對人類工程師而言，設(shè)計復(fù)雜的無線芯片是數(shù)周乃至數(shù)月的工程量，但去年12月30日發(fā)表在《自然通訊》上的文章指出，AI如今可以在幾小時內(nèi)完成，而且采取了一種與人類完全不同的方式。

論文鏈接：https://www.nature.com/articles/s41467-024-54178-1

這項(xiàng)研究的重點(diǎn)是毫米波（mm-Wave）無線芯片，常被用于手機(jī)中的5G調(diào)制解調(diào)器。由于其高度復(fù)雜性和進(jìn)行微型化的需要，這些芯片給制造商帶來了很大的挑戰(zhàn)。

無線芯片設(shè)計：在海量可能性中尋找最優(yōu)解

無線芯片是將計算機(jī)芯片中的標(biāo)準(zhǔn)電子電路，與天線、諧振器、信號分路器、合路器以及其他電磁結(jié)構(gòu)等元件結(jié)合起來的產(chǎn)物。

這些元件的組合將會被放置在每一個電路模塊中，經(jīng)過精心的手工制作和協(xié)同設(shè)計，以實(shí)現(xiàn)最佳運(yùn)行效果。這種方法還會擴(kuò)展到其他電路、子系統(tǒng)和系統(tǒng)中，使得設(shè)計過程變得極其復(fù)雜和耗時，尤其是在現(xiàn)代高性能無線通信、自動駕駛、雷達(dá)和手勢識別等應(yīng)用背后的芯片設(shè)計中。

設(shè)計這樣的芯片，需要將多個元件組合起來。傳統(tǒng)的設(shè)計方法依賴于基于直覺的標(biāo)準(zhǔn)模板和有限的參數(shù)集，隨后通過耗時的參數(shù)掃描，調(diào)整眾多芯片的組件間的電路拓?fù)洌詢?yōu)化電路的性能，讓設(shè)計出的電路具有新的特性。

雖然有固定的模板和參數(shù)集可供參看，但無線芯片的設(shè)計空間實(shí)際上非常廣闊，很難理解。

先進(jìn)芯片中的電路如此微小，幾何結(jié)構(gòu)如此精細(xì)，以至于芯片可能的配置數(shù)量甚至都超過了宇宙中的原子數(shù)量。人類無法理解這種復(fù)雜性，所以設(shè)計師們不會嘗試去理解，因此他們從底部開始構(gòu)建芯片，根據(jù)需要添加組件并在構(gòu)建過程中調(diào)整設(shè)計，也就是所謂的「逆向設(shè)計」。

基于深度學(xué)習(xí)的逆向設(shè)計有多香

基于人工智能的「逆向設(shè)計」方法原理類似，也是從所需的屬性開始，根據(jù)這些屬性進(jìn)行芯片設(shè)計。但這套方法的核心不是人類，而是深度學(xué)習(xí)模型，具體來說是卷積神經(jīng)網(wǎng)絡(luò)（CNN）。它的運(yùn)作邏輯分為兩步：

第一步：前向建模

首先通過各種幾何形狀電路的模擬結(jié)果，訓(xùn)練一個CNN網(wǎng)絡(luò)，用來預(yù)測任意形狀電磁結(jié)構(gòu)的散射參數(shù)和輻射特性。傳統(tǒng)方法要靠電磁仿真計算出這些參數(shù)，但CNN直接「猜」，還猜得賊準(zhǔn)。

深度學(xué)習(xí)驅(qū)動的高頻率電路逆向設(shè)計

關(guān)鍵點(diǎn)在于，這個CNN模型不僅快，還能泛化。研究人員發(fā)現(xiàn)，它能設(shè)計出訓(xùn)練數(shù)據(jù)里沒有的結(jié)構(gòu)，比如一個24-80GHz帶寬范圍內(nèi)的功率分配器，在帶寬、幅度平衡和總傳輸率上實(shí)現(xiàn)了更好的平衡，性能比訓(xùn)練集里的最佳結(jié)果還好（如下圖b所示）。

基于深度學(xué)習(xí)設(shè)計得到的電路，在兩種情況下均優(yōu)于訓(xùn)練數(shù)據(jù)中的最佳結(jié)果。這表明基于深度學(xué)習(xí)的模型具有泛化能力，并且逆向合成方法能夠成功地在設(shè)計空間中進(jìn)行采樣

第二步：逆向合成

利用深度學(xué)習(xí)驅(qū)動的穩(wěn)健電磁仿真器，可以消除耗時且資源密集型的電磁仿真需求，從而可以在任意結(jié)構(gòu)和電路的大型設(shè)計空間中快速合成，并通過優(yōu)化算法實(shí)現(xiàn)。

這可以通過遺傳算法、模擬退火等啟發(fā)式算法，生成式模型（如自編碼器）或串聯(lián)神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)，也可以將預(yù)測模型與生成式AI框架或強(qiáng)化學(xué)習(xí)（RL）結(jié)合。

例如，該研究就在前向預(yù)測模型的基礎(chǔ)上，使用遺傳算法和反向搜索，找到滿足目標(biāo)特性的幾何結(jié)構(gòu)。比如，要求設(shè)計一個50-60GHz帶寬范圍內(nèi)的帶通雙端口濾波器，模型幾分鐘內(nèi)就能吐出一個300×300μm的設(shè)計。

下表展示了幾個使用人工智能設(shè)計芯片的例子，從單端口多頻段天線到四端口頻率雙工器，將過去所需數(shù)周的工作，變?yōu)橹恍鑾追昼娋湍芡瓿伞?/span>

深度學(xué)習(xí)啟用的逆設(shè)計與基于電磁模擬進(jìn)行啟發(fā)式優(yōu)化設(shè)計的時間和資源對比

相比以往最好的標(biāo)準(zhǔn)芯片，然而這些設(shè)計呈現(xiàn)出顯著的性能改進(jìn)，可以更好地完成工作任務(wù)；然而，人類可能無法真正理解這些由AI設(shè)計出的芯片，它們多缺乏直觀性，不太可能是人類思維的產(chǎn)物。

例如，由AI設(shè)計出的更節(jié)能的電路方案，有可能在目前無法實(shí)現(xiàn)的龐大頻率范圍內(nèi)運(yùn)行，在某些情況還能創(chuàng)建當(dāng)前技術(shù)無法合成的結(jié)構(gòu)。這意味著「AI設(shè)計師」不僅提高了效率，還解鎖了超出工程師能力范圍的設(shè)計圖紙。

該研究的通訊作者，印度理工學(xué)院孟買分校電氣工程系的Uday Khankhoje指出：「這項(xiàng)工作提出了對未來極具說服力的愿景……AI 不僅加速了曾經(jīng)很耗時的電磁模擬，還使我們能夠探索一個此前未被探索的設(shè)計空間，并交付了違反常規(guī)經(jīng)驗(yàn)法則和人類直覺的高性能設(shè)備?！?/span>

隨著對微型化的需求的不斷增長，無線芯片將變得越來越重要，因此這項(xiàng)研究可以說是給毫米波電路設(shè)計注入了一劑強(qiáng)心針。

該研究似乎再一次證實(shí)，AI不僅能加速創(chuàng)新，還擴(kuò)展了可能的邊界。雖然本研究的重點(diǎn)局限于射頻和亞太赫茲頻率（sub-terahertz）的集成電路，但AI驅(qū)動的設(shè)計原則可以擴(kuò)展到計算機(jī)芯片甚至量子計算。

人類完全不理解的設(shè)計，可信嗎

Uday Khankhoje指出，雖然AI設(shè)計達(dá)到了如此高超的水平，但人類仍然在芯片設(shè)計的過程中扮演著關(guān)鍵角色，部分原因是AI將芯片視為單一的產(chǎn)物而非整個工程流水線上的一環(huán)，因此會生成出有效但奇怪的布局，或者納入一些不起作用的元素，類似于生成式AI模型會產(chǎn)生的「幻覺」。

因此，即使「AI設(shè)計師」如此強(qiáng)悍，也需要一定程度的人類監(jiān)督，糾正其中存在的不足，甚至是「陷阱」。

這項(xiàng)研究的關(guān)鍵并不是用工具取代人類設(shè)計師，而是要用新工具來提高生產(chǎn)力——「人類的思維最適合用來創(chuàng)造或發(fā)明新的事物，而那些瑣碎的、實(shí)用的工作可以交給這些工具來處理?！?/span>

和自動駕駛、AI診斷類似，AI設(shè)計芯片同樣會引出黑箱問題，即對于我們無法理解的芯片設(shè)計，如果出了問題該怎么辦。

大多數(shù)情況下，我們?nèi)匀粺o法了解AI是如何得出其設(shè)計方案的，這使得工程師難以在所有條件下完全理解或預(yù)測這些電路的行為。這種「黑箱」性質(zhì)可能會導(dǎo)致未預(yù)見的故障或漏洞，特別是在醫(yī)療設(shè)備、自動駕駛車輛或通信系統(tǒng)等關(guān)鍵應(yīng)用中。

此外，如果出現(xiàn)故障，追蹤和修正問題可能比在人類手動設(shè)計的系統(tǒng)中更為復(fù)雜。從實(shí)際角度來看，過度依賴AI也可能會侵蝕人類設(shè)計師的基礎(chǔ)知識和技能，造成專業(yè)知識的缺口。