深圳市惠新晨电子有限公司

深圳市惠新晨电子有限公司专注高性能高品质高性价比LED照明DC-DC宽电压输入降压恒流电源管理芯片市场，对LED照明市场有着深入的了解及丰富的经验，专注电源行业过10年，实力厂家，硬件设施齐全，工程资源充足，提供强大的技术支持，协助Lay板，调试直至产品可以大批量量产，以及帮忙过，提供样品、方案开发以及技术支持惠新晨电子备货实力强，可以做月结，是值得信赖合作的实力供应商

X30概述：

X30 是一款外围电路简洁低成本高性能的三通道线性降压LED恒流驱动器，适用于5-46V输入电压范围的LED 恒流照明领域。

X30 PWM 端口支持高辉调光，能够响应60ns小脉宽的PWM 调光信号。

X30采用我司算法，为客户提供解决方案，限度发挥灯具优势，以实现景观舞台灯高辉的调光效果，65535（256*256）级高辉调光。X30 PWM 端口为高电平时，芯片正常工作。为低电平时，芯片输出关闭。芯片采用线性恒流控制算法，只需两颗电阻与一颗电容，就能实现LED 恒流，且保证输出电流恒流精度≤±3％，通道之间电流偏差≤±1%；外围电路简洁，系统稳定可靠。

X30的三路输出电流都通过REXT 端口电阻来设定，电流能到350mA。而且，每一路电流能够独立进行PWM 高辉调光，实现65536:1 调光比。PWM 端口默认上拉，内部自带100uA 上拉能力

X30特点：

RGB调光无频闪/PWM调光无频闪

支持高辉调光，65536:1 调光比

输入电压范围：5-46V

三路分别独立恒流输出

每一路电流可达350mA

每一路独立PWM 调光

输出电流20~350mA

内置5V 稳压管

恒流精度≤3%

过温降电流降功率保护

易过EMI

抗干扰能力强

调光一致性好

封装：ESOP8

应用领域：

景观亮化LED 照明

DMX512 芯片外扩流应用

高端汽车车灯LED 照明

低压商业LED 照明

游戏机LED灯、儿童车灯、广告牌、广告招牌、珠宝装饰照明、背光源、软灯条等

X30应用说明：

X30 是一款外围电路简单的多功能平均电流型LED 恒流驱动器，适用于5-46V 电压范围的低压线性恒流LED 驱动领域。X30 采用了LDO 线性恒流控制，外围不需要传统开关电源的电感和续流二极管，输出电流精度在±3％以内；外围电路更加简洁可靠。

惠新晨电子X30完全替代SM15133、SM15633 、SM1501、SM15122S、SM15102S、SM15103E、SM15133E、SM15105N、SM15633E、SM15106T，脚位一样，PIN对PIN完全兼容替代，无需改动任何元器件，调光效果更好，价格更优，性价比更高，欢迎申请样品测试，提供DEMO测试及技术支持

AI 突破性发展需要技术基础，也就是三驾马车，分别是算法 (Algorithms) 、大数据 (BigData) 、运算能力 (ComputePower) 。近年来， AI 的三驾马车已经取得长足发展。

1. 算法 (Algorithms) 变革与突破

从过去的神经网络开始，一直到近年的深度学习 (DeepLearning) ，尤其是多层神经网络技术飞速发展，算法进步让看似不可能的运算带入认知、拟人的学习推理领域。

早在 2015 年，微软 ResNet

系统采用 152 层的神经网络架构，让计算机对影像进行辨识并对物体开展检测，错误率降低到 3.5% ，正式越人类的 5.1% 水平；吴恩达先后在谷歌 x 实验室采用了参数多达 17 亿个的神经网络，在斯坦福大学做了更大的神经网络，采用参数多达 112 亿个神经网络。

人工神经元正在步步逼近人脑神经元，多层架构深度神经网络算法引起一阵风潮，复杂 AI 的算法正在迈入越人类认知水平的时代。

2. 大数据 (BigData) 数据库领域

巨量数据 / 大数据

(BigData) 伴随光纤、移动宽带网络普及、电商、物联网发展快速聚集，预计 2020 年数据量将过 40ZB ，相对 2010 年增长到

40 倍， 1ZB 数据意味着福斯电视 (FoxTV) 热门影集《 24 》连续播放 1.25 亿年，可见数据爆炸出想象；人们对数据结构化的技术推陈出新，如 NoSQL\MongoDB 等；通过良好的数据分类与标注，搭配搜索引擎与算法，让数据平台快速找到海量数据背后的隐藏的规律信息。

3. 运算能力

(ComputePower)

2012 年微软人工智能平台辨识单个猫需要 16000 颗传统 CPU 的运算能力才能达成，但类似的工作， 2016 年采用绘图芯片 GPU 大概只需要 2 颗。

就一个复杂棋局而言， AlphaGO 一代下一盘棋需要 1920CPUs 和 280GPUs ，同时有 64 个搜索线程； Alpha 第二代需要 50 个 TPU(1 个 TPU 算力大致相对于 10 个同级别 GPU) ；随着 AI

算力的大幅提升，算力仍然是 AI 的成本，据统计，算力成本

( 包括底层的硬件， GPU/CPU/FPGA 以及其他信号处理等半导体成本、能耗成本 ) 占 AI 成本在 70% 左右， AlphaGo 下一盘棋，其背后的服务器的总耗电量折算成电费是 3000 美元；计算的时大量耗热，通过吹风才能散热。算法、数据库基本可以实现平台化、软件化、工具化，边际成本趋向为 O ，决定 AI 普及的是算力和对应的能耗。

将算力低成本化，是 AI 与 IoT 融合并落地到具体场景，加速 AI 渗透到社会各角度，使能行业发展的关键，也是 AIoT 智联网规模发展的支点。其中，新出现的 AI 嵌入式芯片将 FPGA 发挥了主导作用。

AI 爆发之前，嵌入式芯片在物联网领域早已广泛应用，用于传感与智能硬件，通常采用 CPU 进行计算， CPU 特点兼顾计算和控制， 70% 晶体管用来构建 Cache 还有一部分控制单元，芯片设计用来处理复杂逻辑和提高指令的执行效率， CPU 计算通用性强，适用于处理计算复杂度高业务、串行数据处理，但计算性能一般。提升

CPU 性能需要增加 CPU 核数、提高 CPU 频率，或者修改 CPU 架构增加计算单元 FMA(fusedmultiply-add) 个数实现，提升算力同时也带来了高计算成本与能耗。

随着 AI 快速发展应用，尤其是图像处理数据量大，快速响应， CPU 不再是好的选择。 GPU 芯片逐渐成为深度神经网络 (DNN ， DeepNeuralNetwork) 计算的主流。

GPU 特点是能够大幅精简

CPUCache 和逻辑控制单元，让出大量的计算单元。有限的尺寸中的晶体管更多用于计算，图形处理特点是算法本身复杂度低，计算强度高，数据之间相关性低特点， GPU 通过简单控制器，让数千计算单位执行相同程序，并行、流水化、高密度处理海量低关联数据，大幅提升数据计算、吞吐能力。

GPU 相对 CPU 更适合低层次大量重复运算领域，例如 AI 语音、视频、图片识别以及海量数据处理领域，不论是 CNN( 卷积神经网络 ) 、 RNN( 循环神经网络 ) 、还是 DNN( 深度神经网络 ) ，通过高强度类似蒙卡特罗实验计算，找出解，而无需复杂程度的运算。

可以说 GPU 在 AI 算力上比 CPU 有了大幅提升，每秒每瓦所执行的浮点运算达到 29G 次数 (29GFLOPS/W) ，是 CPU 的 3 倍多，能耗也随着提升，散热性与安全性成为问题。如下表 1 ；这也一定程度说明了 AI 的能耗成为不能承受之重

随着更多图像、视频和语音、物联网等非结构数据涌现，数据量继续急剧增长， AI 算法加速创新，不断加深神经网络层次，参数数量不断增多，模型算法复杂度持续提高，必然对计算带宽、内存带宽和存储要求越来越高，能耗成为很大问题。

更重要的是 GPU 内部架构通用，很难针对某个领域进行特殊优化，日新月异的物联、传感与 AI 行业应用要求芯片能够处理新类型的计算任务；在 GPU 之外如果没有新的嵌入式芯片选择， AI 无法随着 IoT 大规模落地到具体应用场景，无法与实体经济，生产生活紧密结合。

不同于 GPU 的运行原理， FPGA

是以门电路直接进行运算，硬件描述语言在执行时会被翻译成电路，也就是 FPGA 不采用指令和软件，是软硬件合一的器件。对 FPGA 进行编程仅仅使用硬件描述语言即可，硬件描述语言描述的逻辑可以直接被编译为晶体管电路的组合。所以 FPGA 实际上直接用晶体管电路实现用户的算法，没有通过指令系统的翻译。

在运算速度上， FPGA 由于算法是定制的，所以没有 CPU 和 GPU 的取指令和指令译码过程，数据流直接根据定制的算法进行固定操作，计算单元在每个时钟周期上都可以执行，所以可以充分发挥浮点计算能力，计算效率高于 CPU 和 GPU ，具有很大优势。

在功耗上，由于 FPGA 低延迟、低功耗的特性，近年来，微软、百度等公司在自家的数据中心里大量部署 FPGA ，百度在线上服务使用的 FPGA 版百度大脑，在同样的性能下，其功耗是天河二号级计算机的十分之一。