2021年10月20日,圣迭戈——高通技术公司宣布推出面向7GHz以下频段的高通ultraBAW射频滤波器技术,公司此前通过调制解调器到天线解决方案推动无线产品细分市场的高性能5G和连接系统的发展,为此项创新奠定了坚实基础。
射频滤波器将手机发射和接收的无线电信号从不同频段中分离出来。全新高通ultraBAW射频滤波器技术将支持5G和Wi-Fi解决方案使用高达7GHz以下的频谱,在更高频段实现高性能。使用7GHz以下频段将使5G和Wi-Fi共存惠及下一代移动终端、笔记本电脑以及面向汽车、物联网和工业应用的众多解决方案,使其在室内和户外环境展现更高的性能和能效。
简化示意图:扩展微声波滤波器技术组合,满足7GHz以下频段的全新5G和Wi-Fi连接需求
全新高通ultraBAW射频滤波器延续并扩展了公司此前推出的高通ultraSAW 技术的领先性能。高通ultraSAW支持从600MHz到2.7GHz的低频段,高通ultraBAW则支持2.7GHz到7.2GHz,从而将中频段连接扩展到7GHz以下。高通ultraBAW还支持高达300MHz的超宽信道、5G和/或Wi-Fi网络共存、以及更快的下载和上传。
高通ultraBAW通过支持从2.7GHz到7.2GHz的更高频段,能够提供对关键Wi-Fi频段的支持,包括5GHz、面向Wi-Fi 6E新增的6GHz频段、以及符合未来Wi-Fi标准的频段。采用高通ultraBAW技术的终端将具备支持更高传输速率、增强的定位服务能力等多项优势。
高通ultraBAW滤波器采用薄膜式压电材料微声波技术,不仅支持更小占板面积,还采用创新的散热模组技术,从而提升能效并支持更久的续航。此外,高通ultraBAW作为高通技术公司行业领先的调制解调器到天线解决方案组合的最新产品,将支持终端厂商把高性能5G和Wi-Fi连接引入多个垂直领域,包括智能手机、汽车、笔记本电脑、平板电脑、CPE、小基站、固定无线接入(FWA)以及物联网。
高通高级副总裁兼射频前端业务总经理Christian Block表示:“我们的新一代射频滤波器解决方案对于将5G扩展至智能手机领域之外至关重要。面向3GHz以下频段的高通ultraSAW技术已经大获成功,如今我们推出了高通ultraBAW技术,能够面向7GHz以下频段提供卓越性能。高通技术公司正携手行业领先的终端厂商合作开发下一代联网终端,让消费者无论在视频串流、下载文件还是畅享XR体验的时候,都能享受5G NR和Wi-Fi网络无缝连接的峰值性能。”
随着全新高通ultraBAW射频滤波器的推出,高通技术公司从天线到调制解调器、射频的解决方案组合日臻完善。该组合包括此前推出的高通ultraSAW和其它多项射频前端组件,将在创新、性能和能效方面持续突破。
高通ultraBAW从滤波器元件层面提升高频段的性能,进一步强化了高通技术公司先进的射频前端产品组合与5G调制解调器及射频系统的优势。公司正在整个产品线集成高通ultraBAW技术,包括功率放大器模组、分集模组、Wi-Fi(模组/分离器/滤波器)和分立式滤波器。公司今年推出的功率放大器模组(高通QPM6679)也采用了高通ultraBAW,能够在极小声波结构中支持基于高频段的高功率处理。
高通ultraBAW滤波器技术赋能的产品正在向客户出样。采用该技术的商用终端预计将于2022年下半年开始上市。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。