Az AI rádióchipeket tervez, amelyeket az emberek még csak elképzelni sem tudtak.

A RFIC tervezés egy összetett "sötét művészet", amely korlátozza a fejlődést olyan vezeték nélküli technológiákban, mint az 5G, az autonóm járművek és a műholdas kommunikáció. A Princeton kutatói megerősítő tanulást és fordított tervezést alkalmaznak, hogy gyorsan létrehozzanak RFIC-okat a semmiből. A diffúziós modellek gyorsan generálnak új vagy emberi szempontból értelmezhető RF elrendezéseket, rekord teljesítményt elérve és drámaian csökkentve a tervezési időt. A jövőbeli előrehaladás nagy, megosztott chip tervezési adatbázisokra és nyílt ökoszisztémákra van szükség, hogy az AI képes legyen elsajátítani az univerzális elektromágneses és áramköri viselkedéseket. Képzeld el, milyen lenne az életed az elmúlt harminc év vezeték nélküli fejlődése nélkül. Elvesztetted a poggyászodat? Micsoda szégyen, hogy az AirTag-eket még nem találták fel. A légitársaság képviselője megígérte, hogy hívni fog frissítésekkel, szóval készülj fel egy hosszú várakozásra a konyhai telefon mellett, mert nincsenek megfizethető mobiltelefonok. A rádiót fogod hallgatni, miközben várod, mert nem léteznek streaming szolgáltatások. És akkor még nem is beszéltünk az összes film cselekményről, amelyek tönkrementek volna. Ez csak egy apró szelete annak, hogy a vezeték nélküli technológia hogyan érezteti hatását a mindennapi életedben. Az ellátási láncokra, az infrastruktúrára és a gazdaság működésére gyakorolt hatása világreformáló volt. Semmi sem lenne lehetséges a rádiófrekvenciás integrált áramkörök nélkül, amelyek lehetővé teszik, hogy minden eszközünk észrevétlenül küldjön és fogadjon információt. Most képzeld el, mit hoz az ilyen technológia további fejlődése: széleskörű autonóm járműveket, kvantumkommunikációt, 6G mobil szolgáltatást és műholdas kommunikációt. A folyamatos lendület újabb és fejlettebb RF chipek előállításától függ. De itt van a bökkenő. Míg a világ többi számítástechnikai chipjeinek tervezése már szabványosodott, az RF tervezés makacsul a művészet területén maradt. Mégpedig egy sötét művészet, amelyet csak évek tapasztalataival lehet mesteri szintre fejleszteni. Ahogy bármely varázsló elmondaná, a sötét művészetek saját ütemtervük szerint működnek. És ez az ütemterv gátolja a haladást nemcsak az RF chip tervezésében, hanem minden olyan technológia terén is, amely függ tőle. Körülbelül hét évvel ezelőtt, AlphaGo győzelme után a világ Go-bajnokán, Lee Sedolon, diákjaimmal a Princetonon elkezdtünk azon gondolkodni: vajon az AI-t is meg lehetne tanítani erre a művészetre? A közelmúlt sikerei azt sugallják, hogy ezt nagymértékben meg lehet tanítani. Az elmúlt években a csoportunk és más vezetők a területen elkezdte gépi tanuláson alapuló algoritmikus módszerek kifejlesztését RFIC-ok tervezésére. Néhány elkészült chip inkább hasonlít modern művészetre, mint áramkörök elrendezésére. Az igazi eredmény azonban az, hogy az AI-nak nagyságrenddel kevesebb időre volt szüksége egy működő design megalkotásához, mint egy emberi tervezőnek. Ez nem csupán egy vagy két RF chipről szól. Az AI által támogatott tervezés lehet a jövője az összes RF tervezésnek, és talán sok másnak is. Az RFIC tervezés sötét művészete Miért kell ezeket a chipeket kézzel megalkotni? Miért nem terveznek RFIC-okat algoritmikus szintézissel, mint ahogy a CPU-kat és GPU-kat? Az RFIC-k tervezése mérnöki feladat a különböző fizikai területeken. Maxwell egyenletei, amelyek különböző térbeli és időbeli skálákon működnek, meghatározzák, hogyan lépnek kölcsönhatásba az elektromágneses mezők az aktív és passzív eszközökkel, amelyeket gondosan együtt kell tervezni, hogy a chip működjön. Ezek mellett ott vannak a termodinámiát szabályozó törvények, amelyek meghatározzák, hogy a hő hogyan keletkezik és távozik működés közben, valamint a hőmérsékleti változásokra vonatkozó mechanikák, amelyek befolyásolják a chip és a csomagolása megbízhatóságát. Az AI lerövidítheti az RFIC tervezést Az RF-integrált áramkör tervezése emberi intuíciót és több, gyakran megismételt optimalizálási lépést igényel. A remény az, hogy Maxwell egyenleteinek megértésén keresztül egy AI megtanítható, hogy lerövidítse ezt a folyamatot és gyorsan létrehozzon egy design-t. Az összes fizikai kényszer figyelembe vétele szinte lehetetlenné teszi a tervezési tér kitöltését. Minden döntés bonyolult prioritásokkal jár, amelyek gyakran versenyeznek egymással, megakadályozva bármelyik optimalizálását. Hogy jobban megértsük a kérdést, nézzük végig a folyamat lépéseit, amelyek révén jobban megérted, miért igényel egy új chip tervezése évekig és több tízmillió dollárt. Az RFIC-ok többsége összetett elektromágneses struktúrákkal rendelkezik. Az ember által tervezett RFIC-ok, mint például ez a szélessávú teljesítmény erősítő, sablonokkal kezdődnek és egy szimmetrikus, érthető mintán alapulnak. De ha megszabadulunk az ember által tervezett sablonok kényszereitől és attól, hogy az emberek megértsék az elektromágneses struktúrák indoklását, a teljesítmény erősítő IC-k és az alacsony zajú erősítők igazán merész, mégis hatékony formákat ölthetnek. Tegyük fel, hogy te egy mérnök vagy, akit megbíztak egy új 28 gigahertzes teljesítmény erősítő tervezésével egy 5G-milliméter-hullámú telefont. (Ez az RFIC-típus erősíti a 5G jeleket a telefonodon és továbbítja azokat az antennára, ahol azokat egy távoli bázisállomás vehet.) Hol kezded? Az RFIC tervezés néhány hasonlóságot mutat a házépítéssel. Ahogy a ház alaprajza meghatározza, hány hálószobát és fürdőszobát kell építeni és a köztük lévő folyosókat, az RFIC alaprajza - amelyet architektúrának neveznek - meghatározza, hogy milyen elemekre van szükség az RFIC funkciójának betöltéséhez. A szobák helyett az architektúra például a szükséges erősítési stádiumok számát tartalmazza. A folyosók helyett azt mutatja, hogy a jeleknek milyen utakat kell bejárniuk a stádiumok között. Az RFIC-k alaprajza valójában főként folyosóból áll; a passzív elemek, mint például az induktorok és a transmissziós vonalak, sokkal több helyet foglalnak el, mint az aktív elemek, mint például a tranzisztorok. Ennek oka az, hogy, ahogy valószínűleg tapasztaltad, egy tipikus CPU tranzisztorai túlmelegednek, ha csak néhány gigahertzes frekvenciával üzemelnek. Az RFIC-k működési frekvenciái egy nagyságrenddel magasabbak - 28 és 39 GHz 5G jelekhez, 26,5-40 GHz és még magasabb műholdas kommunikációhoz, és 77 GHz az autós radar számára. Ezen a nyomáson egy CPU tranzisztorai megsérülnének. Az RFIC tranzisztorai elkerülik ezt a sorsot, mert ezek a chipek ügyesen kezelik a jelek energiaforrásait gondos elektromágneses dizájnnal. Ennek formája bonyolult fémtisztító hálózatokból áll, amelyek dominálnak a chip területén. Ezek a struktúrák geometriailag szabályosak, gyakran szimmetrikusak, és olyan bonyolultan építettek, hogy néha csipkéző filigránt idéznek. De bár lehet, hogy díszítési szempontból néznek ki, amelyek elengedhetetlenek a chip működéséhez. Elektromosan beszélve, ezek a "folyosók" inkább a chip vízvezetéki rendszereiként működnek. Mint a vízvezeték, ez a kiterjedt passzív labirintus korlátozza az elektromágneses energiát, hogy csak azon a helyeken utazhat, ahol annak utaznia kellene a chipekben. Az RFIC tervezés legfőbb kihívása, hogy ezeket az elemeket úgy összehozzuk, hogy jól működjenek, ugyanúgy, ahogy egy ház felépítése a tervek alapján pontos diszkrét specifikációkat igényel a teherhordó gerendák, csövek és külső falak számára. Az RFIC-n az architektúrát fizikailag gyártható tranzisztorokkal és passzív alkatrészekkel kell megvalósítani, amelyek pontosan úgy kapcsolódnak, hogy lehetővé tegyék a jel traversálását a chipen és a feldolgozást. Az, ahogyan ezek az eszközök helyben kapcsolódnak, az áramkör topológiája. Az RFIC Tervezési Folyamat Tehát, hogy elkészítsd ezt a teljesítmény erősítőt, az első lépés, hogy kiválassz egy jelölt áramkör sablont: az elemek kombinációja, amelyek megfelelnek egy adott architektúra céljainak egy meghatározott áramkör-topológiával. Az évek során a kutatók egyszerűsítették a terhet azzal, hogy újrahasználható tervezési sablonokat dolgoztak ki specifikus funkciókhoz. Például a sablonok javasolják, hány erősítési stádiumra van szüksége egy áramkörnek (mivel néha a két kisebb erősítő kimenetének összekapcsolása jobb sávszélességet és hatékonyságot eredményez, mint egyetlen nagyobb erősítő). És javasolják, hogy milyen legyen a passzív struktúrák általános konfigurációja. Ma már széleskörű könyvtár áll rendelkezésre ezekből a sablonokból. Azonban ezeket nem lehet egyszerűen a boltban megvásárolni, mert mindegyikük fokozatokkal jár. Egyesek jobb nyereséget biztosítanak a stabilitás rovására; mások jobb sávszélességet a hatékonyság rovására; továbbiak még energiatakarékosabbak a kimenő teljesítmény feláldozásának árán, és így tovább. Ritkán van egyértelmű legjobb választás. A "édes hely" elérése, ahol minden különböző paraméter egyensúlyba hozható, a tervezők általában több különböző verziót terveznek az áramkörről, intuitív módszereket és technikákat alkalmazva, amelyeket évek alatt sajátítottak el. A kihívás az, hogy a döntés az architektúráról, az áramkör-topológiáról vagy az elektromágneses passzív szerkezet-ekről nem végezhető el külön-külön. Az egyik döntés befolyásolja a másikat. Így az RF áramkör tervezése gyakran hasonlít arra, hogy megpróbálj egy túlságosan nagy szőnyeget rápakolni egy túl kicsi szoba padlójára – ha az egyik sarokba nyomsz, egy másik fel fog emelkedni. A mikrohullámú és milliméterhullámú frekvenciák esetén még a legkisebb lépés is különbséget jelent a működő chip és a működésképtelen között, és sok dolog elromolhat. Például, amikor egy elektromágneses hullám találkozik egy tranzisztorral – vagy bármely más komponenssel – az általa bejárt út pontosan "megegyeznie" kell azzal, ami jön. Ha nem, az energia egy része visszaverődik ahelyett, hogy előre áramlana. Képzeld el, hogy egy nagy nyomású tűzcsapot közvetlenül egy keskeny kerti locsolóhoz csatlakoztatsz. A megfelelő adapter nélkül a víz visszafordul a csomópontnál. Nagyon kevés víz jut át. Ez elektronikában az impedancia-illesztési probléma. A visszaverődések megakadályozására a mérnökök speciális átmeneteket terveznek, lényegében mikroszkopikus adaptereket, amelyek simítják a handoff-ot a komponensek között. Chipen ezek az adapterek meglepően bonyolultak lehetnek. Nem csupán továbbítják a jelet; fel is oszthatják, kombinálhatják, vagy eloszthatják több úton gondosan kontrollált időzítéssel és erősséggel. Miután elkészült az architektúra, és a vízvezeték és minden, ami közöttük van, eljön az igazság pillanata. Az összes választásod, amit a hatalmas tervezési térben navigáltál, eredményezett egy olyan RFIC-t, amely megfelel a specifikációinak? Ha a specifikációk nincsenek teljesítve, vissza kell térned, újra át kell nézned a topológiát vagy az egész architektúrát, és meg kell ismételned az egész folyamatot. Készülj fel hónapoknyi idő- és erőforrásigényes szimulációs és iterációs folyamatokra. Talán most már megérted, miért van, hogy az RFIC közösségben évtizedek óta tartja magát egy alapvető hit: "RF tervezés egy művészet." Azt mondták, hogy csak egy tapasztalt tervező – aki művészi megértéssel bír, hogy a darabok hogyan alkotnak egészet – képes mesterien kezelni az analóg és RF design finomságait. Sajnos ez a megszilárdult elképzelés hosszú időn keresztül megakadályozta az algoritmikus innovációkat a területen, éppen amikor a legnagyobb szükségünk volt rájuk. A hagyományos, kézműves RFIC tervezés a komplexitás növekedésével eléri a határait. Az AI az RFIC tervezésért Míg az RFIC tervezők folytatták a harcot az "túlságosan nagy szőnyeg" probléma ellen, érdekes fejlemények jelentek meg a kapcsolódó tudományágakban. Számos más eddig megoldhatatlannak tűnő problémában, mint például a fehérjék összekonfigurálása és az éghajlatmodellezésben, az AI képes volt sikeresen navigálni a többszörös dimenziós bonyolult terekben. Ez ösztönzött minket, hogy mélyebbre ássunk az AI RF területén. Végül is a fehérjék összekonfigurálásának kombinatorikus komplexitása nem sokban különbözik a mi tervezési terünktől. Nem mi voltunk az elsők, akik arra gondoltunk, hogy a mesterséges intelligenciát az RFIC tervezésének részleges felgyorsítására használjuk. Kutatók korábban már tanítottak gépi tanulási algoritmusokat áramköri sablonok tervezésére azzal a reménnyel, hogy felgyorsítják a normál optimalizálási folyamatokat. Bár ez a megközelítés kétségtelenül gyorsabb volt, mint az emberek sablonok optimalizálása, az valójában még mindig a már létező, emberek által kifejlesztett modellek könyvtárait használta. Chip tervezése AI-nak A gépi tanulási rendszer úgy tanulja az RFIC tervezést, mint más AIs a Go játékot. Lényegében játékra fordítja a folyamatot, tanulva saját erőfeszítéseinek eredményeiből. Erre nem volt szükségünk. Szabadulni akartunk a prefabrikált topológiák megszorító hatásaitól. Mivel bár egy tervező tapasztalata és keményen megszerzett heurisztikái kulcsfontosságúak egy működő design létrehozásához, alapvető korlátokat is jelentenek. Továbbá egy ilyen megközelítés szükségszerűen szimulációs lépéseket követelne az optimalizálási ciklus részeként, és még a leggyorsabb szimulációk is rengeteg számítási erőforrást használnak. Ráadásul sok fejlett esetben, például szélessávú tervezéseknél, nincsenek létező sablonok. De ha nem sablonokkal indultunk, akkor hol kezdhetnénk? A célunk az volt, hogy lehetővé tegyük az algoritmusok számára, hogy teljesen az alapoktól kezdve minden paramétert meghatározzanak az architektúrához, alkotó áramkörökhöz és elektromágneses passzívokhoz. Ez a megközelítés alapvetően különbözik a hagyományos optimalizálástól, amely csak a jellemzők meghatározására korlátozódik - mint például a tranzisztor dimenziók és passzív alkatrészek geometriája, amelyek optimalizálásához az emberek által kitalált struktúrák. Az új megközelítésünkben az architektúra lényegében semmiből kezdődik, és fokozatosan szerkesztésre kerül egymást követő iterációk révén. A rendszer felfedezi a tervezési teret számos jelölt áramkori kombináció generálásával és a teljesítmény-kereskedelem nyomon követésével, ahogy navigál a tájon. Mivel a folyamat nem előnyben részesíti az előző emberi tervezési választásokat, teljesen új áramkör-topológiákat hozhat létre, amelyek lényegesen eltérnek az emberek által tervezettektől. Bizonyos értelemben a megközelítés hasonlít az AlphaGo Zero-hoz, amely szuperemberi teljesítményt ért el nem azért, mert ember által játszott játékokat tanult, hanem azért, mert önmagával játszva felfedezte a szabályokat. Hasonlóképpen az algoritmusunk új áramköri architektúrákat fejleszt azáltal, hogy felfedezi és értékeli saját tervezési stratégiáit. Ezen a folyamaton keresztül megtanulja megérteni az áramköröket, az elektromágnesességet és a szoros együttes tervezés szükségességét az RFIC végső tervezésének eléréséhez. Fordított tervezés RFIC-ok számára E képesség megvalósítása érdekében két szakaszban haladtunk. Először létrehoztunk egy megerősítő tanulási (RL) keretrendszert, amely meghatározza az optimális rendszer architektúrát, áramkör-topológiát, eszközparamétereket, sőt még az elektromágneses interfészek jellemzőit is, amelyek összekapcsolják a különböző áramköri elemeket. E szakasz során az algoritmus lényegében meghatározza, hogyan kell a jeleknek terjedniük és kölcsönhatásba lépniük a rendszeren. Az algoritmus nagyon hasonló módon tanul, mint ahogyan egy számítógép játszani tanul egy játékot. Ha elégszer játszik, megtanulhat jobban játszani, megfigyelve a tett akciói és az elért pontszámok közötti kapcsolatot. Hasonló módon az RL ügynök itt hatékony áramköröket tervez a kombinációk egy készletével játszva, és idővel térképezni tudja a térben az áramkör teljesítményét, architektúráját, topológiáját és paramétereit. Ez a képzés néhány napig, egy hétig tarthat, de miután kiképzett, az ügynök rendkívül gyorsan képes áramköröket tervezni. A következő lépés az IC elektromágneses struktúrájának meghatározása volt - a vízvezeték - amely létrehozza a kívánt tulajdonságokat a passzív elemek, amelyeket egy scatter paramétereknek nevezett metrikakészlet jellemez. Ezek azt mérik, hogy egy jel, amely belép egy komponensbe, valóban előrehalad-e - vagy visszaverődik, és így pazarolódik, mint az előző példában a tűzcsap és a kert locsoló vonatkozásában. A struktúra kinyerése a kívánt scatter paraméterekből egy olyan megközelítés példája, amelyet fordított tervezésnek neveznek, amely számos mérnöki szakterületen megjelenik. A struktúrmérnöki például egy építésszel együttműködhet egy fizikai cél elérésére - például nagy belső terek létrehozására magas plafonnal - és akkor meghatározhatja az ívek vagy támasztékok elrendezését, amelyek ezt támogathatják. Generatív AI elektromágneses hálózatok számára De az RF integrált áramkörökfordított tervezése különleges kihívások elé néz: a folyamatnak egyidejűleg figyelembe kell vennie az áramkör viselkedését és az elektromágneses válaszokat az összekötő elemekre és passzív elemekre, amelyek összekapcsolják őket. De ezt sok kézműves iterálás nélkül kell kitalálnia. Tehát egy AI-alapú emulátorra cseréltük az RF áramkör szimulátorunkat. Ez az AI modell képes előre jelezni az elektromágneses mezők viselkedését bármilyen szerkezeten - akár teljesen önkényes kétdimenziós formákon is - anélkül, hogy a háttérbéli fizikát az alapoktól kellene kiszámítani, ahogyan a szimulációs eszközök teszik. Megjósolná Maxwell egyenleteinek megoldását, és közölné veled a scatter paramétereket bármilyen szerkezetnél, amit bemutatsz neki, anélkül, hogy valóban elvégezné a matematikát. Ilyen AI birtokában, amit egy időigényes elektromágneses megoldónak szokásos lépésekben órákig tart, azt ez csak milliszekundumokban képes elérni. Mi körülbelül egy konvolúciós neurális hálózatot építettünk emulatorként - egy gépi tanulási modellt, amely rendkívüli sikerrel bír képfeldolgozás terén. Ilyen hálózatok képesek térbeli jellemzőket kiemelni bármely szerkezetből, és kiderült, hogy egy szerkezet képe sok térbeli információt tartalmaz, amely pontosan előre jelezheti elektromágneses működését. Aztán számos véletlenszerű pixelesített struktúra kiterjedt számú példáját tanítottuk meg, ahol a scatter paramétereket megcímkézték. Miután megszereztük a fordított-tervezési RL-t és megfelelő AI emulátort, lényegében elkészült egy teljesen automatikus AI tervező. Tehát megkérdeztük, hogy tervezzen számunkra egy teljesítmény erősítőt. Hagyományos RF architektúrák 2023-ban közzétettük ezt a koncepció igazolását – egy teljesítmény erősítőt, amely a milliméterhullámú sávra céloz, különösen 30-100 GHz között, amely a legrelevánsabb 5G és radar frekvenciákat fedi le. A végső design megvalósította a legjobb kombinációt a széles sávszélesség, kimeneti teljesítmény és hatékonyság között, amelyet szilícium alapú teljesítmény erősítő esetében eddig jelentettek - ez azt jelenti, hogy képes volt nagy mennyiségű adatot erősíteni egy széles frekvenciatartományban anélkül, hogy feláldozta volna a rekordhatékonyságot. Az IC elektromágneses útvonalainak szerkezete különbözött mindattól, amit egy ember valaha is figyelembe venne. Mivel az AI nem emberi tervezésekre lett képzett, az így keletkezett elrendezés inkább egy önkényes mintázatra vagy talán egy QR-kódra emlékeztetett, mint a megszokott szimmetrikus struktúrákra. Egy váratlan betekintést, amelyet ez a prototípus és az általános kutatásunk feltárt, az, hogy nincs bizonyíték arra, hogy a sablonok, amelyekre eddig alapozva dolgoztunk, közel sem optimálisak a modern tervezési célokhoz. Nem arról van szó, hogy egy emberi tervező soha nem képes jobb designra. De a sablonok eltávolítása és az optimalizált áramkörök ciklusának szintézise nyilvánvalóvá tette, hogy az AI-vezérelt szintézis áttörheti a hagyományos tervezési határokat, és megnyithatja az RFIC képességeinek határait. Az 5G erősítőnknek csak egy bemeneti és egy kimeneti portja volt. További bemenetek és kimenetek hozzáadása a tervhez nem egyszerű. Minden port elektromágnesesen összekapcsolódik minden más porttal, így a scatter paraméterek gyorsan felszaporodnak. Két port négy scatter paramétert biztosít. Négy port, 16 scatter paraméter. A matematika gyorsan bonyolulttá válik. Képes lesz-e a modelünk lépést tartani? Következő lépésként a modelünket nagyobb elektromágneses struktúrák osztályain tanítottuk, rengeteg bemeneti és kimeneti porttal. 2024-ben közzétettük a munkát, amely megmutatta, hogy a multiport integrált áramkörök sem jelentenek problémát ezeknek az AI algoritmusoknak. Míg korábban a multiport elektromágneses szimuláció napokig vagy hetekig tarthatott, ez a modell percek alatt új struktúrákat fejlesztett ki. Azóta a globális kutatóközösségekben a térben végzett munka bővítette az RFIC fordított tervezésének erejét. A megerősítő tanulási keretrendszer és a fordított tervezés egyesítése révén immár képesek voltunk RFIC-t létrehozni a specifikációktól kezdve a gyártásra kész elrendezésig. Eddig ezt alacsony zajú erősítőktől a szubterahertzes és szélessávú erősítőkig igazoltuk. A remény az, hogy ez más áramkörökre is jól működik. Az AI tervezések értelmezhetőségének javítása Az volt a célunk, hogy jobb és könnyebb legyen az RFIC tervezés, de nem akartuk, hogy az emberek megértésén kívül kerüljön. A chip tesztelése és hibakeresése egy hosszú, nehéz folyamat, néha még nehezebb, mint a tervezés. A mérnökök gyakran előnyben részesítik, ha az IC-k értelmezhető struktúrákkal rendelkeznek, így amikor probléma merül fel, képesek legyenek megérteni, hogyan működik a chip ahhoz, hogy debuggolhassák azt. Olyan struktúrák létrehozásához, amelyek jobban értelmezhetők, a diffúziós modellekhez fordultunk, amelyeket ismerhet a szöveges utasításokból származó valósághű képek előállítására. Az AI-vezérelt szintézis áttörheti a hagyományos tervezési korlátokat, és megnyithatja az RFIC képességeinek határait. Képzeld el, hogy elmégy a kedvenc képgeneráló motorodhoz, és megkérd, hogy készítsen egy festményt az égről Picasso, Van Gogh vagy Michelangelo stílusában. Olyan képeket kapsz, amelyek megragadják az ecsetvonásaik lényegét, a színeik használatát és a keretezésüket. Mindezek képek az égről, különböző stílusokban. Az elektromágneses tervezés hasonló abban, hogy több struktúra is hasonló elektromágneses válaszokkal rendelkezhet. Ahelyett, hogy szöveges bemenetet használnánk, scatter paramétereket használtunk bemenetekként, és a RFIC chip elektromágneses struktúráját kimenetként. A diffúziós modell bemeneteiként létrehoztunk egy dialt, amely a végső struktúra térbeli frekvenciáját állítja be. A dial megfordításával a tervező irányíthatja a modellt, hogy alacsony (klasszikus megjelenésű és értelmezhető), közepes (labirintus-szerű struktúrák) vagy magas (pixeles vagy önkényes formájú) térbeli frekvenciájú struktúrákat szintetizáljon. A bemenetektől a kimenetekig a teljes folyamat körülbelül 6 percet vett igénybe. Ezzel a diffúziós modellel az algoritmusok most már felfedezhetik az új architektúrákat és felgyorsíthatják a hagyományos, úgynevezett klasszikus arcok létrehozását. Minden RFIC tervezőnek csupán egy érvényes scatter paraméter készletet kell meghatároznia. Amíg azok fizikailag megvalósíthatóak Maxwell egyenletei alatt, a modell kiad egy megfelelő struktúrát, mintha egy automata gép lenne. Az AI-vezérelt RFIC tervezés jövője Nyomozásaink eredményei felkeltették az RF közösség figyelmét. A hagyományos alulról felfelé történő tervezési folyamat nyilvánvalóan kezdi megfordítani az irányt. De még mindig felmerülnek kérdések: Mennyire általánosíthatók ezek a módszerek? Tudnak-e folyamatosan valóban magas teljesítményt nyújtani? Elérhetjük-e azt a szintet, ahol az AI létező designokat maximálisra optimalizálja minden elképzelhető kereskedelemben, holisztikusan optimalizálva minden paramétert a legideálisabb fizikai állapotba? Szeretnénk ezt a stratégiát túllépni az RFIC tervezésen, és másfajta áramköröket kitalálni, amelyek eltérnek a gyakorlatilag az emberek által valaha is készítettektől. Ezek izgalmas és ambiciózus kilátások, de még nem értük el. Az AI képes hallucinálni olyan designt, amely rossz áramköröket hoz létre, amelyek nem működnek. Ez azt jelenti, hogy az ellenőrzési módszereknek emberi felügyelet alatt kell maradniuk. Miközben a hallucinációk ritkák, mégis jó lenne csökkenteni azok előfordulását. A történelem azt sugallja, hogy a jövő e vágyainak teljesítése sokkal több adathoz szükséges, mint amit eddig használtunk. Az ImageNet tároló létrehozása előtt – amely 14 millió különböző, ember által annotált képből áll – a képfelismerő modellek a valós világban nem működtek jól. Az adatbázisok, amelyeken tréningeztek, túl kicsik voltak ahhoz, hogy hatékonyak legyenek. Az ImageNet hatalmas mennyiségű képzési adatának megjelenése forradalmat hozott az AI terén, amely képes volt általánosítani és képeket felismerni a való életben. A többi már történelem. Ha az RFIC és analóg tervezés célja egy univerzális alapmodell - valami, ami megérti az elektromágnesesség és az áramkör viselkedés törvényeit -, akkor nekünk is szükségünk van adatokra. A jó hír az, hogy ezek az adatok bőségesen rendelkezésre állnak. A világ minden táján rengeteg mérnök dolgozik cégeknél és akadémiai laborokban szinte azonos RF áramkörök és passzív struktúrák szimulálásán minden nap. A rossz hír az, hogy mindez titoktartási megállapodások mögé van zárva. A nyitott ökoszisztémák más területeken felgyorsították a fejlődést, és úgy gondoljuk, hogy az RFIC közösségnek is hasonlóan kellene cselekednie. Volt némi előrelépés ebben az irányban. A Natcast, az Egyesült Államok CHIPS és Tudomány Törvénye fejlesztési programjának üzemeltetője, elősegítette a megosztott infrastruktúra és innováció előmozdítását a következő generációs vezeték nélküli, érzékelő és védelmi technológiák számára. Sajnos, mind a szervezet, mind a gépi tanulás és RFIC-ok számára végzett programja bezárt. De a Natcast erőfeszítése egy lendületet adott, amely nem hunyt el. Korai munkánkra építve a közösség különböző csoportjai már most jelentős előrelépéseket mutattak be. Az AI-vezérelt IC tervezés része egy sokkal szélesebb technológiai átalakulásnak. A biológiától az anyagtudományig, az autóipartól a légi közlekedésig az AI átalakítja a bonyolult rendszerek megalkotási és optimalizálási módját. A mélyebb együttműködés az AI kutatók és chip tervezők között felszabadítja a terület teljes potenciálját. Ez nem biztos, hogy magától értetődő, de ha ezt jól csináljuk, ez a gén nem marad a palackban.