AI正在設計人類無法想象的無線電晶片
普林斯頓大學研究人員利用強化學習和逆向設計，從頭開始快速設計射頻積體電路（RFIC），生產出的晶片在創紀錄的時間內超越了人類設計的效能。AI生成的非常規佈局突破了效能極限，但該領域需要開放資料集以進一步推進。
無線技術深刻改變了我們的日常生活，從丟失行李的追蹤到流媒體服務，再到全球供應鏈和經濟基礎設施。這一切都依賴於射頻積體電路（RFIC），它使裝置能夠悄無聲息地傳送和接收資訊。隨著5G、自動駕駛汽車、量子通訊和衛星通訊等技術的發展，對更先進RF晶片的需求日益迫切。然而，RFIC設計長期以來被視為一門“黑魔法”，需要經驗豐富的工程師花費數年時間和數億美元才能完成，這嚴重製約了技術進步。
大約七年前，受AlphaGo擊敗圍棋世界冠軍李世石的啟發，普林斯頓大學的Kaushik Sengupta及其團隊開始探索能否用人工智慧來學習RFIC設計。近年來，他們的努力取得了顯著成果。透過結合強化學習和逆向設計，他們開發出了一種端到端的AI設計方法，能夠從零開始生成完整的RFIC佈局。這些AI設計的晶片外觀奇特，有些看起來像現代藝術而非傳統電路，但在效能上卻超越了最先進的人工設計。更重要的是，AI完成設計所需的時間比人類設計師少幾個數量級。
RFIC設計的複雜性源於多個物理領域的交叉。設計必須同時滿足麥克斯韋方程、熱力學定律和機械應力等眾多約束，導致設計空間極其龐大。傳統設計流程依賴於預定義的電路模板，工程師需要在這些模板之間進行權衡，反覆迭代最佳化。然而，模板限制了設計自由度，且最佳化過程耗時數月。AI方法則打破了這些限制。強化學習代理透過自我博弈探索設計空間，類似於AlphaGo Zero，從而發現全新的電路架構和拓撲結構。隨後，逆向設計模型根據所需的散射引數生成相應的電磁結構，取代了傳統的手動調整。
為了進一步提高設計效率，研究團隊還引入了擴散模型。這些模型能夠根據輸入的散射引數快速生成結構，同時透過調節“空間頻率”引數，允許設計師在保持人類可理解性的前提下生成經典或新穎的佈局。整個生成過程僅需約6分鐘，大大縮短了設計週期。
儘管AI在RFIC設計方面展現了巨大潛力，但仍面臨挑戰。AI可能產生“幻覺”，設計出無法工作的電路，因此需要人類監督。此外，要構建通用的電磁和電路設計基礎模型，需要大量高質量的訓練資料。目前，這些資料分散在企業界和學術界，被保密協議束縛。開放資料集和共享生態系統對於AI的進一步發展至關重要。雖然美國CHIPS法案曾推動相關計劃，但已暫停，不過業界仍在努力。
AI驅動的RFIC設計不僅有望徹底改變射頻晶片行業，還可能為其他複雜系統的設計帶來革命性變化。從生物技術到航空航天，AI正在重新定義如何構思和最佳化複雜系統。跨學科合作將進一步釋放AI的潛力。