Qorvo GaN 功率放大器模块荣获“2022 全球电子成就奖”

分享到:

11月10日晚,全球知名媒体集团 Aspencore 正式公布了 2022 年度的“全球电子成就奖”(World Electronics Achievement Awards:WEAA)名单。Qorvo 公司的氮化镓 (GaN) 8 瓦功率放大器模块 (PAM) QPA3908 因为其杰出的性能表现,荣获 WEAA “射频/无线/微波类别 2022 年度产品奖”。
 
1
Qorvo 应用工程师总监 Jeffrey Yang(图左)代表公司领奖
 
“全球电子成就奖”旨在评选并表彰对推动全球电子产业创新做出杰出贡献的企业和管理者,由 ASPENCORE 全球资深产业分析师组成的评审委员会以及来自亚、美、欧洲的网站用户群共同评选出得奖者。
 
QPA3908 获得该奖项代表了产业对 Qorvo 创新技术的认可。该模块兼具高性能和小尺寸特性,非常适合网络基础设施设备应用,包括用于有源天线系统的大规模 MIMO 基站和 O-RAN 网络。
 
Qorvo GaN 功率放大器模块荣获“2022 全球电子成就奖”
 
除了QPA3908,Qorvo同时还推出了同为氮化镓 (GaN) 8 瓦功率放大器模块 (PAM) 的QPA3810。这两个产品兼有高性能和远小于传统分立元件解决方案的占用空间的优势,从而减少网络基础设施设备制造商所需的板级占用空间。
 
QPA3908 和 QPA3810 为集成式两级 PAM,专为大规模 MIMO 应用而设计,器件输出具有 8 瓦 RMS。QPA3908 的工作频率范围为 3.7–3.98 GHz。QPA3810 的工作频率范围为 3.4–3.8 GHz。两个模块都以 50 Ω 匹配输入/输出,只需少量的外部组件。
 
QPA3908 和 QPA3810 均包含一个驱动器 PA 和 Doherty 最终级,以 8W 平均功率为整个模块提供高功率附加效率。模块是输入和输出匹配的组件,性能优越,并且经过完全组装,无需额外调整。这些单调谐模块简化了 5G 网络架构并缩短了设计时间,提供了比多个分立 PA 更出色的解决方案。
 
Qorvo GaN 功率放大器模块荣获“2022 全球电子成就奖”
 
作为业内领先的射频方案供应商,Qorvo 提供业界最大、最具创意的 GaN-on-SiC 产品组合,帮助客户显著提升效率和工作带宽。该公司的 GaN-on-SiC 产品具有高功率密度、小尺寸、增益出色、高可靠性和工艺成熟的特点。Qorvo 是射频产品和化合物半导体代工服务的领先供应商。根据美国国防部制定的 MRL 衡量标准,Qorvo 的 GaN 技术已达到制造成熟度 10 级。
 
文章为原创,转载请注明原网址:https://rf.eefocus.com/article/id-336433
 
继续阅读
一文讲解无线通信领域的混频器和调制器

在所有的无线设计中,混频器和调制器都支持变频并实现通信。它们确定整个信号链的基本规格。它们的接收信号链具有最高功率,对来自发射通路中的数模转换器(DAC)的信号进行上变频,并实现数字预失真(DPD)系统,从而影响整个通信系统的性能。那么,基本混频器的工作原理如何?有哪些重要规格要考虑?目前有哪些混频器和调制器方案可用来改进和简化系统设计?

存储器技术发展概述

半导体存储技术在电子设计中占有重要的地位,在几乎任何包含处理器的系统中都会用到各种各样的存储器。 随着处理器的进化和发展,存储技术也跟随着不断进步。 另外,随着处理器和计算机系统而不断复杂的软件系统,也对存储技术提出越来越高的要求,新型的存储技术因此不断涌现。 然而,当今的主流存储技术在可预见的将来仍然会被大量应用在计算机系统、数码相机、智能手机等电子设备当中。

I2C总线的工作原理

I2C总线是一种十分流行并且强大的总线,其多用于一个(或多个)主机与单个或多个从设备通讯的场景。图1表明了多种不同的外设可以共享这种只需要两根线便可以连接到处理器的总线,相对于其他接口来说,这也是I2C总线可以提供的最大优势之一。这篇应用笔记的目标是帮助大家理解I2C总线是如何工作的。

引线键合和倒装焊封装制程工艺详解

系统级封装技术已经成为电子技术研究新热点和技术应用的主要方向之一,SIP封装工艺作为SIP封装技术的重要组成部分,值得从事相关技术行业的技术人员和学者进行研究和学习,引线键合和倒装焊作为系统级封装的两种工艺,各有其特点和优势,需要根据具体生产要求进行选择。

机器视觉的三种种目标识别方法讲解

随着机器视觉技术的快速发展,传统很多需要人工来手动操作的工作,渐渐地被机器所替代。传统方法做目标识别大多都是靠人工实现,从形状、颜色、长度、宽度、长宽比来确定被识别的目标是否符合标准,最终定义出一系列的规则来进行目标识别。这样的方法当然在一些简单的案例中已经应用的很好,唯一的缺点是随着被识别物体的变动,所有的规则和算法都要重新设计和开发,即使是同样的产品,不同批次的变化都会造成不能重用的现实。而随着机器学习,深度学习的发展,很多肉眼很难去直接量化的特征,深度学习可以自动学习这些特征,这就是深度学习