2024 年 3 月 5 日,加利福尼亚州圣克拉拉——AMD(超威,纳斯达克股票代码:AMD)今日宣布推出 AMD Spartan™ UltraScale+™ FPGA 系列,这是广泛的 AMD 成本优化型 FPGA 和自适应 SoC 产品组合的最新成员。Spartan UltraScale+ 器件能为边缘端各种 I/O 密集型应用提供成本效益与高能效性能,在基于 28 纳米及以下制程技术的 FPGA 领域带来业界极高的 I/O 逻辑单元比,较之前代产品可带来高达 30% 的总功耗下降,同时还涵盖 AMD 成本优化型产品组合中最为强大的安全功能集。
AMD 自适应和嵌入式计算事业部公司副总裁 Kirk Saban 表示:“二十五年来,Spartan FPGA 系列为一些人类最伟大的成就提供了助力,从挽救生命的自动除颤器到欧洲核子研究组织粒子加速器,不断推进人类知识边界。Spartan UltraScale+ 系列基于业经验证的 16nm 技术构建,其强化的安全性与功能、通用设计工具以及长产品生命周期将进一步增强我们市场领先的 FPGA 产品组合,并明确我们为客户提供成本优化型产品的承诺。”
灵活的 I/O 接口连接与高功效算力
Spartan UltraScale+ FPGA 针对边缘端进行了优化,可提供高数量 I/O 和灵活的接口,令 FPGA 能够与多个器件或系统无缝集成并高效连接,以应对传感器和连接设备的爆炸式增长。
在基于 28 纳米及以下制程技术构建的 FPGA 领域,该系列提供了业界极高的 I/O 逻辑单元比,具备多达 572 个 I/O 和高达 3.3 伏的电压支持,可为边缘传感和控制应用实现任意连接。业经验证的 16 纳米架构和对各种封装的支持(从小至 10x10 毫米)以超紧凑的占板空间提供了高 I/O 密度。广泛的 AMD FPGA 产品组合则提供了可扩展性,从成本优化型 FPGA 直到中端及高端产品。
通过16 纳米 FinFET 技术和硬化连接,相较于 28 纳米 Artix™ 7 系列,Spartan UltraScale+ 系列预计可降低高达 30% 的功耗。作为首款搭载硬化 LPDDR5 内存控制器和8 个 PCIe® Gen4 接口支持的 AMD UltraScale+ FPGA,该系列能为客户同时提供功率效率与面向未来的功能。
卓越的安全功能
Spartan UltraScale+ FPGA 提供了 AMD 成本优化型 FPGA 产品组合中极为卓越的安全功能。
· 保护 IP:支持后量子密码技术并具备获 NIST 批准的算法,能提供先进的 IP 保护,抵御不断演进的网络攻击和威胁。物理不可克隆功能会为每个器件提供唯一指纹,以提升安全性。
· 防止篡改:PPK/SPK 密钥支持有助于管理过期或受损安全密钥,而差异化功率分析则有助于防止侧信道攻击。器件包含永久性篡改惩罚,以进一步防止误用。
· 最大限度延长正常运行时间:增强的单事件干扰性能有助于客户进行快速、安全配置,并提升可靠性。
AMD FPGA 和自适应 SoC 全产品组合由 AMD Vivado™ 设计套件和 Vitis™ 统一软件平台提供支持,使硬件与软件设计人员能够通过一款设计人员环境进行从设计到验证,充分利用这些工具及所包含 IP 的生产力优势。
AMD Spartan UltraScale+ FPGA 系列样片和评估套件预计于 2025 年上半年问世。文档现已推出,并于 2024 年第四季度自 AMD Vivado 设计套件开始提供工具支持。
相关资源
· 进一步了解 Spartan UltraScale+ FPGA
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。