ИИ осваивает «чёрное искусство» проектирования РЧ схем

Международные исследователи под руководством учёных из Принстона разработали методы машинного обучения для полностью автоматического проектирования радиочастотных интегральных схем (RFIC). Это прорывно, потому что в течение десятилетий РЧ-проектирование считалось чистым ремеслом, доступным лишь опытным инженерам, годами постигавшим сложнейшие взаимодействия электромагнитных полей, теплового распределения и механических напряжений.\n\nТрадиционный процесс занимает годы и сотни миллионов долларов: инженер выбирает архитектуру (например, количество каскадов усиления), затем топологию схемы, затем параметрически оптимизирует сотни элементов, учитывая конкурирующие требования (выигрыш в усилении теряет стабильность, эффективность мешает выходной мощности). Каждое решение влияет на остальные, прижмёшь в одном углу ковёр, он вспучится в другом. Из-за сложности электромагнитной индукции даже малейшая ошибка приводит к неработающему чипу.\n\nИИ-системы, обученные подобно тому, как AlphaGo училась играть в го, могут полностью миновать эту процедуру. Они проектируют нетипичные, почти художественные топологии, которые ненужным образом соответствуют человеческой интуиции и может быть легче понять, но оказываются функциональны и иногда превосходят лучшие ручные конструкции. Главное достижение: ИИ находит работающий дизайн на порядок быстрее, чем человеческий инженер.\n\nЭто не просто академический интерес, рост частот (28, 77 ГГц для 5G, спутниковой и автомобильной радиолокации), усложнение требований к энергоэффективности и растущий спрос (беспилотники, квантовые сети, 6G) делают ручное проектирование всё более узким местом в электронной промышленности. Автоматизация РЧ-проектирования может распространиться и на другие области инженерии, сталкивающиеся с аналогичными проблемами многомерной оптимизации.

Ключевые факты

РЧ-проектирование долгие десятилетия считалось чистым мастерством, требующим лет опыта. Конкурирующие требования (выигрыш, стабильность, эффективность, мощность) затрудняют одновременную оптимизацию.
Исследователи разработали методы машинного обучения для полностью автоматического проектирования РЧ схем на базе глубокого понимания уравнений Максвелла, термодинамики и механики.
ИИ-спроектированные чипы часто имеют нетипичную топологию, но работают эффективнее ручных и требуют на порядки меньше времени на разработку.
Ручное РЧ-проектирование становится узким местом: растут требования к частотам (28, 77 ГГц), усложняются спецификации, нужны беспилотники и 6G.
Эта методология может распространиться на другие области инженерии, где требуется навигация по многомерному пространству оптимизации с конкурирующими ограничениями.

Почему это важно

Нейросети расширяют область ремесленного знания, на этот раз самого основания современной беспроводной связи. РЧ-схемы, это чипы, благодаря которым работают сотовые телефоны, спутники, радиолокация, Wi-Fi, Bluetooth. Без них не было бы AirTags, потоковой передачи видео, навигации. Дальнейшая эволюция (автономные машины, квантовая криптография, 6G, спутниковая связь) зависит от ещё более сложных РЧ-схем. Но последние 70 лет инженеры проектировали их почти ручной работой, опираясь на опыт. Это ограничивало скорость инноваций и создание новых типов устройств.

Кому это важно

Инженерам-электронщикам и компаниям полупроводниковой промышленности (Intel, TSMC, Samsung, Qualcomm, Broadcom и другим). Производителям беспилотников, спутников, 5G/6G оборудования, автомобилей. Стартапам в области телекоммуникаций, которые сейчас не могут конкурировать из-за малой численности опытных РЧ-дизайнеров. Косвенно, потребителям устройств, работа которых зависит от РЧ-схем: мобильные, дроны, спутники.

Как это применить

Инженеры в компаниях полупроводниковой промышленности смогут использовать ИИ-инструменты для быстрого концептуального проектирования РЧ-схем и параметрической оптимизации вместо многомесячного ручного поиска. Это ускорит цикл разработки новых типов чипов для 5G, спутниковой связи, автомобильной радиолокации. Стартапы получат возможность конкурировать без содержания команды опытных РЧ-дизайнеров. В университетах появятся новые направления обучения, где студенты будут работать с ИИ, а не учиться ремесло годами вручную.

Можно ли доверять

Статья опирается на опыт исследователей из Принстона и других признанных групп, у которых есть доказательства: физические прототипы ИИ-спроектированных чипов действительно работают и зачастую превосходят ручные по характеристикам. Подход основан на фундаментальной физике (уравнения Максвелла, термодинамика), так что ИИ обучается на справедливых физических принципах, а не на статистических паттернах. Однако статья, это популярное изложение исследований, а не пример одного полностью завершённого проекта, поэтому детали реализации и ограничения остаются за кадром.

Риски и подводные камни

ИИ может освоить типовые проблемы (5G, спутниковая связь), но для экзотических или очень новых применений может потребоваться переобучение или доработка моделей. Обучение требует больших наборов данных о физических симуляциях и фактических чипах, их сбор и валидация, дорогой и долгий процесс. Инженеры, обученные ремеслу, могут столкнуться с переподготовкой или потерей рабочих мест, если процесс полностью автоматизируется. ИИ-спроектированные топологии могут быть трудны для понимания инженерами, что затруднит отладку, доработку и адаптацию под новые требования. Есть риск завышенных ожиданий: ИИ ускоряет проектирование, но не убирает необходимость в физических испытаниях, симуляции и коррекции.

«РЧ-проектирование всегда было ремеслом, искусством, даже чёрным искусством, которое осваивается лишь через годы опыта. Мы показали, что ИИ может научиться этому ремеслу и, более того, часто делает это быстрее и лучше, чем люди.»

— Исследователи из Принстона (перелом смысла из оригинала)