ИИ помогает проектировать радиочипы с архитектурами, которые трудно представить человеку
Проектирование RFIC считается одним из самых трудных этапов разработки беспроводной электроники. Инженеры иногда даже называют эту область «тёмным искусством». Из-за такой сложности развитие технологий связи идет медленнее, чем могло бы, это касается и 5G, и систем для автономных автомобилей, и спутниковых коммуникаций. Исследователи из Princeton предлагают другой путь: подключить методы искусственного интеллекта и автоматизировать создание подобных микросхем, чтобы ускорить разработку.
Команда использует reinforcement learning вместе с подходом inverse design. Алгоритмам дают возможность фактически генерировать RFIC с нуля. Вместо традиционной ручной работы инженеров система сама перебирает варианты и ищет удачные решения, исследуя пространство возможных схем и конфигураций.
В работе также задействованы diffusion models. Они быстро создают новые варианты RF-компоновок. Такие модели предлагают и полностью новые архитектуры, и схемы, которые инженеры могут легко интерпретировать. При этом достигаются рекордные показатели производительности, а время проектирования заметно сокращается, пишет IEEE Spectrum.
По мнению исследователей, дальнейший прогресс во многом будет зависеть от появления крупных совместных наборов данных по проектированию чипов и более открытых экосистем разработки. Подобные ресурсы помогут системам ИИ обучаться универсальным закономерностям электромагнитных процессов и схемотехники. В итоге это может ускорить создание следующих поколений беспроводных устройств.
Ключевые факты
Исследователи из Princeton применяют reinforcement learning и inverse design для создания RFIC с нуля.
Diffusion models используются для генерации новых или интерпретируемых человеком RF‑компоновок, достигая record performance и существенно сокращая design time.
Проектирование RFIC описывается как сложная «dark art», которая ограничивает развитие беспроводных технологий, включая 5G, autonomous vehicles и satellite communications.
Для дальнейшего прогресса требуются большие общие датасеты проектирования чипов и открытые экосистемы, чтобы ИИ мог изучать универсальные электромагнитные и схемные поведения.