至顶网CIO与应用频道 11月15日 北京消息:从“砖头”手机到笨重的电视机,电源模块曾经在电子电器产品中占据相当大的空间,而且市场对更高功率密度的需求仍是有增无减。
硅电源技术领域的创新曾一度大幅缩减这些应用的尺寸,但却很难更进一步。在现有尺寸规格下,硅材料无法在所需的频率下输出更高的功率。而对于即将推出的5G无线网络,以及未来的机器人、可再生能源直至数据中心技术,功率都是一个至关重要的因素。
“工程师现在处于一个非常尴尬的境地,一方面他们无法在现有空间内继续提高功率,但同时又不希望增大设备所需的空间,”德州仪器产品经理Masoud Beheshti说,“如果不能增大尺寸,那么只能提升功率密度。”
GaN的时代
60多年以来,硅一直都是电气组件中的基础材料,广泛用于交流电与直流电转换,并调整直流电压以满足从手机到工业机器人等众多应用的需求。虽然必要的组件一直在持续改进和优化,但物理学意义上的极限却是横亘在硅材料面前的一条无法逾越的鸿沟。
与此同时,一种基于GaN的全新电源和转化系统正应运而生,它们的功率损耗更低,产生的热量也更少。由于高温会提高运行成本、干扰网络信号并诱发设备故障,这些特性便显得尤为重要。
GaN可处理更高频率和更高能效的电源,与硅组件相比,它可以在尺寸和能耗减半的条件下输送同等的功率。由此便可以提高功率密度,帮助客户在不增大设计空间的同时满足更高的功率要求。
更高的频率交换意味着GaN可以一次转换更大范围的功率,减少复杂装置中的功率变换。由于每次功率变换都会产生新的能耗,这对于很多高压应用都是一项显著的优势。
当然,一项已经持续发展60年的技术不会一夜之间被取代,但经过多年的研究、实际验证和 可靠性测试,GaN定会成为解决功率密度问题的最佳技术。德州仪器已经在高于硅材料的工作温度和电压下,对GaN装置进行了2000万小时的加速可靠性测试。在此测试时间内,远程飞行世界纪录保持者GlobalFlyer可绕地球飞行259,740次。
“我们确信GaN工艺、技术和装置完全合格,而且已经具备批量化生产的条件,”Masoud说。
德州仪器与工程设计发展联合协会标准机构分享了这些GaN资格协议,并将负责其GaN资格认证委员会。
GaN的未来发展
在一些功率密度为优先特性的关键行业,GaN已经开始替代硅材料。“目前德州仪器已经完成了GaN的封装和测试,对于功率密度为优先考虑要素的客户而言,他们又多了一种新的选择,”德州仪器产品营销工程师Arianna Rajabi说。
批量化生产GaN功率模块的最佳适用行业包括:
制造:现在一般的机器人手臂实际上并未集成手臂工作所需的所有电子组件。由于功率变换和电机驱动组件的尺寸过大,而且能效不高,它们通常安装在单独的机柜中,并通过长距离的布线连接到机器人手臂。这便降低了工业机器人单位立方米的生产效率。利用GaN技术,可以更简单地将驱动和功率变换组件集成至机器人中。这样便可以简化设计、减少繁冗的布线并降低运行成本。
数据中心:随着市场对数字化服务需求的提高,数据中心正在经历一场变革,转而采用48V直流电源直接供电。传统的硅功率变换模块无法有效地将48V电压一次转化为大多数计算机硬件所要求的低电压。而中间步骤则会降低数据中心的功率效率。GaN可以在输送至服务器和芯片之前将电压从48V降低至负载点电压。这样可以大幅降低电源配送损耗并将变换损耗减少30%。
无线服务:大范围的5G网络覆盖要求运营商部署更高功率和运行频率的设备。鉴于网络运营商不希望提高信号塔设备的尺寸,GaN的功率密度优势可以满足他们的需求。
可再生能源:可再生能源的产生和存储也需要功率变换,因此GaN的效率优势可发挥关键性作用。在可再生能源规划中,通常是采用智能电网的方式存储能源。如果可以在风力涡轮机静止时或太阳能帆板不再吸收阳光时,更高效地将电能转入和转出大储量电池,这将成为一项非常显著的优势。德州仪器与合作伙伴已经证实,GaN能够以90%的效率转化10千瓦的可再生能源,这对于电力企业来说是一个非常出色的性能基准。
未来,GaN将继续扩展至消费者电子产品等应用,打造更薄的平板显示器,并减少可充电设备的能源浪费。
“如果您只是需要3%或4%的能效提升,您可以利用其它很多方法实现,”Masoud说,“但是,如果您希望功率密度翻番,那么GaN则是您的优先选择。”
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。