至顶网CIO与应用频道 02月27日 北京消息:我于2002年开始在德州仪器(TI)工作;从那时起,电力电子市场整体增长了四倍多,复合年增长率达到了8%左右。这种巨大的增长得益于电源领域的一些惊人的进步。
我将在本文中回顾在2002年看起来几乎不可能实现的话题。例如,我的首批项目之一是用于低压大电流处理器应用的两相转换器:输入电压为12 V,输出为1 V,电流为40 A,功率级均为250 kHz,输出纹波为500 kHz。我记得,由于电压过低,无法用传统的电子负载测试电源。为了快速完成一些测试,我使用了一个1米长的铜带来达到加载电源的等效电阻。而当我打开电源时,由于电场的原因,铜环实际上已扭曲。
我们团队为此类电源提供的最新规格是:550 A时为1 V!该设计采用12相电源,具有先进的电流共享和瞬态响应技术。我们现在拥有一整套实验台,内装专门的测试设备。随着消费者对互联网和云的需求增加,特定于应用的处理器正变得越来越耗电。
另一项激动人心的技术进步是增加宽带隙器件的使用量,如氮化镓(GaN)和碳化硅(SiC)。GaN和SiC已存在一段时间,但在2002年既不可靠也不具有成本效益,无法用于商业用途。这两种技术都可大幅提高功率密度和开关速度。图1所示为1 kW功率因数校正(PFC)电源,每立方英寸能够达到156 W - 比超级结硅芯片提高了2倍,比10年前提高了10倍。
采用1 kW通用交流输入电源的99%高效1kW GaN基连续电流模式(CCM)图腾柱功率因数校正(PFC)转换器参考设计
汽车应用正在增加对车辆内部电源和电子设备的需求。在2002年,能够将电源切换到AM无线电频段(2.2 MHz)以上只是一个梦想。2018年,我们不仅可在AM波段之上切换,而且我们可以更小、更高效的方式进行切换。德州仪器最新的集成场效应晶体管(FET)转换器的一些开关频率高于6 MHz。半导体技术的进步以及封装使这些改进成为可能。图2所示为集成FET转换器的功率密度如何随着特征尺寸的减小在典型的线性双极互补金属氧化物半导体(BiCMOS)技术中得到扩展。
半导体封装在收缩尺寸和更高频率切换方面也发挥着重要作用。封装中的寄生损耗可限制开关电源合理切换的速度。典型封装先前使用单键线将硅连接到引线框架引脚,现在我们可将铜金属层直接连接到封装或印刷电路板上,这种类型的封装可降低寄生电感和杂散电容,从而实现更快的转换时间。与此同时,热管理也得到改善,这在增加功率密度时很重要。
典型线性BiCMOS技术的发展
笔记本适配器(外部适配器)通常称为“砖”。我找了一下,发现一个,并决定称重 - 重达1.35磅!图3比较了2002年笔记本适配器(1.35磅)和2018年笔记本适配器(0.39磅)与真砖头(3.25磅)的尺寸。随着时间推移,尺寸上的减少令人惊叹。
通过提高效率、提高开关频率和改善热管理,可减小尺寸。但若没有技术突破,很难实现所有三项改进:
2002年的电源适配器的功率密度约为5 W/in3。虽然在当时令人印象深刻,但若尺寸更小的话可在旅行时方便携带。图4所示为适配器功率密度在过去几年中的增长情况。这些测量关乎市售的65-W适配器。
65-W适配器尺寸和功率密度的改进
我对电源行业过去几年的变化和改进感到振奋。现在情况很乐观,虽然我无法预测他们是否会变得更好,但它值得我们拭目以待。
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。