诺菲:把触摸屏折叠起来

随着柔性显示技术的发展,以ITO(氧化铟锡)材料为主导的触控行业将迎来新一轮的变革浪潮。诺菲纳米科技(以下简称“诺菲”)正在以变革者的身份参与到这场浪潮当中,采用诺菲纳米银新材料的触摸屏可实现折叠、弯曲功能,甚至还能够像油画一样贴在公司会议室家里卧室的墙壁上。

对行业趋势的看法是怎样的?

在诺菲CEO姜锴看来,过去30年中,ITO材料统治着整个触控行业,日本掌握着ITO材料的底层核心技术。近两年,触控屏的制造工艺、制造材料技术同样也在随科技进步不断更新换代。其中,以纳米银线、金属网格、导电聚合物、石墨烯等为主的新材料正在成为主流。

此外,柔性显示技术是未来的发展趋势。它不仅可应用于目前人们经常使用的手机、平板、PC甚至可穿戴设备当中,还将用于公司会议、家庭客厅、卧室等场景当中,其未来想象空间极大。而ITO材料支撑的触摸屏目前只能应用在手机、平板等固定屏幕或弯曲程度极小的触摸屏中,并不能满足其他各类应用场景。

原因是什么?姜锴表示:传统ITO触控屏幕比较脆弱,不能对其进行大幅度弯曲操作,因此在柔性显示屏幕上不能使用或寿命极短,更不能满足可穿戴设备对屏幕的需求。ITO材料本身成本高昂,与纳米银、金属网格、石墨烯等象征着未来的印刷技术相比,成本差价达50%。姜锴预测,到2018年,50%以上的ITO材料都将被新材料取代。

技术优势是什么?

诺菲创立于2011年,由潘克菲在北极光创投的支持下主导创办。潘克菲曾在GE工作多年,更早之前曾在普林斯顿大学实验室工作过6年,并获得了博士学位。

诺菲选择以纳米银材料作为创业突破口,很大程度上与潘克菲在普林斯顿大学的经历有关,他那时的研究为诺菲的纳米银材料技术和涂布印刷工艺奠定了基础。这种纳米银线直径只有20〜30纳米,相当于头发丝直径的几千分之一。目前在美国本土只有3〜4家创业公司掌握这种材料技术,其中诺菲和另一家名为Cambrios的公司处于领先地位。

Cambrios只做纳米银材料工艺,不做涂布工艺,而涂布是做出纳米银导电薄膜不可或缺的重要工艺环节。诺菲则两者兼备,因此,诺菲的最终成品是纳米银导电薄膜。诺菲会将产品直接销售给自己的下游合作伙伴,而Cambrios则需要与韩国或者日本做涂布工艺的厂商寻求合作才能完成最终的成品。涂布工艺可以说是诺菲在同类企业当中的重要竞争筹码,在姜锴看来,其他同类企业不花2〜3年时间很难做出这种技术。潘克菲曾在普林斯顿大学研究了6年理论,在GE和Nanosolar工作实践了8年,才最终实现了纳米银线材料的商业化落地。

商业模式是怎样的?

据姜锴介绍,目前诺菲的主要商业模式是向下游合作伙伴销售自己的纳米银导电薄膜。这里的“下游”指的是欧菲光、台湾宸鸿、洋华、介面光电等触控屏幕公司。

下游公司将自己的触摸屏图案蚀刻在诺菲提供的纳米银导电薄膜上,然后绑定IC,贴上盖板玻璃,这就完成了触控屏的生产过程。据姜锴介绍,下游合作伙伴在拿到纳米银导电薄膜之前,都是在ITO薄膜上进行上述制造工艺流程的,未来可以直接换成诺菲纳米银导电薄膜进行操作,还是用同样的机台、同样的工艺。

这也是许多其他替代性材料的软肋——其他材料会要求下游合作伙伴改机台、改工艺。诺菲在无形中为下游合作伙伴节省了时间和一定的成本。

目前透明纳米银导电薄膜的市场规模每年大约有十几亿美金,如果将触摸屏图案做上去,每年的市场规模将是百亿美元。诺菲的下一步计划是与英特尔展开合作,开发新一代的触摸屏制造工艺。当问到英特尔为什么会和一个刚成立两年的创业公司合作时,姜锴回答:因为诺菲的技术是其他公司无法替代的。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值