AI Is Designing Radio Chips That Humans Couldn’t Even Imagine

При проектировании радиочастотных интегральных схем давно есть зрелые маршруты синтеза и проверки, а радиочастотные схемы остаются во многом ручной работой: проектировщик выбирает архитектуру, настраивает каскады, согласует импедансы, размещает пассивные элементы и затем многократно проверяет результат в моделировании. На частотах десятков гигагерц проводники уже нельзя рассматривать как простые соединения между элементами: они становятся частью электромагнитной системы, где форма металлизации, паразитные связи, отражения, фазовые сдвиги и потери напрямую определяют работоспособность схемы.

Главная идея состоит не в том, чтобы немного ускорить подбор параметров в уже известных шаблонах, а в том, чтобы передать алгоритму часть поиска архитектуры, топологии и физической геометрии. Для этого используют обучение с подкреплением и быстрые нейросетевые заменители электромагнитных расчётов. Система перебирает варианты усилителей, согласующих цепей и пассивных структур, получает оценку по мощности, полосе, усилению, эффективности и устойчивости, после чего постепенно учится находить решения, которые человеку было бы трудно спроектировать вручную. Особенно важна работа с S-параметрами: если известно, как структура должна пропускать и отражать сигнал на разных портах, модель может искать физическую форму металлизации, соответствующую этим характеристикам. Там, где полноценный электромагнитный расчёт занимает минуты или часы, нейросетевой эмулятор даёт приближение за миллисекунды, что резко увеличивает число проверяемых вариантов.

Практические результаты выглядят необычно даже визуально. В одном из примеров широкополосный усилитель мощности для диапазона примерно 30–100 ГГц получил структуру, похожую не на привычную симметричную схему, а на плотный пиксельный узор. Это не декоративная странность, а следствие того, что алгоритм не ограничен привычными эвристиками размещения и может использовать геометрию, которую человек, скорее всего, не стал бы рассматривать. При этом физический прототип показал рабочее сочетание полосы, выходной мощности и эффективности. Затем тот же подход начали расширять на многопортовые структуры, где число взаимосвязей быстро растёт, а ручная настройка становится ещё менее удобной: у четырёхпортовой схемы уже шестнадцать S-параметров, и каждый порт влияет на остальные.

При этом полностью «нечитаемые» структуры не решают всю проблему. Микросхему нужно проверять, отлаживать, переносить в технологический процесс и сопровождать, поэтому важна управляемая интерпретируемость. Для этого применяют диффузионные модели, которые по требуемым электромагнитным характеристикам генерируют не одну произвольную форму, а варианты с разной степенью регулярности: от более привычной геометрии до сложных лабиринтоподобных и пиксельных структур. Такой подход не отменяет роль специалиста, потому что сгенерированная схема всё равно требует верификации, физического анализа и проверки на производственных ограничениях. Скорее он меняет границу между ручным проектированием и автоматическим поиском: человек задаёт требования, контролирует корректность и принимает решения, а алгоритм берёт на себя тяжёлый перебор сложного электромагнитного пространства, где традиционные шаблоны уже слишком тесны.

* В картинках первую схему разработал человек, остальные - описанный workflow с применением ИИ