Die Automobilindustrie befinde sich in einer Transformation, wie sie nur alle hundert Jahre geschieht, meinte Yukihiro Kato, Senior Executive Director bei Denso, in seinem Plenarvortrag auf der ISSCC 2018. Er stellte im Detail die Vision des Unternehmens für die mobile Welt der Zukunft vor: Elektrifizierung, autonomes Fahren und Vernetzung – mit Fokus auf die dafür notwendigen Halbleitertechnologien. Um die Anforderungen zukünftiger Technologien erfüllen zu können, müssen Fahrzeughersteller State-of-the-Art-Bauelemente einsetzen – und Halbleiterhersteller die hohen Ansprüche der Automobilindustrie erfüllen.

SiC bereit für die Massenfertigung

Mit dem Kristallwachstumsprozess Repeated-A-Face lassen sich eine Großzahl der Versetzungen im Einkristall verhindert, was die Massenproduktion von zuverlässigen SiC-Bauelementen befördert.

Mit dem Kristallwachstumsprozess Repeated-A-Face lassen sich eine Großzahl der Versetzungen im Einkristall verhindert, was die Massenproduktion von zuverlässigen SiC-Bauelementen befördert. Denso

Egal ob bei Leistungselektronik-Bauteilen im E-Fahrzeug oder auch bei der automatischen Objekterkennung in autonom fahrenden Fahrzeugen: Stromverbrauch und Wärmeentwicklung der Bauelemente sind noch immer die größten Herausforderungen für zukünftige Fahrzeugkonzepte. Vieles ließe sich durch den Einsatz von SiC-MOSFETs anstatt Si-IGBTs verbessern – niedrigerer RDS(on), höhere Wärmeleitfähigkeit, geringerer Kühlbedarf, Verkleinerung der Module durch hohe Schaltfrequenzen – aber hinsichtlich der Zuverlässigkeit der SiC-Bauelemente besteht noch viel Entwicklungsbedarf. Wafer aus einkristallinem SiC enthalten noch zu viele Kristalldefekte – ein Problem das Denso mit dem Repeated-A-Face-Wachstumsprozess bei 6-Zoll-Wafern in den Griff bekommen will. Hierbei treten deutlich weniger Defekte wie Schrauben- oder Micropipe-Versetzungen auf, was letztlich der Massenproduktion zuverlässiger SiC-Bauelemente förderlich ist.

Data-Flow-Prozessor

Gerade bei Anwendungen wie der Routenberechnung basierend auf MM-Wave-Radar- oder Bilddaten sind weder CPUs noch GPUs die ideale Lösung.

Gerade bei Anwendungen wie der Routenberechnung, basierend auf MM-Wave-Radar- oder Bilddaten, sind weder CPUs noch GPUs die ideale Lösung. Denso

Deep Neural Networks (DNN) sollen die Grundlage für die automatische Objekterkennung bei autonom fahrenden Fahrzeugen bilden – und die Technologie mache gewaltige Fortschritte. Aber noch immer ist die dabei aufgenommene Leistung nicht in einem Bereich angekommen, wie sie für den Einsatz in einem Fahrzeug akzeptabel wäre. Kato sieht zwei Wege zur Reduzierung der Leistungsaufnahme: das DNN selbst, also die Software, effizienter zu gestalten und auf DNNs angepasste, skalierbare Hardware zu entwickeln.

Der Data-Flow-Prozessor von Denso eliminiert bei der Routenberechnung nicht notwendige Pfade und arbeitet damit wesentlich effektiver als herkömmliche GPUs in DNN-Anwendungen.

Der Data-Flow-Prozessor von Denso eliminiert bei der Routenberechnung nicht notwendige Pfade und arbeitet damit wesentlich effektiver als herkömmliche GPUs in DNN-Anwendungen. Denso

Ein Beispiel für Letzteres sei Densos Data-Flow-Prozessor (DFP). Gerade bei Anwendungen wie der Routenberechnung, basierend auf MM-Wave-Radar- oder Bilddaten, seien weder CPUs noch GPUs die ideale Lösung: CPUs arbeiten zwar effizient, aber zu langsam, während GPUs zwar schnell arbeiten, aber zu unflexibel für die Abarbeitung komplexer Aufgaben sind. Der DFP hingegen arbeite schnell genug, um mit der Geschwindigkeit menschlicher Reflexe mithalten zu können, und biete flexible, parallele Datenverarbeitung – bei einem Zehntel der Leistungsaufnahme einer herkömmlichen GPU.

Lidar mit intelligenter Akkumulation

Mit der Smart-Accumulation-Technique erreicht das von Toshiba auf der ISSCC 2018 vorgestellte Lidar eine im Vergleich zu herkömmlichen Techniken vierfache effektive Auflösung.

Mit der Smart-Accumulation-Technique erreicht das von Toshiba auf der ISSCC 2018 vorgestellte Lidar eine im Vergleich zu herkömmlichen Techniken vierfache effektive Auflösung. Toshiba

Toshiba stellte auf der ISSCC ein TDC/ADC-Hybrid-Lidar-SoC mit intelligenter Akkumulationstechnik (SAT, Smart Accumulation Technique) für Reichweiten von 20 bis 200 m vor. SAT erfasst und sammelt tatsächlich nur vom Ziel reflektierte Daten unter Zuhilfenahme der vom ADC gesammelten Daten über Intensität und Hintergrundlicht. Dieses Vorgehen erhöht die effektive Pixelauflösung um das Vierfache im Vergleich zur herkömmlichen Akkumulation. Hergestellt in 28-nm-CMOS-Technologie bietet das SoC eine Messabweichung von 0,125 % (1σ bei maximaler Reichweite).

Multimode-Radartransceiver mit 76 – 81 GHz

Der von Texas Instruments präsentierte Single-Chip-Multimode-Radartransceiver vereint die für Seitenradar notwendige kompakte Bauweise mit den Sichtfeldanforderungen für Frontradar im Fahrzeug. Sind alle Kanäle aktiv, nimmt das Bauelement 3,5 W an Leistung auf. Das SoC, hergestellt in 45-nm-CMOS-Technologie, arbeitet mit frequenzmodulierter CW-Synthese (FMCW), umfasst drei Transmitter und vier Receiver mit integrierten ADCs und nimmt eine Fläche von 22 mm² ein.

Weitere Highlights von der ISSCC 2018 finden Sie auf www.all-electronics.de unter den Info-Direkt-Nummern 311ae0218, 312ae0218 und 805ei0318.