至顶网CIO与应用频道 11月02日 北京消息:在汽车领域中,磁传感器是一种看不见但又不可或缺的技术,它能使从转弯信号到点火定时的一切都成为可能。
在您的汽车里,这些小小的传感器件可能多达70个,它们默默地执行被赋予的各种功能,让您可以顺利地从目的地A移动到目的地B。
“和其它很多用来维系现代生产生活正常运转的半导体器件一样,用户是看不见磁传感器的,但对于那些我们早已习以为常的许多功能而言,它却扮演着举足轻重的角色,”工艺开发经理 Ricky Jackson说道。
海量应用
磁传感器无所不在、尺寸小巧且价格合理,可以轻松地和其他电路一同集成到芯片上,因此,磁传感器被人们广泛用于各种应用。(如需了解更多关于磁传感器的信息,敬请阅读白皮书)。
磁传感技术在机器人和工厂自动化中的优势尤其明显。由于磁传感器在零件位置和速度检测方面具有更高的可靠性和精密度,因此,它对运动控制而言至关重要。这一优势也让机器手臂和其它部件能够平稳而准确地移动,从而确保高质量和高安全性的制造过程。
除汽车外,磁传感器还大量用于如洗衣机和微波炉等家用电器中,以检测机器的门是处于关闭还是打开状态。磁传感器还被广泛用于医疗器械中,例如,当应用于助听器时,它能够检测佩戴者是否携带了手机,然后更改至相应的模式,以帮助佩戴者能够更清楚地听到来电。此外,它还常被用于电梯中的楼层检测以及检测例如平板电脑或手机等手持设备是处于打开还是关闭的状态。
工作原理
磁传感器的工作原理是通过将磁场转换成电压或电流信息。由于传感器的内部运行和外部组件不需要实际接触,因此,磁传感器成为汽车和工业环境中降低环境污染的理想之选,同时它还能够减少因组件之间的摩擦而产生的磨损,从而降低设备的维护成本。
磁传感器有多种多样的功能,但要特别指出的是,其中有两种功能的传感器可以被广泛集成到其它电路,那就是霍尔效应传感器和磁通门传感器。
霍尔效应传感器能够可靠地在各种电磁环境中运行,倍受制造商的推崇与喜爱。常见的应用包括油量表,主要用于检测油箱中的浮子,同时它也可用于无刷电机,检测转子位置并对电流进行计时。当磁传感器与其它电路集成时,制造过程无需特殊材料或进行特殊处理,有助于降低设计成本。
与霍尔效应传感器相比,磁通门传感器则更加敏感,它能够检测到磁场中非常细微的变化。磁通门传感器常用的应用包括轮船和飞机的电子罗盘以及地质学家用于检测地下结构的仪器。
新发展
德州仪器(TI)可提供一系列与集成霍尔效应或磁通门传感器相关的解决方案。
“我们正在研发各式各样的磁感应技术,并将其集成至半导体工艺中,以开发出各种有趣的新器件,”系统工程师Ross Eisenbeis说道。
对于希望在芯片设计中使用TI传感器的工程师们来说,TI提供了丰富的片上功能和支持。一系列的工具和软件可以协助工程师打造新设计,而工程师们也可以在我们的论坛上交流看法并讨论最佳实践。丰富的在线培训则可以帮助工程师们更充分地利用TI磁传感器的各项特性和优势。
Ross表示,“我们正在开发一系列的新技术,帮助设计工程师更轻松地达成性能和成本目标。同时,我们还可以为他们提供大量便于使用的技术文档。我们的技术专家和IC设计师们也一直都在持续地推动这些技术的发展。”
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。