至顶网CIO与应用频道 11月01日 北京消息:随着科技的发展,不断涌现的新产品对电源提出了越拉越高的要求。TI每一代产品和上一代相比,除了芯片本身尺寸变小之外,产品集成度也会越来越高,包括外置电感和电容TI都会做集成方案,使得设计更简单,系统设计更可靠。
近日,德州仪器发布了LMZM33606电源模块和TPS62827降压转换器,以满足更高功率密度需求的趋势。
TI电源模块有三个显著优点:
1、EMI特性优良,开关电源是EMI的主要来源,模块把电容集成可以把电流环路做得更小,这样就可以满足很多EMI标准。从模块规格上可以满足EN55011和CISPR11辐射的标准。
2、功率密度,将被动元器件,如电感、电容、电阻器件等集成到芯片里,采用QFN封装,下面是基板。因为有基板存在,所以热阻比较小,散热也比较好。
3、WEBENCH®使设计变得简单,TI支持使用WEBENCH®在线设计,为用户提供便利,只需将输入输出参数放到WEBENCH®里,易于算出电容和电阻。
宽输入电压转换器功率密度演化的发展主要是频率的变化,TI的产品从52kHz到2.1MHz,尺寸变得更小,不仅提高了频率,而且还提升了功效。
LMZM33606电源模块是一款易于使用的集成式电源解决方案,它在一个薄型封装中整合了一个具有功率 MOSFET 的 6A 直流/直流转换器、一个屏蔽式电感器和多个无源器件。此电源解决方案仅需四个外部组件,并且省去了设计流程中的环路补偿和磁性元件选择过程。
该器件采用 16mm × 10mm × 4mm、41 引脚 QFN 封装,可轻松焊接到印刷电路板上,并可实现紧凑的薄型负载点设计。包括电源正常、可调节软启动、跟踪、同步、可编程 UVLO、预偏置启动、可选自动或 FPWM 模式以及过流和过热保护在内的全套功能使 LMZM33606 非常适合为各种 应用供电。
TPS62827是5.5V输入,4A输出的降压转换器,TPS62827产品的优点包括:输出精度比高,采用DCS控制可以使得精度控制在1%(偏差)范围内,比较符合处理器和FPGA的应用;整个PCB板子小,芯片尺寸只有1.5mm×1.5mm;除了4A的产品还有2A-3A pin to pin;支持WEBENCH®在线仿真和设计,简化设计应用,只要把参数输入,所有的结果在网站上可以得到显示。
德州仪器副总裁兼降压开关电源产品业务部总经理 Mark Gary表示,TPS62827是5.5V输入的低压产品,5.5V的产品主要包括两个应用,一是电池,比如单节锂电池;二是二级电源。
氮化镓(GaN)也是最近比较受关注的新技术。德州仪器(TI)近日宣布推出支持高达10kW应用的新型即用型600 V氮化镓(GaN),50mΩ和70mΩ功率级产品组合。与AC/DC电源、机器人、可再生能源、电网基础设施、电信和个人电子应用中的硅场效应晶体管(FET)相比,LMG341x系列使设计人员能够创建更小、更高效和更高性能的设计。
德州仪器的GaN FET器件系列产品通过集成独特的功能和保护特性,来实现简化设计,达到更高的系统可靠性和优化高压电源的性能,为传统级联和独立的GaN FET提供了智能替代解决方案。通过集成的<100ns电流限制和过温检测,器件可防止意外的直通事件并防止热失控,同时系统接口信号可实现自我监控功能。
高压电源应用产品业务部氮化镓(GaN)功率器件产品线经理 Steve Tom表示,新技术刚开始使用的时候会贵一些,随着整个市场的成熟,越来越多的客户使用,整体价格趋势会逐渐降低;GaN相对传统硅的频率可以跑到1MHz,外围的电感和电容尺寸可以变得更小。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。