2024 年 10 月 22 日,德州仪器 推出了可编程逻辑器件 (PLD) 系列。此产品系列以德州仪器出色的逻辑产品系列为基础,旨在帮助工程师简化任何应用的逻辑设计。德州仪器的全新 PLD 产品系列能够在单个器件中集成多达 40 个组合和顺序逻辑及模拟功能,与分立式逻辑实施方案相比,可帮助将电路板尺寸缩小高达 94%,并降低系统成本。此外,与市场上的同类可编程逻辑器件相比,新产品系列还大幅节省了空间。
利用德州仪器易于使用的 InterConnect Studio 工具,工程师可在数分钟内设计、仿真和配置其器件以进行评估,而无需任何软件编码。InterConnect Studio 利用拖放式 GUI 和集成仿真功能加快了逻辑器件设计过程。设计人员还可以使用方便的点击编程和直接订购功能。这些功能可简化编程和采购,有助于加快产品上市步伐。
关键所在
“工程师们正在越来越多地考虑使用可编程逻辑器件来降低设计复杂性、减小布板空间、简化供应链管理以及缩短产品上市时间,”德州仪器接口产品部门副总裁兼总经理 Tsedeniya Abraham 表示,“但是,现有可编程逻辑器件的复杂性超出了许多应用的需求,涉及到编程专业知识,或者提供的封装选择有限。我们的全新可编程逻辑产品系列以 德州仪器 60 年逻辑产品设计经验为基础,采用业界通用封装,尺寸小至 2.56mm2,功耗低,通过 AEC Q-100 认证,温度范围为 -40°C 至 125°C,适用于汽车、工业和个人电子产品等应用。”
更多详情
德州仪器的 PLD 产品系列包括超小型引线式封装,尺寸为 2.1mm x 1.6mm,间距为 0.5mm。这种引线式封装比市场上同类器件小 92%,可满足制造商的焊接需求,但尺寸大大降低。德州仪器的汽车级 PLD 比最接近的市场上同类产品小 63%。此产品系列还提供 Quad Flat No-Lead (QFN) 封装选项,支持自动光学检测,可确保安全性和系统长期可靠性。
德州仪器全新 PLD 的静态电流小于 1µA,有功功率比市场上的同类器件低 50%,因此其低功耗特性有助于延长电动汽车、电动工具、电池包和游戏控制器等产品的电池续航时间。
德州仪器的所有新 PLD 产品均支持通用输入/输出、查找表、数字触发器、管道延迟、滤波器和电阻-电容振荡器。TPLD1201 和 TPLD1202 器件还集成了模拟比较器等模拟功能,具有内部可选电压基准选项和迟滞。TPLD1202 具有串行外设接口、I2C、看门狗计时器和状态机等附加功能。
供货情况
下表提供了德州仪器全新 PLD 产品的详细信息。此外,配套的开发工具包括:
器件 |
封装 |
评估模块 |
TPLD801 |
SOT – 8 引脚 |
TPLD801-DRL-EVM |
TPLD801-Q1 |
SOT – 8 引脚 |
TPLD801-DRL-EVM |
TPLD1201 |
VSSOP – 10 引脚 |
TPLD1201-DGS-EVM |
QFN – 12 引脚 |
TPLD1201-RWB-EVM |
|
TPLD1201-Q1 |
VSSOP – 10 引脚 |
TPLD1201-DGS-EVM |
TPLD1202 |
SOT – 14 引脚 |
TPLD1202-DYY-EVM |
QFN – 12 引脚 |
TPLD1202-RWB-EVM |
|
TPLD1202-Q1 |
SOT – 14 引脚 |
TPLD1202-DYY-EVM |
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。