نتیجه نظرسنجی بنیاد eclipse از امبدد دولوپرها منتشر شد که خلاصه‌ش رو می‌تونید اینجا بخونید.

⚠️توجه: لینک رو بهتره تو مرورگر باز کنید انگار instant view تلگرام مشکل داره و فایل رو کامل نشون نمی‌ده.

انویدیا به‌تازگی جدیدترین محصول از سری کامپیوترهای تک‌بردی هوش مصنوعی Jetson Orin Nano خودش رو معرفی کرده که Jetson Orin Nano Super Developer Kit نام داره. یه چیزی مثل Raspberry Pi اما مخصوص پردازش‌های سنگین مثلاً پردازش‌ تصویر یا هوش مصنوعی! این کامپیوتر کوچیک ۲۴۹ دلاری، نسبت به نسخه قبلی هم قدرت پردازش بالاتری داره و هم قیمتش نصف شده. همین الان هم می‌تونید اونو بخرید.

سری Jetson Nano از سال ۲۰۱۹ یه گزینه ارزون و مناسب برای علاقه‌مندان و سازنده‌هایی بوده که پروژه‌های هوش مصنوعی و رباتیک رو اجرا می‌کنن. انویدیا میگه قدرت پردازش عصبی مدل Super حدود ۷۰ درصد بیشتر شده و به ۶۷ ترافلاپس رسیده (در مقایسه با ۴۰ ترافلاپس نسخه قبلی). پهنای باند حافظه هم ۵۰ درصد افزایش پیدا کرده و به ۱۰۲ گیگابایت بر ثانیه رسیده که این یعنی سرعت بیشتر در اجرای عملیات سنگین.

نکته جالب اینه که سخت‌افزار نسخه Super تقریبا همون سخت‌افزار نسخه قبلی Orin Nano هست. اما انویدیا میگه این افزایش عملکرد با یه آپدیت جدید JetPack و فعال شدن یه حالت قدرت جدید (Power Mode) که سرعت GPU، حافظه و CPU رو بالا می‌بره، به‌دست اومده.

توی ویدیویی که جنسن هوانگ (مدیرعامل انویدیا) معرفی کرده، جزئیات این کیت اومده: توی جعبه یه برد مرجع (Carrier Board) و یه ماژول Jetson Orin Nano 8GB هست که شامل یه GPU معماری Ampere انویدیا با هسته‌های تنسور و یه پردازنده ۶ هسته‌ای Arm می‌شه.

انویدیا این کیت رو یه راه‌حل عالی برای ساخت چت‌بات‌ها، ابزارهای بصری هوش مصنوعی و ربات‌های مبتنی بر هوش مصنوعی معرفی کرده.

اگه دنبال یه دستگاه جمع‌وجور ولی پرقدرت برای پروژه‌های هوش مصنوعی و رباتیک هستید، این کیت می‌تونه گزینه خوبی باشه.
منبع:
https://www.nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-orin/nano-super-developer-kit/

شرکت NXP دو سری جدید از میکروکنترلرهای کم‌مصرف خودش به نام MCX L14x و MCX L25x رو معرفی کرده که بر اساس هسته Arm Cortex-M33 ساخته شدن. این سری جدید، مثل بقیه‌ی محصولات MCX، امکانات جانبی مشابهی داره ولی از یه معماری مدیریت انرژی جدید استفاده می‌کنه که مخصوص اپلیکیشن‌های باتری‌خور و همیشه روشن طراحی شده.

این تراشه‌ها از یه معماری دوگانه استفاده می‌کنن که شامل دو بخش "real-time processing" و "ultra-low-power sensing functions" تو یه چیپ میشه. هسته Cortex-M33 وظیفه پردازش real-time رو به عهده داره و هسته Cortex-M0+ هم بخش همیشه روشن و کم‌مصرف رو مدیریت می‌کنه. NXP گفته این تراشه‌ها تا سه برابر کم‌مصرف‌تر از نسل قبلی خودشون هستن.

این میکروکنترلرها مخصوص اپلیکیشن‌های کم‌مصرف و باتری‌خور طراحی شدن مثل حسگرهای صنعتی، دزدگیر، آلارم‌های دود و آتش، کنتورهای هوشمند، وسایل خونگی هوشمند و حسگرهای حرکتی.

مشخصات این سری از قرار زیره:

CPU
Main core: Arm Cortex-M33 microcontroller @ up to 96 MHz (48 MHz for MCX L14x)
Sensor domain: Arm Cortex-M0+ microcontroller @ up to 10 MHz
Memory
MCX L14x
Up to 256KB flash program memory
Up to 64KB SRAM
32KB ROM with Secure Installer
MCX L25x
Up to 512 KB on-chip flash program memory with 4 kB low-power cache and ECC
Up to 128 KB SRAM
32KB ROM with Secure Installer
HMI (L25x only)
1x Segment LCD 4 x 52 (with 48 LCD pins)
1x Keypad supporting up to 8 x 8 pad matrix
Connectivity
2x LPSPI (Low Power SPI) modules, @ up to 50 MHz in master mode
2x LPI2C (Low Power I2C) supporting Standard, Fast, Fast+ and Ultra-Fast modes
3x LPUART (Low Power UART)
Peripherals
Analog
1x 16-bit ADC, 16-bit at 2.0 Msamples/sec, 12-bit mode at 3.5 MSamples/sec
24x ADC input channels with multiple internal and external trigger inputs
Integrated temperature sensor
1x LP 12-bit ADC at 2.0 Msamples/sec
2x high-speed comparators with 8 input pins and an 8-bit DAC (1x comparator on L14x)
1x low-power analog comparator
Timers
3x 32-bit general-purpose timers/counters
Up to 2x QTimer (Quad Timer)
LPTimer (Low Power Timer)
Frequency measurement timer
Windowed Watchdog Timer
Wake timer
MicroTick timer
42-bit free running OS timer as a continuous timebase for the system
Security
Code Watchdog to ensure code flow integrity
Edgelock Security with TRNG, OTP, DICE, and secure key management
Edgelock AES/SHA accelerator
Three-level read-out protection
Flash programming through in-system programming (ISP) via LPUA+B28RT interface with automatic baud rate detection
Glitch attack resistant keyed access (Glikey)
System
2x eDMA (enhanced Direct Memory Access)
Clock Generation: Low-Power Internal Clock (16kHz, 12MHz, 96MHz)
Power Management: POR/LVD/HVD, LDO, DCDC
Packaging
LQFP100, 14 x 14 x 1.4 mm, 0.5 mm pitch
VFBGA184 9 x 9 x 1 mm, 0.5 mm pitch

این سری از طریق ابزارهای توسعه MCUXpresso که شامل کیت‌های نرم‌افزاری، ابزارهای کانفیگ و دیباگ، و پشتیبانی از IDEهای مختلف مثل Visual Studio Code، IAR، و Keil هست، پشتیبانی میشه. این تراشه‌ها قابلیت اجرا روی اپلیکیشن‌های Bare Metal و سیستم‌های RTOS رو دارن و نمونه‌های FreeRTOS توی SDK هستن و پشتیبانی از Zephyr هم تو برنامه‌اشونه.

شرکت NXP دو برد توسعه ارزون به نام‌های FRDM-MCXL144 و FRDM-MCXL255 رو هم ارائه کرده که قابلیت پروتوتایپ‌سازی سریع رو دارن و از هدرهای Arduino و mikroBUS پشتیبانی می‌کنن.

این سری تو نمایشگاه CES 2025 توی یه دمو مرتبط با اتوماسیون ساختمون به نمایش گذاشته شد. فعلاً تو مرحله پیش‌تولید هست و نمونه‌های اولیه‌اش برای نیمه اول 2025 در نظر گرفته شده. هنوز قیمتشون اعلام نشده. NXP قبلاً سری‌های MCX A و MCX N رو معرفی کرده و فقط معرفی رسمی میکروکنترلرهای وایرلس MCX W با بلوتوث LE مونده که اونم به‌زودی ارائه میشه.

منبع:
https://www.nxp.com/company/about-nxp/smarter-world-blog/BL-MEET-THE-MCX-L-SERIES

شرکت Morse Micro از تراشه جدید MM8108 رونمایی کرده که یک SoC وای‌فای HaLow (استاندارد 802.11ah) با نرخ انتقال داده تا 43.33 مگابیت بر ثانیه محسوب می‌شه و از نظر برد و بهره‌وری انرژی نسبت به نسخه قبلی یعنی MM6108 که سال 2022 معرفی شد، بهبود پیدا کرده. تراشه قبلی حداکثر نرخ انتقال 32.3 مگابیت بر ثانیه رو ارائه می‌داد.

تراشه جدید نسبت به نسل قبلی خودش کوچیک‌تر شده و حالا در پکیج BGA با ابعاد 5x5 میلی‌متر عرضه می‌شه، در حالی که نسخه‌های MM6108/MM6104 در پکیج QFN48 با ابعاد 6x6 میلی‌متر بودن. این تراشه علاوه بر رابط‌های SDIO 2.0 و SPI، حالا از رابط USB 2.0 هم پشتیبانی می‌کنه و یه رابط MIPI RFFE برای یکپارچه‌سازی و سازگاری با سیستم‌های چندرادیویی داره.

مشخصات تراشه Morse Micro MM8108 به شرح زیره:

- 32-bit RISC-V Host Applications Processor (HAP)
- Single-Chip IEEE802.11ah Wi-Fi HaLow transceiver for low-power, long-reach IoT applications
- Worldwide Sub-1 GHz frequency bands (850MHz to 950MHz)
- On-chip 26 dBm power amplifier with support for external FEM (Front End Module) option
- 1/2/4/8 MHz channel bandwidth for up to 43.3 Mbps data rate using 256-QAM modulation at an 8 MHz bandwidth
- Range – No metrics mentioned, but the previous generation MM6108 at a range of up to 1 km
- Host interfaces – USB 2.0, SDIO 2.0, and SPI host interface Options
- Peripherals – GPIO, UART, I2C, PWM, MIPI RFFE interface
- Security – WPA3 with Simultaneous Authentication of Equals (SAE) and GCMP encryption for link-layer protection
- Power Management – PMU supporting Ultra-Low-Power operation modes, multi-year battery life
- Power Consumption
      325mA current draw from a 3.3V voltage source at 26dBm Tx power
      “Optimized for battery-operated applications” with “extended sleep times and ultra-low power consumption in sleep modes”
- Package – 5×5 mm BGA package

به گفته Morse Micro، بهینه‌سازی‌های انجام‌شده در بهره‌وری انرژی این تراشه باعث افزایش چشمگیر عمر باتری شده و امکان استفاده از دستگاه‌های IoT کم‌مصرف مثل دوربین‌های 4K مجهز به هوش مصنوعی و تغذیه‌شده با انرژی خورشیدی رو در صنایع مختلف مثل کشاورزی، معدن، صنعت، خانه/شهر هوشمند فراهم می‌کنه.

اضافه شدن رابط USB توی این تراشه باعث شده که بتونه به‌عنوان دانگل AP و STA هم کار کنه. Morse Micro یه طراحی مرجع به اسم MM8108-RD09 هم ارائه داده که این امکان رو می‌ده تا شبکه‌های وای‌فای 4، 5، 6، 6E و 7 رو به وای‌فای HaLow ارتقا بدید. این دانگل به‌همراه یه کیت ارزیابی کامل به اسم MM8108-EKH19 عرضه می‌شه که شامل یه Raspberry Pi 4 مدل B، یه آنتن SMA و یه منبع تغذیه‌س.

شرکت Morse Micro می‌گه تراشه MM8108، دانگل MM8108-RD09 و کیت ارزیابی MM8108-EKH19 الان به صورت نمونه در دسترسه و شرکت‌های علاقه‌مند می‌تونن از طریق نماینده‌های Morse Micro نمونه‌ها رو دریافت کنن. احتمالا توی آینده نزدیک این محصولات به صورت گسترده‌تری عرضه بشن.

منبع:
https://www.morsemicro.com/2025/01/08/morse-micro-introduces-the-smallest-fastest-lowest-power-and-farthest-reaching-wi-fi-chip-in-the-world/

اگه دنبال پردازنده‌ای برای ساخت گیت‌وی صنعتی می‌گردید تراشه Siflower SF21H8898 یه SoC چهار هسته‌ای ۶۴ بیتی با معماری RISC-V مناسب این کاره. این تراشه‌ یه پردازنده چهار هسته‌ای با فرکانس تا ۱.۲۵ گیگاهرتز داره و‌ یه NPU برای مدیریت ترافیک هم در خودش جای داده.
این چیپ از حافظه تا ۲ گیگابایت DDR3، DDR3L یا DDR4 پشتیبانی می‌کنه و رابط‌های شبکه‌ای مثل QSGMII، SGMII/HSGMII و RGMII رو داره و از پریفرال‌های USB 2.0، PCIe 2.0، SPI، UART، I2C و PWM هم پشتیبانی می‌کنه.

جالب اینجاست SoC از سپتامبر ۲۰۲۴ از OpenWrt پشتیبانی می‌کنه، هرچند هنوز با کرنل اصلی سازگار نیست. البته وضعیت SF21H8898 RISC-V کمی مبهمه چون هیچ مرجعی ازش توی کد منبع OpenWrt وجود نداره، اما چندین ارجاع ازش تو mailing list کرنل لینوکس وجود داره. که اینجا می‌تونید ببینیدش.

همچنین این تراشه برای روتر Banana Pi BPI-RV2 استفاده شده و مستندات پایه‌ای مشخصات برد و دیتاشیت Siflower SF21H8898 رو شامل میشه که اینجا در دسترسه، اما هیچ اطلاعاتی در مورد پشتیبانی نرم‌افزاری یا قیمت و در دسترس بودن نداره!
مشخصات دقیق این پردازنده رو هم تو پست بعدی می‌تونید ببینید.

Siflower SF21H8898 specifications:

Cache
32KB L1 I-Cache and 32KB L1 D-Cache per core
Shared 256 KB L2 cache
Memory – Up to 2GB 16-bit DDR3/3L up to 2133Mbps or DDR4 up to 2666Mbps
Storage – NAND and NOR SPI flash support
Networking
1x QSGMII interface (Serdes 5Gbps rate) for 4x external Gigabit Ethernet PHYs
1x SGMII/HSGMII interface (Serdes1.25/3.125Gbps rate) supporting Gigabit and 2.5Gbps modes
1x RGMII interface for Gigabit Ethernet
1x MDIO interface
Hardware forwarding via NPU
IEEE802.3 Ethernet II protocols
Configurable jumbo frame length (9KB)
Port-based shaper and priority scheduling
IPv4, IPv6 packet parsing and forwarding based on ETHII, PPPoE, 802.3
VLAN-based layer 2 unicast and multicast forwarding
Hardware NAT forwarding
Basic NAT mode and Network address port translation(NAPT) mode, including full cone NAT, restricted cone NAT, port restricted cone NAT and symmetric NAT;
Source NAT (SNAT) and Destination NAT (DNAT)
Layer 3 routing
Flow classification ACL –  The policies after flow classification include upsending, forwarding, discarding, mirroring, redirecting, speed limiting and priority updating, etc.
Hardware QoS
Rich message traffic (number, number of bytes) statistics
USB – 1x USB 2.0
High-speed expansion – 2x PCIe 2.0
Low-speed I/Os – 2x UART, 2x SPI, 2x I2C, 2x 16-bit PWM, up to 41x GPIO
Debug interface – JTAG
Security
SHA, RSA, AES, MD5, etc.
Hardware-level Security boot
Misc – On-chip temperature detection with +/- 3°C accuracy
Power Management
0.8V, 1.8V, and 3.3V supplies
2x VDT voltage detection
Power-off detection and interrupt reporting
Package – 16x16mm FCCSP-390
Temperature Range – Operating: -40°C to +85°C; storage: -40°C to +125°C
Manufacturing Process – TSMC 12nm FFC

زیاد دیدم و شنیدم کسایی که تو کار تولید نرم‌افزار هستند نگران این هستن که AI جاشون رو بگیره، نظر شخصی من اینه که صنعت نرم‌افزار به همراه سخت‌افزار و AI قبل از هر چیزی شغل‌های زیادی رو جایگزین می‌کنند تا در انتها نوبت به بخشی از خودشون برسه.

برایان رومل نوشته تونسته LLM معروف به DeepSeek R1 از شرکت High-Flyer که به تازگی به خاطر عملکرد و سرعت خوبی که داره سر زبون‌ها افتاده رو، روی یه رزبری‌پای به صورت آفلاین و لوکال با سرعت ۲۰۰ توکن در ثانیه که سرعت خیلی خوبیه اجرا کنه!
در ادامه هم نوشته وقتی به اندازه کافی تست کرد ایمیجش رو منتشر می‌کنه.

اینجا می‌تونید ماجرا رو پیگیری کنید.

شرکت کنون از سنسور جدید 410 مگاپیکسلی در سنسور فول فریم 35 میلیمتری رونمایی کرده بیشترین تعداد پیکسل گنجونده شده در این اندازه تاکنون هست.

این سنسور رزولوشن 24K داره و در کاربردهای صنعتی، پزشکی و جاهایی که به رزولوشن بسیار بالا نیاز دارن، استفاده میشه. علاوه بر این به لطف اینکه سنسور 35 میلیمتری هست، لنزهای فول فریم گسترده ای که برای دوربینها وجود دارن روی اون هم قابل استفاده خواهند بود.

🔎 theverge

📍 @TechTube

گوگل سیستم‌عامل PebbleOS رو متن‌باز کرد!

گوگل رسماً اعلام کرده که PebbleOS حالا به‌صورت متن‌باز (Open Source) در دسترسه، و این خبر حسابی دل امبدد دولوپرها رو شاد کرده.

اگه اولین باره که اسم PebbleOS به گوشتون می‌خوره، لازمه بدونید این سیستم‌عامل ساعت‌های هوشمند Pebble بود. Pebble یکی از اولین برندهای موفق تو حوزه ساعت‌های هوشمنده که قبل از ورود غول‌هایی مثل اپل و سامسونگ، این گجت‌های پوشیدنی رو به مردم معرفی کرد. طراحی ساده و جذاب، نمایش نوتیفیکیشن‌ها، کنترل موزیک، و سازگاری با اندروید و iOS، باعث شد ساعت‌های Pebble بین کاربران خیلی محبوب بشن.

از اونجایی PebbleOS روی freeRTOS ساخته شده بود، روی سخت‌افزارهای کم‌مصرف اجرا می‌شد. تمرکز اصلیش به‌جای قدرت سخت‌افزاری، روی عملکرد بهینه و عمر باتری طولانی بود. همین ویژگی‌ باعث شد که ساعت‌های Pebble بتونن روزها (و حتی هفته‌ها) بدون نیاز به شارژ کار کنن؛ چیزی که هنوز هم کم‌نظیره.

چرا متن‌باز شدن PebbleOS مهمه؟

این حرکت گوگل، یه فرصت طلایی برای توسعه‌دهنده‌ها، علاقه‌مندان به تکنولوژی‌های نوستالژیک، و حتی دانشجوهاست.

متن‌باز شدن کدهای این‌چنینی مزیت بزرگی داره که چند موردش می‌تونن موارد زیر باشن:
1. احیای ساعت‌های قدیمی:
کاربرهایی که هنوز ساعت‌های قدیمی Pebble دارن، می‌تونن با آپدیت‌های جدید یا شخصی‌سازی‌های دلخواهشون، دوباره از این ساعت‌ها استفاده کنن.
2. الهام برای پروژه‌های جدید:
معماری و ایده‌های PebbleOS می‌تونه الهام‌بخش توسعه‌دهنده‌ها برای ساخت سیستم‌عامل‌ها و گجت‌های جدید باشه، به‌خصوص تو حوزه دیوایس‌های پوشیدنی و کم‌مصرف.
3. یادگیری و تحقیق:
دانشجوها و علاقه‌مندان به برنامه‌نویسی سیستم‌عامل می‌تونن از این کد استفاده کنن تا مفاهیم پیچیده رو بهتر درک کنن یا پروژه‌های آموزشی بسازن.


سورس‌کد این سیستم‌عامل رو می‌تونید تو لینک زیر پیدا کنید.
https://github.com/google/pebble

ممکنه برخی از شما فکر کنید زبان اسمبلی دیگه کاربردی نداره، قدیمیه و کنار گذاشته شده و یا به عبارتی مرده! اما واقعیت اینه که تو خیلی از پروژه‌های مدرن مثل FFmpeg، TensorFlow، Blender و PyTorch تو بخش‌های بحرانی و حساس از اسمبلی مخصوصا دستورات SIMD برای سرعت بخشیدن به محاسبات ماتریسی و تنسوری استفاده می‌کنند.
شاید بپرسید دستورات SIMD چی هستن! این عبارت مخفف Single Instruction، Multiple Data هستش که به CPU اجازه می‌ده تا یک عملیات منطقی یکسان رو به طور همزمان بر روی چندین داده انجام بده (نمونه‌ش رو تو تصویر بالا می‌تونید ببینید) که منجر به افزایش چشمگیر سرعت می‌شه و البته توان مصرفی رو هم کمتر می‌کنه.
توی پروژه‌هایی که اسم بردیم FFmpeg به طور فعالانه‌تری از این دستورات استفاده می‌کنه حتی سعی در آموزش و ترویج اسمبلی و دستورات SIMD داره. FFmpeg یک پروژه‌ی اوپن‌سورس و رایگانه به نوعی چاقوی سوئیسی دنیای فایل‌های صوتی و تصویریه که مجموعه‌ای از کتابخانه‌ها و ابزارها رو فراهم می‌کنه و به ما اجازه می‌ده تقریباً هر کاری با فایل‌های صوتی و تصویری انجام بدیم: تبدیل فرمت‌های مختلف به یکدیگه (مثلاً تبدیل MOV به MP4)، جداسازی صدا از ویدئو، افزودن زیرنویس، برش و ویرایش بخش‌هایی از ویدئو، تغییر اندازه‌ی ویدئو، آماده‌سازی ویدئو برای پخش آنلاین با کیفیت‌های مختلف، و حتی ایجاد استریم زنده و تو اکثر نرم‌افزارها و سیستم‌عامل‌هایی که روزانه باهاشون سروکار داریم هم استفاده می‌شه.
توی پروژه FFmpeg از دستوراتی مثل MMX، SSE، AVX و... برای انجام عملیات‌های زیر به صورت موازی استفاده می‌شه:

تبدیل فرمت‌های رنگی مانند YUV به RGB و بالعکس : Color Space Conversion
تغییر اندازه فریم‌های ویدئو: Resizing، Scaling
فیلترهای تصویری مثل: blur، sharpen، و deinterlace
تبدیل فوریه گسسته که تو کدک‌های صوتی و تصویری استفاده می‌شه
و محاسبات ماتریسی مورد نیاز الگوریتم‌های فشرده‌سازی


اگه دوست دارید در این مورد بیشتر بدونید و یاد بگیرید هم می‌تونید به مدرسه اسمبلی FFmpeg توی لینک زیر برید و از مطالبشون لذت ببرید.
https://github.com/FFmpeg/asm-lessons/blob/main/lesson_01/index.md

محقق‌های آزمایشگاه‌های MLT, MIT و Cambridge به اتفاق روشی رو برای تولید سریع و ارزان قطعات الکترونیکی فعال بدون نیمه‌رسانا توسط پرینترهای FDM معمولی معرفی کردند. با وجود اینکه دنیای الکترونیک تحت سلطه مدارهای مجتمع نیمه‌رسانا (IC) هستش و اکثر فناوری‌های مدرن هم وابسته به این صنعته, تولید چیپ بین چند بازیگر کلیدی متمرکز شده و این موضوع یک زنجیره تأمین شکننده ایجاد کرده مثل ماجرای کمبود چیپ تو دوره کرونا. این عدم تعادل، نیاز به جایگزین‌های در دسترس و ارزان‌قیمت برای ساخت قطعات الکترونیکی فعال رو برجسته می‌کنه و اینجاست که محقق‌ها انگیزه کافی برای این تحقیقات پیدا می‌کنند.
از اونجایی چاپگرهای سه‌بعدی، ساخت قطعات مکانیکی رو متحول کردن. این موضوع باعث شده که خیلی‌ها به فکر استفاده از چاپ سه‌بعدی برای ساخت قطعات کاربردی، از جمله قطعات الکتریکی بیفتن. با این حال، چاپ سه‌بعدی قطعات الکترونیکی فعال (مثل ترانزیستورها) هنوز کار آسونی نیست.
بریم سراغ اصل مطلب، یعنی مقاله‌ی منتشر شده: توی این مقاله توضیح داده می‌شه که چطور محقق‌ها تونستن قطعه‌ای شبیه به ترانزیستور رو با یه پرینتر سه‌بعدی معمولی بسازن. برای ساخت این ترانزیستور از فیلامنت‌های تجاری و رنگ‌های رسانا استفاده شده که هر دو به راحتی توی بازار پیدا می‌شن. نکته‌ی کلیدی این قطعات، استفاده از پدیده‌ی ضریب دمایی مثبت (PPTC) توی مسیرهای باریک چاپ سه‌بعدی شده از جنس پلی‌لاکتیک اسید (PLA) تقویت‌شده با مس هست. اثر PPTC یعنی چی؟ یعنی یه جهش شدید و البته برگشت‌پذیر توی مقاومت ویژه‌ی ماده (همون مقاومت الکتریکی).

مکانیسم پشت این پدیده چیه؟ انبساط حرارتی و خواص مواد پلیمری. به این صورت که ذرات رسانا داخل ماتریس پلیمری، مسیرهایی با مقاومت کم ایجاد می‌کنن. وقتی مواد رو گرم می‌کنیم (چه با یه منبع خارجی، چه با خود جریان الکتریکی)، دماشون بالا می‌ره. وقتی پلیمر به دمای انتقال شیشه‌ای خودش می‌رسه، خیلی بیشتر مستعد انبساط حرارتی می‌شه. این انبساط باعث می‌شه ذرات رسانا از هم دور بشن. این جدایی، اون مسیرهای کم‌مقاومت رو قطع می‌کنه و مقاومت ویژه یهو زیاد می‌شه. از طرف دیگه، این افزایش مقاومت، جریان الکتریکی رو کم می‌کنه و در نهایت به یه تعادل حرارتی می‌رسیم: مقاومت بالا، جریان کم. وقتی هم که مواد سرد می‌شن و ساختار بلوریشون رو دوباره به دست میارن، مسیرهای رسانا دوباره وصل می‌شن و مقاومت ویژه برمی‌گرده به حالت اول.

این ساختار رو می‌شه با یه ترانزیستور PMOS مقایسه کرد. مسیر اصلی مثل کانال درین-سورس عمل می‌کنه و مسیر کنترل هم نقش گیت رو داره. وقتی به مسیر کنترل ولتاژ می‌دیم، مقاومت ویژه‌اش یهو زیاد می‌شه و این روی مسیر اصلی تأثیر می‌ذاره. یعنی می‌تونیم مقاومت رو با ولتاژ کنترل کنیم.

و در نهایت، محقق‌ها با استفاده از همین ترانزیستور چاپ سه‌بعدی، گیت‌های منطقی اصلی NOT، OR و AND رو ساختن.
با اینکه این یه نوآوری خیلی خلاقانه و هیجان‌انگیزه، اما خب چالش‌ها و محدودیت‌هایی هم داره. مثلاً سرعتش خیلی خیلی پایینه! حتی از اولین ترانزیستورهای تاریخ هم کندتره! مصرف برقش بالاست و اندازه‌ش هم خیلی خیلی بزرگه. اما بازم قدم بزرگیه! اصل مقاله رو می‌تونید تو لینک زیر بخونید:
https://www.tandfonline.com/doi/epdf/10.1080/17452759.2024.2404157?needAccess=true

شرکت فناوری پهپاد اوکراینی Sine.Engineering که یک شرکت نوپا و تازه تاسیسه، سال ۲۰۲۲ با هدف مقابله با عملیات پهپادی روسیه تأسیس شد به‌تازگی یک سیستم ناوبری جایگزین GPS معرفی کرده که برای مقابله با جنگ الکترونیک روسیه طراحی شده است. این سیستم جدید، هم مثل GPS از روش «زمان پرواز» (ToF) استفاده می‌کنه با این تفاوت که برعکس GPS نیازی به ماهواره نداره، روشی که پیش از GPS برای ردیابی هواپیماها هم استفاده می‌شد.

تو این روش، ماژول رادیویی سیگنال‌هایی را با چند ایستگاه زمینی(بجای ماهواره) تبادل می‌کنه و زمان سفر سیگنال‌ها را اندازه‌گیری می‌کنه. با توجه به اینکه مختصات ایستگاه‌های زمینی ثابت و مشخص هستن، نرم‌افزار می‌تونه موقعیت دقیق پهپاد را تعیین کنه. علاوه بر این، ماژول مذکور با استفاده از چندین باند فرکانسی، از تداخل‌هایی که فرکانس‌های خاصی را هدف قرار می‌دن، هم جلوگیری می‌کنه.

این سیستم با هزینه‌ای نسبتاً پایین، دقت بالایی را فراهم می‌کنه و هدف Sine تسریع در گذار اوکراین به سمت پهپادهای خودمختاره. نیروهای‌مسلح اوکراین هم از این طرح حمایت کردن و ماژول Sine را توی عملیات‌های نظامی به کار گرفتن.

آندری چولیک، مدیرعامل و یکی از بنیان‌گذاران Sine، می‌گه: این سیستم در حال حاضر در مأموریت‌های اطلاعاتی، نظارتی و شناسایی فعاله و آزمایش‌های اون بر روی پهپادهای FPV از ماه گذشته شروع شده. آندری انتظار داره که به‌زودی این سیستم در میدان نبرد هم به کار گرفته بشه.
آندری در ادامه در مورد جنگ الکترونیک و سیاست‌های اکراین در این زمینه صحبت کرده که از حوصله بحث خارجه و اگه دوست داشتید می‌تونید توی لینک زیر در موردش بخونید:

https://thenextweb.com/news/ukrainian-drone-company-sine-replaces-gps

از شکست در کیک‌استارتر تا سرگرمی با هوش مصنوعی
پروژه Micro Racer Car یه ماشین کوچیک و پرینت سه‌بعدیه که هم سرگرم‌کننده‌اس، هم می‌شه شخصی‌سازیش کرد، هم برای آموزش مناسبه. این پروژه چند سال پیش تو Kickstarter لانچ شده بود ولی شکست خورد و در نهایت به عنوان یه پروژه متن‌باز منتشر شد. یعنی هرکسی می‌تونه طراحی‌ها و کدها رو برداره، تغییر بده یا چیز جدیدی بهش اضافه کنه. حتی کنترلرش، Thumbtroller، هم متن‌بازه!

چی داره؟
کنترل ماشین: فریم‌ور ماشین روی ESP32 اجرا می‌شه. برای توسعه، باید ESP32 IDF v5.3.1 داشته باشین و از یه USB to Serial dongle استفاده کنین.
هوش مصنوعی: با استفاده از چند تا اسکریپت Python می‌شه شبکه عصبی رو آموزش داد (داده‌ها توی color_data.txt ذخیره می‌شن) یا ماشین رو با کیبورد کنترل کرد (controller.py).
تشخیص رنگ: ماشین می‌تونه سطوح رنگی رو تشخیص بده. این کار رو با یه neural network انجام می‌ده که بسته به رنگ، واکنش نشون می‌ده. حتی می‌شه شبکه عصبی خودتون رو آموزش بدین و رفتار ماشین رو تغییر بدین.
شارژ با USB-C: از اون قابلیت جذابی که باعث می‌شه دیگه نیازی به شارژر جدا نباشه؛ همون کابل USB-C گوشی رو هم شارژ می‌کنه.
مشارکت و همکاری جامعه
سازنده از همه دعوت کرده که نسخه خودشون از این ماشین رو بسازن و تجربه‌هاشون رو به اشتراک بذارن. چون پروژه متن‌بازه، هر کسی می‌تونه تو بهبود و توسعه‌ش کمک کنه.
اینجا می‌تونید پروژه رو پیدا کنید و اگه دوست داشتید تو توسعه‌ش مشارکت کنید.
https://github.com/StuckAtPrototype/Racer

به نظرتون راه ساده‌ای برای اجرای شبکه‌های عصبی روی میکروکنترلرها وجود داره!؟
جواب کوتاه بله‌ست! و اما جواب بلند: پروژه Zant یه SDK اوپن‌سورس و کراس‌پلتفرمه که با زبان Zig نوشته شده و مخصوص اجرای شبکه‌های عصبی (NN) روی میکروکنترلرهاست. این ابزار کمک می‌کنه که مدل‌های یادگیری عمیق به صورت بهینه روی سخت‌افزارهای کم‌قدرت اجرا بشه. بدون اینکه دردسرهای معمول رو داشته باشه.
توسعه‌دهنده‌های این پروژه (که قبلاً با اسم Zig-ant شناخته می‌شد) متوجه شدن که خیلی از میکروکنترلرها کتابخونه‌های یادگیری عمیق قوی ندارن. برای همین تصمیم گرفتن یه راهکار سبک، سریع و انعطاف‌پذیر ارائه بدن که روی پلتفرم‌های مختلف مثل ARM Cortex-M، RISC-V و حتی x86 اجرا بشه. برعکس پلتفرم‌هایی مثل Edge Impulse که روی ایجاد مدل‌ها تمرکز دارن، Zant روی اجرا متمرکزه و در نهایت یه کتابخونه‌ استاتیک و بهینه تولید می‌کنه که راحت می‌شه توی پروژه‌ها ازش استفاده کرد.
تو این پروژه از تکنیک‌های کوانتایزیشن، پرونینگ، SIMD و GPU Offloading استفاده می‌شه.همچنین دلیل استفاده از Memory Pooling، تخصیص استاتیک و بهینه‌سازی بافر، روی سخت‌افزارهای ضعیف هم قابل استفاده‌س. طراحی ماژولار، APIهای شفاف و داکیومنتیشن کاملی که داره کار باهاش خیلی آسون می‌کنه.
از این پروژه می‌تونید برای بینایی ماشین (مثل تشخیص اشیا و پردازش تصویر), نگهداری پیش‌بینانه (Predictive Maintenance) و سیستم‌های خودران (پهپادها، ربات‌ها و...) استفاده کنید.
البته فعلا Zant می‌تونه روی Raspberry Pi Pico 2 مدل MNIST رو اجرا کنه با پشتیبانی از مدل‌های ONNX. هدف بعدی، اجرای مدل YOLO روی Raspberry Pi Pico 2 تا پایان آپریله.

البته باید بگم اجرای یادگیری ماشین روی میکروکنترلرها چیز جدیدی نیست. پلتفرم‌هایی مثل Edge Impulse، BitNetMCU و TensorFlow Lite for MCUs هم تو این حوزه فعالن. اما برتری Zant تو سادگی اجرا روی پلتفرم‌های مختلف بدون نیاز به تغییر زیاد توی کدهاست.
برای اطلاعات و جزییات بیشتر میتونید به گیت‌هاب این پروژه تو لینک زیر سر بزنید.
https://github.com/ZIGTinyBook/Z-Ant