争，高通要求将 CPU 性能提高 20%，而当时 Arm CPU 的性能提升仅为 10%。 6、根据 ALA 许可，高通将有权使用 Nuvia CPU 来替代 Arm 内核 7、Nuvia ALA 中包含一些不常见的术语，指的是批准收购被许可人的能力。当天快结束时，辩方高通公司停止了辩论。在解散陪审团后，法官与各方合作确定了陪审团的指示。最终决定陪审团将确定两项内容： 1、一旦 Nuvia ALA 许可被取消，高通是否必须销毁与 Nuvia 设计、Nuvia ALA 协议相关的材料？这是应 Arm 的要求。 2、Qualcomm ALA 是否涵盖了 Qualcomm 为开发自己的定制核心所做的所有工作？这是应 Qualcomm 的要求。在经历了两年的诉讼后，Arm 的请求似乎相当有限。甚至连收购 Nuvia 是否违反 Nuvia ALA 的问题都不会向陪审团提出，而这似乎是诉讼的关键点。此外，根据法官的裁定，Arm 不得要求赔偿，因为它在之前的诉讼中没有这样做过。这个问题在审判开始前确实出现过，但法官拒绝允许。乍一看，高通的问题似乎有些不言而喻，然而，高通似乎希望获得一项司法裁决，以防止其 CPU 设计受到任何进一步的诉讼，鉴于已经完成对 Nuvia 的收购，这包括 Nuvia 工程师现在和将来的努力。周四上午，双方将在陪审团收到指示之前进行结案陈词。另一起案件是高通/Nuvia 的反诉，该案件涉及在 Arm 相干管理网络 (CMN) 产品的设计中使用 Nuvia 的建议，法官也将在本周晚些时候作出裁决。第四天高通/Arm 案审判第三天的证词结束之后，只剩下最后陈述、陪审团指示和审议。陪审团在几个小时后仍未做出裁决，因此审议将于周五继续。此外，关于 Arm 使用 Nuvia 设计建议的反诉证词尚未完成，并将在假期结束后继续进行，假期将于 2025 年 1 月 3 日或之后恢复开庭。如果陪审团今天没有达成裁决，虽然没有确认，但假定审议将于 1 月 3 日继续进行。所以，我借此机会报道第 4 天的诉讼程序，并反思在审判过程中产生的一些见解。程序上，原告 Arm 进行了结案陈词，随后被告 Qualcomm 也进行了结案陈词。Arm 在结案陈词之后进行了反驳，而 Qualcomm 被允许进行简短反驳，因为陪审团正在决定的第三个问题与 Qualcomm 的反诉有关。陪审团被指示裁决的三项陈述如下（请注意，这些陈述是摘要）： 1、Arm 是否证明 Nuvia 违反了 Nuvia 架构许可协议 (ALA) 第 15.1(a) 条？第 15.1a 条是该协议的终止条款，要求停止使用任何 Arm 技术，并销毁所有相关材料和设计。 2、Arm 是否证明高通违反了 Nuvia ALA？ 3、高通是否证明高通 CPU 受到高通 ALA 的保护？高通的反诉 Arm 的结案陈词集中在 Nuvia ALA 协议上。Arm 逐行介绍了 Nuvia ALA 协议的几个部分，并将其与专家证词（主要来自高通和 Nuvia 员工）进行了对比。Arm 还在整个审判过程中对高通的指控进行了反驳。高通的最后陈述更为激烈，涉及 Arm 的要求、破坏耗费大量工程精力开发的知识产权 (IP)，以及与法律诉讼和 Nuvia 及高通 CPU 设计相关的事件时间表。高通辩称，交易时转让给高通的设计和信息是 Nuvia IP，其中仅包含 1% 的 Arm IP，即将硬件微架构与 Arm 软件指令集架构 (ISA) 链接起来的操作码。高通还辩称，这些操作码会定期重新生成，在收到终止通知时的设计中或收购后开始的未来高通 CPU 设计中均未包含原始代码。高通还辩称，高通 CPU 设计受高通 ALA 的保护，这是反诉的基础。高通还使用了主要来自 Arm 的证词来支持其论点。双方还使用了非常有选择性的证词，试图破坏一些专家证人的可信度，并在结案陈词中表明对方的意图。结案陈词结束后，法官立即宣读了陪审团指示，陪审团被保安隔离。由于等待判决期间几乎没有什么事可做，因此这是一个强调审判中得出的一些见解的好时机。两家公司之间的民事审判最有趣的地方在于机密信息被公开，本案也不例外。公开的信息包括 Arm 合同的细节、高通路线图和设计信息，以及双方通过信件、电子邮件、内部演示和聊天进行的幕后沟通。以下是从证词和文件中得出的一些见解： 1、Arm 有（或至少曾经有过）一个名为 Picasso 的官方计划，旨在提高专利费率。Arm 最大的被许可方高通的专利费率涨幅在 300% 到 400% 之间。因此，可以假设 Arm 正试图从其他被许可方那里获得类似的涨幅。 2、高通在收购 Nuvia 后启动了四项 CPU 设计工作：用于计算（主要是笔记本电脑）的 Hamoa、用于移动（主要是智能手机）的 Pakala、用于汽车的 Nordschleife 和用于未来计算和移动应用的 Pegasus。基于 Hamoa 和 Pakala 的 SoC 现已出货。 3、Arm 内部对于如何应对 Nuvia 收购案存在分歧。包括当时的首席执行官 Simon Segars 和首席架构师 Richard Grisenthwaite 在内的一些老将持支持态度，而其他人则持反对态度。 4、在收购 Nuvia 之后，Arm 在与高通的交易中似乎表现得咄咄逼人。这包括推动承担 Nuvia ALA、重新谈判高通 ALA，以及向 37 名现有和潜在的高通客户散布不实的声明和信息。甚至董事会主席孙正义也推动了对高通的这种“压力”。 5、高通在收购 Nuvia 期间和之后似乎一直秉持诚信经营，包括支付基于 Hamoa 和 Pakala 的芯片组的专利使用费。然而，Arm 已经退还了这笔资金。没有证据表明高通试图欺骗 Arm。高通在完成收购之前似乎无法直接访问 Nuvia ALA，也没有理由相信它与高通 ALA 有显著不同，后者广泛涵盖了高通开发或为高通开发的任何定制 IP，并且没有与收购高通相关的要求。 6、高通的 ALA 许可证将延长至 2028 年，并且该公司可以选择将其延长 5 年，每年需额外支付 100 万美元的费用。 7、Arm 一直在考虑制造完整的处理器，并讨论过为三星制造处理器。这大概是为了与其 ALA 授权商的内部开发项目竞争。据推测，Arm 不会在公开市场上销售芯片，因为他们将直接与 Arm 的 TLA 客户竞争，而 TLA 客户是 Arm 业务中最赚钱的部分。 8、Arm 直到开庭前才表示其业务受到了何种损害，而法官当时也不允许将其纳入审判范围。Arm 表示，直到产品开始出货时才出现损害，这指的是用于个人电脑的基于 Hanoa 的骁龙 SoC 和用于下一代 Android 智能手机的基于 Pakala 的骁龙移动 SoC。 9、Nuvia ALA 似乎存在相互冲突的条款和非典型要求，最终导致了与高通的诉讼。如果 Nuvia ALA 的通用条款和条件更加清晰，那么许多争议点的可能性就会大大降低。随着两家公司关系的恶化，高通可能不得不考虑在 2033 年 ALA 到期之前使用另一种架构。即使 Arm 提供新的许可，考虑到两家公司最近的历史以及 Arm 管理层的目标，条款可能不那么有利。请注意，高通确实拥有使用最新 Armv9 架构的许可。

高通

芯视点 . 2024-12-23 1 1 2090
市场周讯 | 美国预发布3条中企禁令；本田、日产、三菱或将合并；Arm败诉高通专利案

| 政策速览 1. 美国：美国政府正考虑以国家安全为由对中国科技公司、路由器领先制造商 TP-Link实施禁令。 2. 美国：拜登政府正准备对中国生产的旧型号半导体进行贸易调查，原因是担心美国对这些产品日益增长的依赖性可能构成国家安全威胁。调查最终可能导致对某些中国芯片和含有这些芯片的产品征收关税、实施进口禁令或采取其他行动。但采取何种措施将由即将上任的川普政府决定。拜登政府可能会在未来几周内启动调查，但很可能至少需要六个月才能做出结论。 3. 欧盟：欧盟宣布第十五轮制裁措施。制裁对象包括根据Decision 2014/145/CFSP的84名主体（含54名个人和30个实体）以及根据Decision 2014/512/CFSP的32名主体与52 艘船舶。其中涉及13名中国主体（12个企业与1名个人），其中有一家深圳企业巨航航空被列名了两次。被列涉中实体清单： 1. ARCLM International Trading Co. Ltd 2. Shijiazhuang Hanqiang Technology Co.石家庄晗强电子科技有限公司 3. Asia Pacific Links Ltd. 4. Redlepus TSK Vektor Industrial (Shenzhen) Co., Ltd红兔矢量实业（深圳）有限公司 5. Xiamen Limbach Aviation Engine Co., Ltd厦门林巴赫航空发动机有限公司 6. Time Art International LTD时亚国际有限公司 7. Ele Technology Co. LTD深圳市易络电子有限公司 8. Ningbo Blin Machinery Co., Ltd.宁波贝宁机床有限公司 9. Shenzhen Xingding Machinery Ltd深圳市星鼎机械有限公司 10. Powerever Electronic Technology 北京威旺达电子科技有限责任公司 11. Qisda Optronics (Suzhou)苏州佳世达 12. Juhang Aviation Technology Shenzen Co., LTD巨航航空科技（深圳）有限公司被列名个人： Li XIAOCUI（李晓翠）说明：制裁依据有两个：Decision 2014/512/CFSP和Decision 2014/145/CFSP。二者都是欧盟针对乌克兰局势采取的限制性措施，但它们关注的重点和具体内容有所不同：1） Decision 2014/512/CFSP针对俄罗斯该决定于2014年7月31日通过，主要关注俄罗斯行动对乌克兰局势的破坏性影响。包括了对俄罗斯的经济制裁，例如禁止销售、供应、转移或出口武器、军民两用物品和技术、某些石油勘探和生产技术，以及对军事物品清单中包含的商品和技术提供援助。该决定还涉及对俄罗斯的旅行禁令和资产冻结措施。 2） Decision 2014/145/CFSP该决定于2014年3月17日通过，主要针对破坏或威胁乌克兰领土完整、主权和独立的行动。规定旅行禁令和资产冻结措施，并列出相关人员名单。该决定旨在针对那些对乌克兰领土完整、主权和独立构成威胁的个人、实体和机构。 4. 美国：美国国防部宣布已于12月13日将中微半导体设备（上海）股份有限公司和IDG资本从中国军事企业清单（CMC清单或1260H清单）中移除。 5. 深圳：“深圳开放智算中心”将打造粤港澳大湾区单集群最大智算中心，基于国际主流智能算力芯片及一体化计算加速和训推全栈工具链，目前已上线2000P算力，为深圳“在地算力”核心供给；“深圳市智慧城市算力统筹调度平台”已与18家算力供给单位对接，汇聚了全国136个资源池，可调度智能算力资源超9000P，2025年底计划实现40000P算力调度。深圳最新提出每年将发放最高5亿元训力券，智城翼云此前已入选训力券服务机构，中国电信100%持股的天翼资本控股有限公司对其持股比例为49%。 6. 深圳：深圳市工业和信息化局印发《深圳市打造人工智能先锋城市的若干措施》。其中提到，加大基础研究和技术攻关支持力度。每年投入最高3亿元，聚焦人工智能的数学原理、基础架构、核心算法等前沿方向和具身智能、自动驾驶、人工智能芯片等重点领域，开展基础研究和技术攻关。对基础研究重大项目、重点项目、面上项目分别给予最高1000万元、300万元、60万元的资助。对科技重大专项和人工智能“揭榜挂帅”项目，按不超过项目投资额的50%，给予最高3000万元资助。 7. 工信部：工业和信息化部、财政部、中国人民银行、金融监管总局等四部门近日联合印发《中小企业数字化赋能专项行动方案（2025—2027年）》，推动中小企业数字化转型迈向更广范围、更高水平、更好质效。方案提到，到2027年，中小企业数字化转型“百城”试点取得扎实成效，专精特新中小企业实现数字化改造应改尽改，形成一批数字化水平达到三级、四级的转型标杆；试点省级专精特新中小企业数字化水平达到二级及以上，全国规上工业中小企业关键工序数控化率达到75%；中小企业上云率超过40%。 8. 美国：美国商务部正在调查过去一年中英伟达公司的产品如何流入中国。NVIDIA已要求 Super Micro Computer（超微电脑）等大型分销商，以及戴尔科技对东南亚客户进行抽查。超微电脑和戴尔生产的服务器产品中嵌入了英伟达的人工智能芯片。 | 市场动态 9. TrendForce：2024年第三季恰逢智能手机销售旺季，伴随各大品牌接连推出旗舰新机，带动生产总数季增7%，约达3.1亿支，与去年同期持平。 10. Omdia：AMOLED面板预计到2028年将在显示面板市场收入中占据43%的份额，而目前主流技术TFT LCD的份额将下降至55%。 11. 英国：英国11月份的汽车产量降至44年来最低水平，受到英国及欧洲需求疲软的影响，产量同比下降30%，仅约64,200辆，连续第九个月出现下滑。 | 上游厂商动态 12. 中科飞测：拟在上海市浦东新区投资建设“上海高端半导体质量控制设备研发测试及产业化项目”，用于高端半导体质量控制设备研发测试中心及产业化基地建设，拟投资规模14.81亿元，将由中科飞测全资子公司飞测思凯浦实施。 13. 上海市政府发布公告华虹集团党委书记、董事长张素心正式离任，由上海联和投资有限公司党委书记、董事长兼总经理秦健接任。 14. 英飞凌：英飞凌携手亿纬锂能为汽车市场提供综合的电池管理系统解决方案。英飞凌将提供整套芯片解决方案，包括微控制单元（MCU）、电池均衡和监测IC、电源管理IC、驱动、MOSFET、CAN和传感器产品。 15. NXP：NXP公司宣布已达成最终协议，以全现金交易的方式收购先进车载连接解决方案提供商 Aviva Links，交易价值为 2.425 亿美元，旨在扩大NXP高级驾驶辅助系统和车载信息娱乐领域份额。 16. R apidus：已开始在位于北海道的在建芯片制造工厂安装日本首台ASML极紫外(EUV)光刻设备。公司正与IBM合作，计划于2025年春季采用最先进的2nm工艺开发原型芯片，并于2027年实现量产。 17. 索尼半导体：索尼半导体制造公司迄今已出货了超过200亿个图像传感器，并且正在日本熊本县建设一家新工厂，所以公司没有放慢发展速度的计划。 18. 环球晶圆：美国商务部向环球晶圆美国子公司提供高达4.06亿美元的直接补助。这笔资金将用于支持环球晶圆位于得克萨斯州谢尔曼及密苏里州圣彼得斯的先进半导体晶圆厂40亿美元投资计划。美国商务部将根据环球晶圆子公司完成各项专案里程碑的情况，于数年内分次发放该项补助。 19. 台积电：N2制程在性能上提升了15%，功耗降低了高达30%，能效显著提升。此外，得益于环绕式栅极（GAA）纳米片晶体管和N2 NanoFlex技术的应用，晶体管密度也提高了1.15倍。N2 NanoFlex技术允许制造商在最小的面积内集成不同的逻辑单元，进一步优化了制程的性能。据悉，N2制程晶圆的价格将比3纳米制程高出10%以上。 20. 英特尔：已将多家收购公司列入下一轮竞购其 Altera 子公司的候选名单，包括 Francisco Partners 、Silver Lake Management 在内的私募股权公司正在与 Lattice Semiconductor Corp.、Apollo Global Management Inc. 和 Bain Capital等。 21. SK海力士：美国国商务部确认针对韩国芯片制造商SK海力士的《芯片与科学法案》激励措施，将向其提供4.58亿美元的直接补贴。这笔资金旨在支持SK海力士在印第安纳州新建人工智能芯片先进封装生产基地。作为NVIDIA的供应商，SK海力士4月宣布将斥资38.7亿美元在印第安纳州建造适于AI的芯片封装厂。除了补助金外，美商务部还计划为SK海力士项目提供最高5亿美元的政府贷款。 22. Arm＆高通：高通在未支付更高许可费的情况下将该技术融入其芯片中，并未违反涵盖 Arm 芯片产品的协议条款。该协议是高通斥资 14 亿美元收购 Nuvia Inc. 时获得的。但陪审员未能就 Nuvia 是否违反许可达成一致。 | 应用端动态 23. 本田&日产：本田与日产汽车将就成立控股公司、两家企业纳入旗下的方向推进协调。未来还将考虑加入三菱汽车。如果三家企业統合，销量将超过800万辆，跃居世界第三。 24. 微软：微软2024年购买的用于人工智能（AI）的英伟达Hopper架构芯片数量远超英伟达在美国的第二大客户“元”公司，更远超其云计算竞争对手亚马逊和谷歌，以期在构建下一代人工智能系统的竞争中占得先机。 25. 一加：一加中国区总裁李杰表示，未来手机独显芯片将被取代，更多厂商会放弃外挂独显芯片，转而选择旗舰平台的GPU原生级超帧方案。 26. 极越：极越员工的善后方案文件提到，在相关政府部门指导和见证下，将建立监管共管账户，代极越为员工支付相关费用，垫付资金由百度、吉利打入。

芯片

芯查查资讯 . 2024-12-23 6 4 4690
人工智能对数据中心基础设施带来了哪些挑战

在加密货币和人工智能/机器学习（AI/ML）等新兴应用的驱动下，数据中心的能耗巨大，并将快速增长以满足用户需求。根据国际能源署（IEA）的最新报告，2022 年数据中心的耗电量将达到 460 TWh（太瓦时），约占全球总用电量的 2%。在美国，拥有全球三分之一的数据中心，耗电量为 260 TWh，占总用电量的 6%。预测未来具有挑战性，这取决于部署了多少非常耗电的图形处理单元（GPU）来应对人工智能技术的需求，当然还取决于进一步增加空调来降低数据中心的温度。国际能源署的报告显示，到 2026 年，数据中心的耗电量将至少增长到 650 TWh（40%），但也可能高达 1,050 TWh（128%）。数据中心支持人工智能趋势人工智能是一项极其耗电的技术，支持其运行的数据中心需要具备足够的算力和电力输送能力。瑞典RISE研究机构最近的一项研究清楚地展示了由于该技术迅速普及所带来的巨大变化。例如，ChatGPT在2022年11月推出后仅五天内就达到了100万用户。他们在两个月内就拥有了 1 亿用户，而TikTok达到同一用户量级用了9个月，Instagram则用了两年半的时间。作为参考，在谷歌上进行一次搜索仅需 0.28 Wh，相当于让一个60W的灯泡亮17秒。相比之下，训练 GPT-4 需要 1.7 万亿个参数和 13 万亿个tokens（单词片段），这是一个完全不同的命题。要做到这一点，需要包含 25,000 个英伟达 A100 GPU的多台服务器，每台服务器的功耗约为 6.5 kW。OpenAI 表示，训练耗时 100 天，耗能约 50 GWh，耗资 1 亿美元。显然，人工智能将极大地改变数据中心的游戏规则，其所需的计算能力和能耗水平将远远超过我们迄今为止所看到的任何水平。数据中心 48V 架构早期的数据中心采用集中式电源架构 (CPA)，将主电源（电网）电压集中转换为 12V（母线电压），然后将其分配给各服务器，并使用相对简单的转换器在本地将其转换为5V 或 3.3V逻辑电平。然而，随着功率需求的增长，12V 母线上的电流（以及相关损耗）变得高得令人无法接受，迫使系统工程师改用48V 母线布置。根据欧姆定律，电流减少了 4 倍，损耗则降低了 4 倍的平方。这种配置被称为分布式电源架构 (DPA)。与此同时，处理器和其他一些元器件的电压也在不断降低，最终降至亚伏特级别，导致需要多个次级电压轨。为解决这一问题，采用了二阶转换技术，通过DC-DC转换器（称为中间母线转换器 - IBC）将 48V 电压转换为 12V 母线，再根据需要从 12V 母线输出其他电压。图1 服务器电源系统的结构对高能效 MOSFET的需求数据中心内部的电力损耗给运营商带来了挑战。首先，也是最明显的一点是，他们正在为那些无助于服务器运行的电力付费。其次，任何浪费的能源都会转化为热量，这就必须设法处理。由于超大规模AI服务器的功率需求高达 120 kW（而且肯定会随着时间推移而增加），即使在 50％负载的情况下，以 97.5％的峰值效率计算 2.5％的损耗，每台服务器也会浪费 1.5 kW的电力，相当于一台全时运行的电加热器。处理热量可能需要在功率转换系统中采取散热措施，如散热器或风扇。这些措施会增大电源的体积，占用本可用于更多计算能力的空间，就风扇而言，还会耗费电能并增加成本。由于数据中心内的温度需要严格控制，过高的损耗也会使环境温度升高，这意味着需要更多的空调来降温。这既是资本支出，也是运营成本，同时还占用空间。显然，尽可能高效地将主（电网）电压转换为驱动人工智能 GPU 和其他设备供电所需的电压，对数据中心运营商来说大有裨益。因此，多年来人们在电源拓扑结构方面做了大量工作，在前端 PFC 阶段引入了图腾柱PFC (TPPFC) 等技术，以提高其效率。此外，为了提高效率，二极管整流器已被 MOSFET 所取代，并引入了同步整流等技术。优化拓扑结构只是其中的一半，要优化效率，所有元件也必须尽可能高效，尤其是对转换过程至关重要的 MOSFET。当 MOSFET 用于开关电源转换时，主要有两种形式的损耗：导通损耗和开关损耗。导通损耗由漏极和源极之间的电阻（RDS(ON)）造成，在电流流动时一直存在。开关损耗是由栅极电荷 (Qg)、输出电荷 (QOSS) 和反向恢复电荷 (Qrr) 共同造成的，这些电荷在每个开关周期都会得到补充。由于目前的趋势是提高开关频率以减小磁性元件的尺寸，因此随着补充频率的增加，这种损耗也会变得相当显著。显然，特定 MOSFET 的导通损耗和开关损耗越低，电源系统的整体转换效率就越高。 PowerTrench® T10 MOSFET 简介同步整流现在已成为所有高性能、大电流、低压电源转换应用中的关键技术，特别是在数据中心服务器的应用中更是如此。在这种应用中，包括RDS(ON)、Qg、QOSS和Qrr在内的几个MOSFET参数会直接影响转换效率，器件制造商正努力寻求减小这些影响的方法。安森美的 PowerTrench T10 MOSFET 采用新型屏蔽栅极沟道设计，实现了超低的 Qg 值，且 RDS(ON) 低于 1mOhm 。最新的 PowerTrench T10 技术不仅减少了振铃、过冲和噪声，其业界先进的软恢复体二极管还降低了 Qrr。这在导通电阻性能和恢复特性之间实现了良好的折中平衡，同时还可实现具有良好反向恢复特性的低损耗快速开关。总体而言，PowerTrench T10 器件在参数方面的改进提高了中低压、大电流开关电源解决方案的效率。通常情况下，开关损耗比上一代器件最多可降低 50%，而导通损耗可降低 30%-40%。安森美推出了PowerTrench T10技术的40V系列和80V系列产品。NTMFWS1D5N08X（80V、1.43mΩ、5mm x 6mm SO8-FL 封装）和 NTTFSSCH1D3N04XL（40V、1.3mΩ、3.3mm x 3.3mm 源下双冷却封装）为人工智能数据中心应用中的电源单元（PSU）和中间母线转换器（IBC）提供了同类极佳的效率（FOM）。它们达到了开放式机架（Open Rack） V3 规范要求的 97.5% 的 PSU 效率和 98% 的 IBC 效率。图 2 PowerTrench T10 MOSFET 的优势结语人工智能革命已经到来，没有人能够完全确定它对数据中心未来的电力输送需求究竟意味着什么。不过，可以肯定的是，一系列新的挑战已经出现。房地产资源稀缺和电网的限制使得很难找到容量充足的新地点。关键 IT 方面的总体电力需求激增，给电力成本带来沉重负担。为了满足这些需求，数据中心业主不仅要建设新设施，还要将现有设施推向极限，力求实现每平方英尺兆瓦级的高密度配置。随着功率水平肯定会超过 100 kW，功率转换将成为关键重点，以实现高效运行，确保散热，可靠地提高功率密度，并在狭窄的现代数据中心中节省空间。安森美的 PowerTrench T10 技术提供了业界先进的 RDS(ON)、更高的功率密度、降低开关损耗，以及更好的热性能，从而降低总系统成本。PowerTrench T10 等创新功率半导体技术将成为未来的关键组成部分。

人工智能

安森美 . 2024-12-23 1 1 1080
黄仁勋“烤箱”再出新品，这次是高性价比生成式AI超级计算机

黄仁勋上一次从家里的烤箱中拿出的新品是HGX。12月17日，他家厨房里的烤箱中“烤”出来了另一个新产品，那就是NVIDIA的Jetson Orin Nano Super------一款高性价比的生成式AI超级计算机。黄仁勋从“烤箱”中端出该款产品的时候，在幽默地表示，由于“烤”的时间有点久，所以产品变得更小巧了。确实，NVIDIA此次更新的全新 NVIDIA Jetson Orin Nano Super 开发者套件只有手掌大小，尺寸为45×69.6mm，与信用卡大小相当。不过，虽然它体积不大，但性能却没有缩水，反而变得更强了。更重要的是，价格相比前一代产品直接减半，从499美元降至249美元，其中国内售价为2070元。该开发者套件包含一个 Jetson Orin Nano 8GB 系统级模组（SoM）和一个参考载板，SoM中集成了NVIDIA Tegra Orin SoC，该SoC具有6核Arm Cortex-78AE 64位处理器，最高频率位1.7GHz，拥有1.5MB的L2缓存和4MB的L3缓存；GPU基于Ampere架构，拥有32个第三代Tensor Core和1024个最高频率为1020MHz的CUDA核心；板载了8GB的LPDDR5，128位，内存带宽位102GB/s；支持SD卡插槽和外部NVMe，功率为7W~25W。在性能方面，新的开发者套件与上一代产品相比，其生成式AI推理性能提升了70%，从原来的40TOPS提升至67 INT8 TOPS，内存带宽提高了 50%，达到 102GB/s。生态方面，新的开发者套件支持Cuda和CUDNN，还支持TensorRT等NVIDIA的完整AI生态系统。应用方面，新的开发者套件可以适用于机器人、工作站、计算机视觉等边缘计算等应用领域。据NVIDIA介绍，新的Jetson Orin Nano Super超计算机能运行HGX所能做的所有程序，包括运行大语言模型。总的来说，Jetson Orin Nano Super超计算机是一款价格合理，性能卓越的边缘AI开发工具，其亲民的定价也是让生成式AI走向普及的重要一步。无论是探索大语言模型的本地运行，还是进行一些计算机视觉应用，该套件都显示了其灵活性和计算能力。未来，特别是火热的机器人赛道，更是它的大展拳脚之地。

边缘AI

芯查查资讯 . 2024-12-20 5 4 2495