Lattice Semiconductor Corporation

iCE40 UltraPlus™ FPGA

Lattice Semiconductor 的 FPGA 具有增强的存储器、数字信号处理器 (DSP) 和系统集成，且降低了成本和功耗

Lattice Semiconductor 的 iCE40 UltraPlus FPGA 图片来自 Lattice 的 ICE40 UltraPlus 是目前世界上体积最小的 FPGA，具有集成的增强型存储器和 DSP，降低了客户总成本和功耗。该器件具有高达 1 Mbit 的集成 SRAM 存储器，可以用于缓冲传感器数据或存储嵌入式配置代码的分布式处理解决方案。iCE40 UltraPlus 集成了灵活的 I/O、计算能力、硬件加速器和 DSP 块。

特性
  • 灵活的 I/O
    • 连接、桥接并集中了信号传输标准（I²C、SPI、I³C、UART、SPMI、SoundWire®、SLIMbus®、I²S 和其它专有接口）
    • 通过聚合多个信号，在单一接口中改进了板布局
    • 可调节动态 I/O 放置，以满足布局项目需求
    • 瞬时启动，具有集成的 NVCM 配置存储器
    • 120 kbit 的 RAM 块
  • 高能效
    • 75 µW（典型值）静态功耗
    • 有源功率取决于使用案例

Evaluation Boards

图片制造商零件编号描述可供货数量价格查看详情
ICE40 ULTRAPLUS BREAKOUT BOARDICE40UP5K-B-EVNICE40 ULTRAPLUS BREAKOUT BOARD11 - 立即发货
1 : ¥1,713.15
盒
查看详情
ICE40 ULTRAPLUS MOBILE DEV BOARDICE40UP5K-MDP-EVNICE40 ULTRAPLUS MOBILE DEV BOARD0 - 立即发货See Page for Pricing查看详情

iCE40 UltraPlus™ FPGA

图片制造商零件编号描述可供货数量价格查看详情
IC FPGA 39 I/O 48QFNICE40UP5K-SG48ITR50IC FPGA 39 I/O 48QFN0 - 立即发货See Page for Pricing查看详情
IC FPGA 21 I/O 30WLCSPICE40UP3K-UWG30ITR50IC FPGA 21 I/O 30WLCSP1 - 立即发货See Page for Pricing查看详情
IC FPGA 39 I/O 48QFNICE40UP5K-SG48IIC FPGA 39 I/O 48QFN1377 - 立即发货
1 : ¥83.52
剪切带（CT）
2000 : ¥67.19
卷带（TR）
1 : ¥83.52
Digi-Reel® 得捷定制卷带
查看详情
IC FPGA 21 I/O 30WLCSPICE40UP5K-UWG30ITR1KIC FPGA 21 I/O 30WLCSP1361 - 立即发货
1 : ¥81.04
剪切带（CT）
1000 : ¥65.12
卷带（TR）
1 : ¥81.04
Digi-Reel® 得捷定制卷带
查看详情
IC FPGA 21 I/O 30WLCSPICE40UP3K-UWG30ITR1KIC FPGA 21 I/O 30WLCSP258 - 立即发货
1 : ¥66.98
剪切带（CT）
1000 : ¥53.75
卷带（TR）
1 : ¥66.98
Digi-Reel® 得捷定制卷带
查看详情
发布日期： 2018-04-06

Related Product Highlight

Lattice 的 Himax HM01B0 UPduino 扩展板和 SensAL 模块化演示板 Lattice 的 Himax HM01B0 的特色是卷积神经网络 (CNN)，采用人体存在和手势检测中的紧凑型 CNN 加速器软 IP。

Related Articles and Blogs

FPGA开发板哪家强? 设计大牛为你推荐了三款~ 本文为不同层次的FPGA开发者，根据他们的实际需要，推荐了三款热门的FPGA开发板，并对DigiKey的相关FPGA开发资源平台进行了介绍，旨在帮助FPGA开发者加速其设计进程。
FPGA 基础知识：什么是 FPGA？为何需要 FPGA？ 最佳设计解决方案常常是由 FPGA、处理器与 FPGA 的组合或拥有内部处理器内核的 FPGA 提供。
Add High-Performance Speech Keyword Spotting to IoT Designs: Part 2 – Using MCUs Developers can implement efficient KWS on MCUs using DS-CNNs from hardware optimized neural network library for resource-constrained designs.