利用超表面与图像传感器集成的新方案实现快照式光谱成像芯片，结合计算光谱分析原理及重建算法，研制出了可见光波段、高精度的光谱成像芯片。

本发明公开了一种红外聚光芯片。该芯片包括圆柱形的液晶调相架构，其包括液晶材料层，依次设置在液晶材料层上表面的第一液晶初始取向层、第一电隔离层、图形化电极层、第一基片和第一红外增透膜，以及依次设置在液晶材料层下表面的第二液晶初始取向层、第二电隔离层、公共电极层、第二基片和第二红外增透膜；图形化电极层由圆形导电膜和同心设置在圆形导电膜外围的至少一个圆环形导电膜构成，圆形导电膜的直径大于与其相邻的圆环形导电膜的径向宽

芯片是信息科技的基础与推动力。然而，现有的硅基芯片制造技术即将触碰其极限，碳纳米管技术被认为是后摩尔技术的重要选项。相对于传统的硅基CMOS晶体管，碳纳米管晶体管具有明显的速度和功耗综合优势。IBM的理论计算表明，若完全按照现有二维平面框架设计，碳纳米管技术相较硅基技术具有15代、至少30年以上的优势。此外，Stanford大学的系统层面的模拟表明，碳纳米管技术还有望将常规的二维硅基芯片技术发展成为三维芯片技术，将目前的芯片综合性能提升1000倍以上，从而将物联网、大数据、人工智能等未来技术提升到一个全新高度。

       芯片功率器件测试平台，以工程教育专业认证为引领参与高校专业建设，以信息化引领构建学习者为中心的教育生态，培养集成电路硬件测试人才。为学生提供丰富的教学资源以及贴近现实的产业环境，支撑集成电路相关课程的教学与实训，且能进行项目开发和师资培训。

本发明公开了一种用于光纤与芯片间光信号传输的水平耦合器 件，包括第一采集模块，用于引导和收集一阶线偏振模式中第一模斑， 第二采集模块，用于引导和收集一阶线偏振模式中第二模斑，耦合模 块，设有第一传输通道、第二传输通道和主通道，第一传输通道接收 第一模斑，第二传输通道接收第二模斑，并通过模场的空间叠加实现 从耦合模块的主传输通道输出一阶横电模。本发明实现了将光纤中一 阶线偏振模式转化为芯片中的一阶横电模同时也保证了基模

微晶超薄防眩嵌装教室灯 项目 星奥全护眼LED教室灯 国家标准GB7793-2010 功率36w 参数 中小学学校教室采光和照明卫生标准 教室照度（E） 417LX 优于国标 ≥300LX 教室照度均匀度（Uo） 0.8 专业照明设计 ≥0.7 黑白照度（E） 639.3LX 优于国标 ≥500LX 黑板照度均匀度（Uo） 0.81 专业照明设计 ≥0.8 眩光（UGR） 15.9 无眩光危害 ＜19 光频闪（波动深度） ≤3.2% 无光频闪危害 —— 显色指数 ≥90 色彩还原能力强 ≥80 色温（Tc） 4500K/5500k(可定制） 光线柔和 3300K-5500K 使用寿命 质保三年 寿命长 —— 总功率（P） 450W 消耗功率低 —— 年耗电量（Q） 720度 耗电量低 ——

本发明公开了一种分开处理数据与元数据请求的方法。包括： 增加请求的元数据语义；为每个 SCSI 设备设置数据请求队列与元数据 请求队列，后者专门用来处理元数据请求，且对不同的请求采用不同 的处理方式。根据元数据请求粒度小、实时性强、分布分散的特点， 元数据请求队列采用优先响应处理的方式，请求不经过 I/O 调度层， 不在请求队列中延迟，直接下发到磁盘驱动器；对请求粒度大，频度 相对低，分布集中的数据请求，采用经过 I

高校科技成果尽在科转云

芯片的重要功能包括:地面数字电视传输标准 DTMB、有线数字电视传输标准、AVS/MPEGII 解码和 UTI 接口等。清华大学是 DTMB 的重要技术提供方，已经于 2007 年 11 月顺利完成了 DTMB 解调芯片的 MPW 流片，主要性能与国内最好产品的指标相当，一 些指标国内领先，当前正在完成国家重大专项数字电视 SoC 设计和产业化项目。清华大学 同时也是工信部确定的《数字电视接收机 UTI 机卡分离接口技术规范》和《数字电视接收 机 UTI 机卡分离接口测试规范》两项标准的牵头研发单位。在电视机产业面临升级换代的 关键时刻，我们愿意充分发挥自己的技术优势，与合作伙伴一道，以国家重点支持的高端数 字电视芯片 SoC 设计为契机，开发出低成本、高可靠性和有市场竞争力的芯片，为当地电 子信息产业的发展尽微薄之力。

人工智能物联网时代要求语音交互有非常好的体验感,室内环境下,当距离超过两米后,通过墙壁的反射造成的混响、音响设备的回声及其他环境噪声对语音识别带来了极大的影响,因此基于麦阵的声音采集与处理模块成为物联网时代的最佳人机交互采集模块。目前成熟的麦克风阵列语音信号采集与前端处理模块尚未出现，市面上仅有少数国外厂家如科胜讯提供双麦降噪芯片。同时,语音识别应用还需要配合降噪处理,目前的方案全部采用分离设计,一颗降噪芯片+一颗语音识别芯片。近年来随着大数据挖掘,基于人工智能神经网络的深度学习开始在语音识别领域进行推广运用,相对于传统的GMM模型,识别率得到了很大的提升。然而神经网络计算量非常巨大,需要采用GPU或CPU阵列的方式来进行运算,并且需要外加语音阵列降噪模块,其方案成本高,体积和功耗大。因此市场上对一款同时支持远场语音麦阵降噪和神经网络识别,具备高性价比的单芯片需求极大,具有巨大的市场前景和竞争力。