La IA está diseñando chips de radio que los humanos ni siquiera podrían imaginar.

El diseño de circuitos integrados de radiofrecuencia (RFIC) es un “arte oscuro” complejo que limita el progreso en tecnologías inalámbricas como 5G, vehículos autónomos y comunicaciones por satélite. Investigadores de Princeton utilizan aprendizaje por refuerzo y diseño inverso para crear rápidamente RFIC desde cero. Los modelos de difusión generan rápidamente diseños de RF novedosos o interpretables por humanos, logrando un rendimiento récord y reduciendo drásticamente el tiempo de diseño. El progreso futuro necesita grandes conjuntos de datos de diseño de chips compartidos y ecosistemas abiertos para que la IA pueda aprender comportamientos electromagnéticos y de circuitos universales. Tómate un momento e imagina tu vida sin los avances inalámbricos de las últimas tres décadas. ¿Has perdido tu equipaje? Qué lástima que no se hayan inventado los AirTags. El representante de la aerolínea ha prometido llamar con actualizaciones, así que prepárate para una larga espera junto al teléfono de la cocina, porque no hay teléfonos móviles asequibles. Estarás atrapado escuchando lo que haya en la radio mientras esperas, porque no hay servicios de streaming. Eso sin contar todos los tramas de películas que se habrían arruinado. Esta es solo una pequeña porción de cómo la tecnología inalámbrica se hace sentir en tu existencia cotidiana. Los efectos que ha tenido en las cadenas de suministro, la infraestructura y el funcionamiento de la economía han sido transformadores. Nada de esto sería posible sin los circuitos integrados de radiofrecuencia que permiten que todos nuestros dispositivos envíen y reciban información de manera discreta. Ahora imagina qué traerá la evolución adicional de esta tecnología: vehículos autónomos generalizados, comunicaciones cuánticas, servicio móvil 6G y comunicaciones por satélite. El impulso continuo dependerá de versiones más nuevas y avanzadas de los RFIC actuales. Pero aquí está el problema. Mientras que el diseño de la mayoría de los chips de computación del mundo se ha estandarizado como una ciencia propia, el diseño de RF ha permanecido obstinadamente en el ámbito del arte. Un arte oscuro, incluso, que se domina solo a través de años de experiencia. Como cualquier hechicero te dirá, las artes oscuras siguen su propio calendario. Y ese calendario está obstaculizando el progreso no solo en el diseño de chips RF, sino en cada otra tecnología que depende de él. Hace aproximadamente siete años, tras la victoria de AlphaGo sobre el campeón mundial de Go Lee Sedol, mis estudiantes y yo comenzamos a preguntarnos: ¿Podría enseñarse esta arte a la IA también? Éxitos recientes sugieren que, en gran medida, sí puede. En los últimos años, nuestro grupo y otros líderes en el campo han comenzado a desarrollar métodos algorítmicos impulsados por el aprendizaje automático para diseñar RFIC. Algunos de los chips resultantes parecen más arte moderno que diseños de circuitos. Sin embargo, en muchos casos, los prototipos físicos superaron a los circuitos de última generación en términos de rendimiento. El verdadero logro, sin embargo, es que tomó a la IA órdenes de magnitud menos tiempo concebir un diseño funcional que lo que haría un diseñador humano. Esto no se trata de uno o dos chips de RF. El diseño habilitado por IA podría ser el futuro de todo el diseño RF, y quizás mucho más. El Arte Oscuro del Diseño de RFIC Entonces, ¿por qué todos estos chips deben ser elaborados a mano? ¿Por qué no se diseñan RFIC con un proceso de síntesis algorítmica, al igual que las CPU y GPU? El diseño de RFIC es un ejercicio de ingeniería a través de múltiples dominios físicos. Las ecuaciones de Maxwell, que operan en diferentes escalas espaciales y temporales, gobiernan cómo los campos electromagnéticos interactúan con dispositivos activos y pasivos que deben estar cuidadosamente co-diseñados para que el chip funcione. Junto a estas, están las leyes de la termodinámica, que determinan cómo se genera y se elimina el calor durante la operación, así como la mecánica de la expansión y contracción térmica que dictan cuán confiablemente sobrevive el chip y su embalaje a los cambios de temperatura. La IA podría acortar el diseño de RFIC. El diseño de un circuito integrado de radiofrecuencia requiere intuición humana y múltiples pasos de optimización, a menudo repetidos. La esperanza es que a través de la comprensión de las Ecuaciones de Maxwell, se pueda enseñar a una IA a acortar este proceso y producir rápidamente un diseño. Contar simultáneamente con todas las limitaciones físicas que imponen hace que el espacio de diseño sea casi imposiblemente grande. Cada decisión implica prioridades complejas que a menudo compiten entre sí, lo que impide la optimización de cualquiera de ellas. Para entender mejor el problema, pasemos por los pasos involucrados, después de los cuales entenderás mejor por qué un único nuevo diseño de chip toma años y decenas a cientos de millones de dólares. La mayor parte del área de los circuitos integrados de radiofrecuencia está dominada por estructuras electromagnéticas complejas. Los RFIC diseñados por humanos, como este amplificador de potencia de ancho de banda [1], comienzan con plantillas y siguen un patrón simétrico y comprensible. Pero liberados de las limitaciones de las plantillas diseñadas por humanos y de la necesidad de que los humanos incluso comprendan la lógica de las estructuras electromagnéticas, los circuitos integrados de amplificadores de potencia [2–5] y amplificadores de bajo ruido [6] pueden adoptar diseños verdaderamente extravagantes pero eficientes. SENGUPTA LAB Supongamos que eres un ingeniero asignado a diseñar un nuevo amplificador de potencia de 28 gigahercios para un teléfono de onda milimétrica 5G. (Este es el tipo de RFIC que amplifica las señales 5G en tu teléfono y las transmite a la antena, donde pueden ser recogidas por una estación base distante). ¿Por dónde empiezas? El diseño de RFIC tiene algunas características en común con la construcción de casas. Así como el plano de una casa dictamina el número de dormitorios y baños que se construirán y los pasillos que los conectan, el plano de un RFIC—llamado arquitectura—establece los tipos de elementos que el RFIC necesita para cumplir su función prevista. En lugar de habitaciones, la arquitectura incluye, por ejemplo, el número de etapas de amplificación que necesita tu amplificador de potencia. En lugar de pasillos, muestra los caminos que las señales deben tomar para atravesar esas etapas. El plano para RFIC es en realidad mayormente pasillo; los elementos pasivos, como inductores y líneas de transmisión, ocupan mucho más espacio que los elementos activos como transistores. Aquí está la razón. Como probablemente has experimentado, los transistores de una CPU típica se sobrecalientan cuando enfrentan frecuencias de operación de solo unos pocos gigahercios. Las frecuencias a las que pueden operar los RFIC son más altas por un orden de magnitud: 28 y 39 GHz para las señales 5G, 26.5 a 40 GHz e incluso más altas para comunicaciones por satélite, y 77 GHz para radar automotriz. Bajo este asalto, los transistores de una CPU fallarían. Los transistores de RFIC evitan este destino porque estos chips gestionan astutamente la energía de la señal con un diseño electromagnético cuidadoso. Esto toma la forma de redes bizantinas de elementos metálicos que dominan el espacio del chip. Estas estructuras son geométricamente regulares, a menudo simétricas, y tan intrincadamente construidas que a veces se asemejan a filigranas similares a encajes. Pero, aunque puedan parecer decorativas, son esenciales para el funcionamiento del chip. Hablando eléctricamente, estos “pasillos” funcionan más como la plomería del chip. Al igual que la plomería, este extenso laberinto de pasivos confina la energía electromagnética solo a los lugares por donde debería estar viajando alrededor del chip. El desafío principal en el diseño de RFIC es juntar todos estos elementos para asegurarse de que funcionen, al igual que construir una casa a partir de sus planos exige especificaciones exactas para vigas de carga, tuberías y paredes externas. En un RFIC, la arquitectura debe hacerse realidad con transistores y componentes pasivos físicamente fabricables que estén conectados de tal manera que permitan que la señal viaje a través del chip y sea procesada. La forma en que estos dispositivos están conectados localmente es lo que llamamos la topología del circuito. El Proceso de Diseño de RFIC Para hacer ese amplificador de potencia, entonces, tu primer paso es identificar un candidato para el diseño de circuitos: La combinación de estructuras que satisfarán los objetivos de una arquitectura particular con una topología de circuito específica. A lo largo de los años, los investigadores han aliviado tu carga desarrollando plantillas de diseño reutilizables para funciones específicas. Por ejemplo, las plantillas sugieren cuántas etapas de amplificación necesita un circuito (porque a veces, combinar la salida de dos amplificadores más pequeños resultará en un mejor ancho de banda y eficiencia que lo que obtendrías de un solo amplificador más grande). Y sugieren cuál debería ser la configuración general de las estructuras pasivas. Hoy en día hay una extensa biblioteca de tales plantillas. Sin embargo, no se pueden utilizar simplemente así, porque cada una viene con compromisos. Algunas tienen mejor ganancia a expensas de la estabilidad; algunas mejor ancho de banda a expensas de la eficiencia; otras son más eficientes energéticamente a expensas de la potencia de salida, y así sucesivamente. Rara vez hay una elección claramente mejor. Para llegar al “punto óptimo” donde todos estos diferentes parámetros están equilibrados en una armonía óptima, los diseñadores típicamente esbozan varias versiones diferentes del circuito, utilizando intuiciones y métodos que han adquirido a lo largo de sus años de formación. El desafío es que la decisión sobre la arquitectura, la topología del circuito, o los pasivos electromagnéticos no puede hacerse por separado. Una decisión influye en las otras. Así, diseñar un circuito RF puede a menudo sentirse como intentar encajar una alfombra de gran tamaño en una habitación demasiado pequeña: presionas un rincón, y otro se levanta. A frecuencias de microondas y milímetros, incluso el más pequeño error es la diferencia entre un chip que funciona y uno que no, y cualquier número de cosas puede salir mal. Por ejemplo, cuando una onda electromagnética encuentra un transistor—o cualquier otro componente—el camino que viaja debe estar “ajustado” correctamente a lo que viene después. Si no lo está, parte de la energía se refleja hacia atrás en lugar de fluir hacia adelante. Imagina intentar conectar una manguera contra incendios de alta presión directamente a una manguera de jardín estrecha. Sin el adaptador correcto, el agua salpicará hacia atrás en la unión. Muy poco pasará. En electrónica, esto se llama el problema de ajuste de impedancia. Para evitar esas reflexiones, los ingenieros diseñan transiciones especiales, esencialmente adaptadores microscópicos, que suavizan la transferencia entre componentes. En un chip, estos adaptadores pueden ser sorprendentemente intrincados. No solo pasan la señal; también pueden dividirla, combinarla o distribuirla a través de múltiples caminos con tiempos y fuerzas cuidadosamente controladas. Una vez que has hecho la arquitectura, la plomería y todo lo intermedio, llega el momento de la verdad. ¿Han resultado todas las elecciones que has navegado a través del enorme espacio de diseño en un RFIC que cumple con sus especificaciones? Si no se cumplen las especificaciones, tendrás que retroceder, ya sea rehaciendo la topología o toda la arquitectura, y repetir todo el proceso. Así que prepárate para meses de simulaciones e iteraciones que consumen tiempo y recursos. Quizás ahora veas por qué, durante décadas, ha persistido en la comunidad de RFIC una creencia central: “El diseño de RF es un arte.” Se decía que solo un diseñador experimentado—con un entendimiento artesanal de cómo las piezas componen el todo—podía dominar las sutilezas del diseño analógico y RF. Desafortunadamente, esta noción arraigada ha frenado durante mucho tiempo las innovaciones algorítmicas en el campo justo cuando más las necesitamos. El diseño tradicional y artesanal de RFIC está alcanzando sus límites a medida que la complejidad de estos sistemas crece inexorablemente. IA para el Diseño de RFIC Mientras los diseñadores de RFIC continuaban su batalla contra su problema de “alfombra de gran tamaño”, surgió una serie de desarrollos interesantes en disciplinas hermanas. A través de una gama de otros problemas previamente intratables como el plegamiento de proteínas y el modelado climático, la IA ha podido navegar con éxito espacios complejos multidimensionales. Esto nos dio el incentivo para profundizar en la IA para RF. Después de todo, la complejidad combinatoria del plegamiento de proteínas no es tan diferente de la naturaleza del espacio de diseño en nuestro dominio. No fuimos los primeros en pensar en usar inteligencia artificial para acelerar partes del diseño de RFIC. Investigadores habían entrenado previamente algoritmos de aprendizaje automático en plantillas de circuitos con la esperanza de acelerar los procesos de optimización normales. Si bien este enfoque era indudablemente más rápido que los humanos para optimizar plantillas, aún dependía fundamentalmente de bibliotecas de diseños existentes inventados por humanos. Entrenando una IA para Diseñar un Chip Un sistema de aprendizaje automático aprende a hacer diseño de RFIC de extremo a extremo como otras IAs aprendieron a jugar juegos como Go. Esencialmente, convierte el proceso en un juego, aprendiendo de los resultados de sus propios esfuerzos. No queríamos eso. Queríamos liberarnos de las restricciones de las topologías prefabricadas. Porque aunque la experiencia y las heurísticas adquiridas por un diseñador son cruciales para construir un diseño funcional, también impone límites fundamentales sobre él. Además, tal enfoque requeriría necesariamente pasos de simulación como parte del ciclo de optimización, y incluso las simulaciones más rápidas utilizan muchos recursos computacionales. Peor aún, en muchos casos avanzados, como para diseños de ancho de banda, no existen plantillas. Pero si no comenzábamos con plantillas, ¿dónde podríamos empezar? El objetivo aquí era permitir que los algoritmos determinaran—totalmente desde cero—cada parámetro para la arquitectura, los circuitos constituyentes y los pasivos electromagnéticos. Este enfoque difiere fundamentalmente de la optimización convencional, que está limitada a determinar los parámetros—como dimensiones de transistores y geometrías de componentes pasivos—que optimizan las estructuras originalmente ideadas por humanos. En nuestro nuevo enfoque, la arquitectura comienza esencialmente desde cero y se monta progresivamente a través de iteraciones sucesivas. El sistema explora el espacio de diseño generando innumerables combinaciones de circuitos candidatos y mapeando los trade-offs de rendimiento resultantes a medida que navega este terreno. Debido a que el proceso no está sesgado por decisiones de diseño humano anteriores, puede producir topologías de circuitos completamente novedosas que se ven marcadamente diferentes de las creadas por diseñadores humanos. En cierto modo, el enfoque recuerda a sistemas de IA como AlphaGo Zero, que logró un rendimiento superior no porque fuera entrenado en juegos jugados por humanos, sino porque exploró las reglas al jugar contra sí mismo. De manera similar, nuestro algoritmo desarrolla nuevas arquitecturas de circuitos explorando y evaluando sus propias estrategias de diseño. Al hacerlo, aprende a comprender circuitos, electromagnetismo y el estrecho co-diseño que necesitan para lograr el diseño de extremo a extremo de RFIC. Diseño Inverso para RFIC Para realizar esta capacidad, procedimos en dos etapas. Primero, desarrollamos un marco de aprendizaje por refuerzo (RL) que determina la arquitectura del sistema óptima, la topología del circuito, los parámetros del dispositivo y hasta las propiedades de las interfaces electromagnéticas que conectan diferentes elementos del circuito. En esta etapa, el algoritmo define efectivamente cómo deben propagarse e interactuar las señales en todo el sistema. El algoritmo se entrena de manera similar a como una computadora aprende a jugar un juego. Si le dejas jugar suficientes veces, puede aprender a jugar mejor observando la relación entre las acciones que tomó y la puntuación que logra. De manera similar, el agente RL aquí aprende a diseñar circuitos eficaces al jugar con un conjunto de combinaciones, y con el tiempo, puede mapear el espacio entre el rendimiento del circuito y su arquitectura, topología y parámetros. Este entrenamiento toma unos pocos días a una semana, pero una vez entrenado, el agente puede diseñar circuitos muy rápidamente. El siguiente paso fue determinar la estructura física de los electromagnetismos del CI—la plomería—que puede crear las propiedades deseadas de los elementos pasivos, que se caracterizan por un conjunto de métricas llamadas parámetros de dispersión. Estos miden si una señal que entra en un componente realmente avanza o se refleja hacia atrás, siendo desperdiciada, como en nuestro ejemplo anterior con la manguera contra incendios y la manguera de jardín. Derivar la estructura de los parámetros de dispersión deseados es un ejemplo de un enfoque llamado diseño inverso, que aparece en muchas áreas de la ingeniería. En ingeniería estructural, por ejemplo, uno podría colaborar con un arquitecto en un objetivo físico—como crear grandes espacios interiores con techos altos—y luego determinar la disposición de arcos o contrafuertes que pueden soportarlo. IA Generativa para Redes Electromagnéticas Pero los circuitos integrados de RF plantean un desafío particular para el diseño inverso: El proceso debe tener en cuenta simultáneamente el comportamiento del circuito y las respuestas electromagnéticas de los interconectores y elementos pasivos que los vinculan. Pero tiene que descubrir eso sin hacer mucha iteración artesanal. Así que reemplazamos nuestro simulador de circuitos RF con un emulador basado en IA. Este modelo de IA puede predecir el comportamiento de campos electromagnéticos que atraviesan cualquier estructura—hasta formas bidimensionales totalmente arbitrarias—sin tener que calcular la física subyacente desde cero, como lo hacen las herramientas de simulación. Predice la solución de las ecuaciones de Maxwell y te dice los parámetros de dispersión para cualquier estructura que le muestres, sin hacer realmente los cálculos. Con tal IA en mano, lo que normalmente requiere minutos u horas de un solucionador electromagnético que consume tiempo se reduce a milisegundos. Elegimos construir nuestro emulador en torno a una red neuronal convolucional—un modelo de aprendizaje automático que ha tenido un éxito notable en el procesamiento de imágenes. Tales redes pueden extraer características espaciales de cualquier estructura, y resulta que la imagen de una estructura contiene mucha información espacial que puede predecir con precisión su rendimiento electromagnético. Luego lo entrenamos en una gran cantidad de estructuras pixeladas aleatorias cuyos parámetros de dispersión habían sido etiquetados. Una vez que tuvimos nuestro RL de diseño inverso y un emulador de IA adecuado, esencialmente teníamos un diseñador de IA de extremo a extremo. Así que le pedimos que nos diseñara un amplificador de potencia. Arquitecturas RF No Convencionales En 2023, publicamos esta prueba de concepto—un amplificador de potencia dirigido a la banda de onda milimétrica, específicamente abarcando de 30 a 100 GHz, que cubre la mayoría de las frecuencias relevantes de 5G y radar. El diseño final logró la mejor combinación de ancho de banda amplio, potencia de salida y eficiencia informada hasta entonces para un amplificador de potencia basado en silicio—lo que significa que podría amplificar una gran cantidad de datos a través de un amplio espectro de frecuencias—mientras mantenía una eficiencia récord. La estructura de los caminos electromagnéticos del CI era diferente de cualquier cosa que un humano podría considerar. Dado que la IA no está entrenada en diseños humanos, el diseño que surgió parecía más un patrón arbitrario o quizás un código QR que las estructuras regulares y simétricas a las que estamos acostumbrados. Una visión inesperada revelada por este prototipo, y nuestra investigación en general, es que no hay evidencia de que las plantillas en las que históricamente hemos confiado estén siquiera cerca de ser óptimas para los objetivos de diseño modernos. No es que un diseñador humano nunca pueda proponer un mejor diseño. Pero con la eliminación de las plantillas y el tiempo para sintetizar ciclo tras ciclo de circuitos optimizados, ahora está claro que la síntesis impulsada por IA podría romper las barreras de diseño tradicionales y empujar los límites de las capacidades de RFIC. Nuestro amplificador 5G tenía solo un puerto de entrada y un puerto de salida. Agregar más entradas y salidas a un diseño no es sencillo. Cada puerto acopla electromagnéticamente con cada otro puerto, por lo que los parámetros de dispersión se suman rápidamente. Dos puertos te dan cuatro parámetros de dispersión. Cuatro puertos, 16 parámetros de dispersión. Las matemáticas se complican rápidamente. ¿Podría nuestro modelo mantenerse al día? A continuación, entrenamos a nuestro modelo en clases más grandes de estructuras electromagnéticas con muchos puertos de entrada y salida. En 2024, publicamos trabajos que demostraron que los circuitos integrados multipuerto no son un problema para estos algoritmos de IA. Donde anteriormente la simulación electromagnética multipuerto requería días o semanas de arduo trabajo, este modelo evolucionó nuevas estructuras en minutos. Desde entonces, una plétora de trabajos en esta área por comunidades de investigación de todo el mundo han demostrado el poder del diseño inverso en RFIC. Combinando el marco de aprendizaje por refuerzo con el diseño inverso, ahora teníamos la capacidad de crear un RFIC desde especificaciones hasta un diseño listo para la fabricación. Hasta ahora hemos demostrado que esto es cierto para RFIC que van desde amplificadores de bajo ruido hasta amplificadores de potencia de subterahercios y de ancho de banda. La esperanza es que esto funcione igual de bien para otros circuitos. Haciendo que los Diseños de IA sean Interpretables Nuestro objetivo era mejorar el diseño de RFIC y hacerlo más fácil, pero no queríamos que fuera más allá de la comprensión humana. Las pruebas y depuración de chips son un proceso largo y arduo, a veces incluso más que el diseño. Los ingenieros a menudo prefieren que los CI tengan estructuras interpretables, para que si surge un problema, puedan comprender cómo funciona el chip lo suficientemente bien para depurarlo. Para crear estructuras que sean más interpretables, recurrimos a modelos de difusión, que quizás conozcas por su notable capacidad para generar imágenes realistas a partir de indicaciones de texto. La síntesis impulsada por IA podría romper las barreras de diseño tradicionales y empujar los límites de las capacidades de RFIC. Imagina que vas a tu motor de generación de imágenes favorito y le pides que cree una pintura del cielo al estilo de Picasso, Van Gogh o Miguel Ángel. Obtendrás imágenes que capturan la esencia de sus pinceladas, su uso de colores y su encuadre. Todos son cuadros del cielo, no obstante, pero en diferentes estilos. El diseño electromagnético es similar en el sentido de que múltiples estructuras pueden tener respuestas electromagnéticas muy similares. En lugar de usar una entrada de texto, usamos parámetros de dispersión como nuestra entrada, y la estructura electromagnética de un chip RFIC como nuestra salida. Como parte de las entradas al modelo de difusión, creamos un dial que establece la frecuencia espacial de la estructura final. Al girar el dial, un diseñador puede dirigir al modelo a sintetizar estructuras con baja (de aspecto clásico e interpretable), media (estructuras laberínticas) o alta (pixeladas o de forma arbitraria) frecuencia espacial. Desde las indicaciones hasta la salida, todo el proceso tomó aproximadamente 6 minutos. Con este modelo de difusión, los algoritmos pueden ahora descubrir arquitecturas novedosas y acelerar la creación de figuras convencionales, llamadas clásicas. Todo lo que un diseñador de RFIC necesita hacer es especificar prácticamente cualquier conjunto válido de parámetros de dispersión. Siempre que sean físicamente realizables bajo las ecuaciones de Maxwell, el modelo genera una estructura correspondiente como si fuera un dispensador. El Futuro del Diseño de RFIC Impulsado por IA Los resultados de nuestras investigaciones han llamado la atención de la comunidad de RF. El proceso de diseño tradicional de abajo hacia arriba está claramente comenzando a revertirse. Pero aún hay preguntas: ¿Qué tan generalizables son estos métodos? ¿Pueden entregar consistentemente un rendimiento realmente alto? ¿Podemos llegar a un lugar donde la IA produzca diseños que maximicen cada posible trade-off, optimizando holísticamente cada parámetro a su estado físico más ideal? Queremos llevar esta estrategia más allá del diseño de RFIC e inventar otros tipos de circuitos que sean diferentes de todo lo que los humanos han hecho alguna vez. Estas son perspectivas emocionantes y ambiciosas, pero aún no hemos llegado. La IA puede alucinar un diseño que crea circuitos defectuosos que no funcionan. Esto significa que los métodos de verificación deben seguir bajo la supervisión humana. Y, aunque las alucinaciones son raras, aún sería bueno reducir su ocurrencia. La historia sugiere que cumplir con estos sueños del futuro requerirá muchos más datos de los que hemos estado usando. Antes de la creación del repositorio ImageNet—un repositorio de 14 millones de imágenes humanas anotadas variadas—los modelos de reconocimiento de imágenes no funcionaban bien en el mundo real. Los conjuntos de datos en los que se habían entrenado eran demasiado pequeños para ser efectivos. La gran cantidad de datos de entrenamiento de ImageNet dio lugar a una revolución que llevó a la IA a generalizar y reconocer imágenes en el mundo. Lo demás es historia. Si el objetivo del diseño de RFIC y analógico es un modelo fundacional universal—algo que aprende las leyes de gobernanza del electromagnetismo y el comportamiento del circuito—entonces también necesitamos datos. La buena noticia es que estos datos son abundantes. En todo el mundo, innumerables ingenieros en empresas y laboratorios académicos simulan circuitos RF y estructuras pasivas casi idénticas todos los días. La mala noticia es que todo está encerrado tras acuerdos de no divulgación. Ecosistemas abiertos han impulsado otras áreas, y creemos que la comunidad de RFIC debería hacer lo mismo. Ha habido algunos movimientos hacia esto. Natcast, el operador del programa de I+D de la Ley CHIPS y Ciencia de EE. UU., habría fortalecido la infraestructura y la innovación compartidas para la próxima generación de tecnologías inalámbricas, de sensores y de defensa. Desafortunadamente, tanto la organización como el programa que ejecutaban específicamente para el aprendizaje automático y RFIC se han cerrado. Pero el impulso que generó el esfuerzo de Natcast no se ha apagado. Aprovechando nuestro trabajo inicial, grupos de toda la comunidad ya han demostrado avances notables. El diseño de circuitos integrados impulsado por IA es parte de un cambio tecnológico mucho más amplio. Desde biología y ciencia de materiales hasta ingeniería automotriz y aeroespacial, la IA está redefiniendo cómo se conciben y optimizan los sistemas complejos. Una colaboración más profunda entre investigadores de IA y diseñadores de chips desbloqueará el potencial completo del campo. No es en absoluto una conclusión evidente, pero si logramos hacerlo bien, este genio no permanecerá en su botella.