随着从云连接边缘节点收集和传输的数据逐步增加,改进型集成电路(I3C®)正迅速成为连接高数据速率传感器的更具可持续性的解决方案,并将有助于扩展下一代器件的功能。Microchip Technology Inc.(美国微芯科技公司)率先推出PIC18-Q20 系列单片机 (MCU),这是业界首款具有多达两个I3C外设和多电压 I/O(MVIO)的低引脚数MCU。PIC18-Q20 MCU采用14引脚和20引脚封装,尺寸小至3x3mm,是实时控制、触摸传感和连接应用的紧凑型解决方案。该款MCU提供可配置的外设、先进的通信接口和跨多个电压域的简易连接,无需外部元件。

PIC18-Q20 MCU具备I3C功能、灵活的外设和在三个独立电压域上工作的能力,非常适合在较大的整体系统中与主 MCU 配合使用。该系列MCU可执行主 MCU 无法高效执行的任务,如处理传感器数据、处理低延迟中断和系统状态报告。中央处理器(CPU)在不同的电压域运行,而I3C外设的工作电压为1.0 至 3.6V。该款MCU具有低功耗、小尺寸的特点,可广泛应用于对空间敏感的应用和市场,包括汽车、工业控制、计算、消费、物联网和医疗。
Microchip主管 8位MCU事业部的公司副总裁Greg Robinson 表示:“大规模物联网应用的主要障碍之一是实施边缘节点的成本。通过推出PIC18-Q20系列MCU,Microchip 正在帮助打破这一障碍。这是业界首款采用I3C的低引脚数MCU,使用了新的标准通信接口,可以实现物联网应用灵活、经济高效的扩展。”
随着市场转向需要更高性能、更低功耗和更小尺寸的解决方案,I3C可帮助设计人员和软件开发人员满足这些潜在的挑战性要求。与I2C相比,I3C具有更高的通信速率和更低的功耗,同时保持了与传统系统的向后兼容性。I3C和MVIO功能与Microchip的可配置独立于内核的外设(CIP)相结合,通过用片上多电压域取代外部电平转换器,降低了系统成本,减少了设计复杂性,并缩小了电路板空间。如需了解有关Microchip PIC® MCU 产品组合的更多信息,请访问公司网站并关注Microchip微信公众号(Microchip微芯)、Microchip新浪微博官方账号,了解公司最新动态。
开发工具
PIC18-Q20 MCU系列由Microchip完整的硬件和软件工具开发生态系统提供支持,包括MPLAB® X 和MPLAB Xpress 集成开发环境(IDE)以及MPLAB代码配置器(MCC)。Microchip 的开发环境简单直观,更易于实现和生成代码,从而缩短整体开发时间,降低财务投资。
开发人员可使用Microchip的PIC18F16Q20 Curiosity Nano 评估工具包,快速评估 PIC18-Q20的I3C和MVIO功能。
供货与定价
如需了解更多信息或购买,请联系 Microchip 销售代表、全球授权分销商或访问Microchip采购和客户服务网站 www.microchipdirect.com。
资源
可通过Flickr或联系编辑获取高分辨率图片(欢迎自由发布):
· 应用图片:TBD
Microchip Technology Inc. 简介
Microchip Technology Inc.是致力于智能、互联和安全的嵌入式控制解决方案的领先供应商。其易于使用的开发工具和丰富的产品组合让客户能够创建最佳设计,从而在降低风险的同时减少系统总成本,缩短上市时间。Microchip的解决方案为工业、汽车、消费、航天和国防、通信以及计算市场中12万5千多家客户提供服务。Microchip总部位于美国亚利桑那州Chandler市,提供出色的技术支持、可靠的产品交付和卓越的质量。详情请访问公司网站www.microchip.com。
###
注:Microchip的名称和徽标组合、Microchip徽标、MPLAB及PIC均为Microchip Technology Incorporated在美国和其他国家或地区的注册商标。在此提及的所有其他商标均为各持有公司所有。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。