是德科技公司宣布推出适用于射频功率放大器(PA)表征和测试的全新 PXI 参考解决方案,支持工程师执行 S 参数、谐波失真、功率和解调测量,对功率放大器-双工器(PAD)等下一代功率放大器模块实施快速和全面的表征。它经过优化,能够提供更高的测量吞吐量和测量精度。
这款功能齐全的小型 PXI 参考解决方案是目前业界唯一适合对射频功率放大器及其周边所有无源器件(例如滤波器和双工器)执行设计验证和产品测试的解决方案。
该参考解决方案的数字预失真(DPD)算法是是德科技与无线设备制造商长期紧密合作,并结合 Keysight SystemVue 仿真软件和 N7614B Signal Studio for Power Amplifier Test 应用软件深入洞察能力的结晶。这使它成为市场上唯一能够针对下一代功率放大器模块,提供从仿真到制造全程一致性测量的解决方案。
包含查找表(LUT)和存储器多项式功能的经过验证的 DPD 算法,进一步完善了该解决方案的包络跟踪(ET)测试功能。此外,该解决方案还包括快速波形下载、精准同步和自动校准功能,这些都是 ET 测试不可或缺的关键特性。该参考解决方案支持不同厂商的产品,例如 Signadyne SD AOU-H3353 单插槽高速 PXIe 任意波形发生器,并提供业界最快的包络生成功能和最佳的测试空间利用率。
Signadyne 公司首席执政官 Marc Almendros 表示:“是德科技卓越的射频解决方案与Signadyne 独有的高速发生器专业技术结合,使射频功率放大器行业能够拥有价值非凡的综合测试解决方案。”
是德科技软件和模块化解决方案事业部市场部经理 Mario Narduzzi 表示:“为了满足客户对PAD 型器件进行全面表征的需求,是德科技推出适用于射频功率放大器表征和测试的PXI 参考解决方案。经过验证的强大数字预失真算法及开环和闭环测量,确保我们提供的功率放大器表征测试解决方案具有业界最出色的性能。”
全新 M937xA PXIe 矢量网络分析仪和 M9393A PXIe 高性能 VSA 提供关键的高密度、高速 S 参数测量和最高 27 GHz 的高速谐波失真测试,可充分满足客户的全面表征需求。
该参考解决方案还提供针对功率放大器表征而优化的开源实例代码,可帮助工程师快速评测测试装置,缩短首次测量的准备时间。利用 DPD 和 ET 等新功能,工程师可以显著改善器件性能;减小器件尺寸,降低测试成本,从容应对不断增加的器件复杂性和测试要求。不仅如此,工程师还可在 PAD 型器件中整合更多功能;使用更小型的测试系统来测试大量器件或复杂器件。
是德科技的模块化产品和参考解决方案充分利用了是德科技高度可靠的测量技术和严密的校准方法,从研发阶段到生产阶段始终提供一致的测量结果,使客户能够加快设计速度,更快将产品推向市场。
PAD 具有低功耗、高效率和高性价比等优势,因此受到越来越广泛的欢迎,目前正逐渐取代传统的功率放大器体系结构。通过用单一的紧凑型模块替代多个分立元件,器件设计人员可以节省和优化利用测试空间。近来,全球 LTE 网络部署正方兴未艾,对于频段数的需求将会更高,因此 PAD 正迅速获得器件设计人员的青睐。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。