對人類工程師而言，設計復雜的無線芯片是數周乃至數月的工程量，但去年12月30日發表在《自然通訊》上的文章指出，AI如今可以在幾小時內完成，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

這項研究的重點是毫米波（mm-Wave）無線芯片，常被用于手機中的5G調制解調器。由于其高度復雜性和進行微型化的需要，這些芯片給制造商帶來了很大的挑戰。

無線芯片設計：在海量可能性中尋找最優解

無線芯片是將計算機芯片中的標準電子電路，與天線、諧振器、信號分路器、合路器以及其他電磁結構等元件結合起來的產物。

這些元件的組合將會被放置在每一個電路模塊中，經過精心的手工制作和協同設計，以實現最佳運行效果。這種方法還會擴展到其他電路、子系統和系統中，使得設計過程變得極其復雜和耗時，尤其是在現代高性能無線通信、自動駕駛、雷達和手勢識別等應用背后的芯片設計中。

設計這樣的芯片，需要將多個元件組合起來。傳統的設計方法依賴于基于直覺的標準模板和有限的參數集，隨后通過耗時的參數掃描，調整眾多芯片的組件間的電路拓撲，以優化電路的性能，讓設計出的電路具有新的特性。

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

先進芯片中的電路如此微小，幾何結構如此精細，以至于芯片可能的配置數量甚至都超過了宇宙中的原子數量。人類無法理解這種復雜性，所以設計師們不會嘗試去理解，因此他們從底部開始構建芯片，根據需要添加組件并在構建過程中調整設計，也就是所謂的「逆向設計」。

基于深度學習的逆向設計有多香

基于人工智能的「逆向設計」方法原理類似，也是從所需的屬性開始，根據這些屬性進行芯片設計。但這套方法的核心不是人類，而是深度學習模型，具體來說是卷積神經網絡（CNN）。它的運作邏輯分為兩步：

第一步：前向建模

首先通過各種幾何形狀電路的模擬結果，訓練一個CNN網絡，用來預測任意形狀電磁結構的散射參數和輻射特性。傳統方法要靠電磁仿真計算出這些參數，但CNN直接「猜」，還猜得賊準。

深度學習驅動的高頻率電路逆向設計

關鍵點在于，這個CNN模型不僅快，還能泛化。研究人員發現，它能設計出訓練數據里沒有的結構，比如一個24-80GHz帶寬范圍內的功率分配器，在帶寬、幅度平衡和總傳輸率上實現了更好的平衡，性能比訓練集里的最佳結果還好（如下圖b所示）。

基于深度學習設計得到的電路，在兩種情況下均優于訓練數據中的最佳結果。這表明基于深度學習的模型具有泛化能力，并且逆向合成方法能夠成功地在設計空間中進行采樣

第二步：逆向合成

利用深度學習驅動的穩健電磁仿真器，可以消除耗時且資源密集型的電磁仿真需求，從而可以在任意結構和電路的大型設計空間中快速合成，并通過優化算法實現。

這可以通過遺傳算法、模擬退火等啟發式算法，生成式模型（如自編碼器）或串聯神經網絡來實現，也可以將預測模型與生成式AI框架或強化學習（RL）結合。

例如，該研究就在前向預測模型的基礎上，使用遺傳算法和反向搜索，找到滿足目標特性的幾何結構。比如，要求設計一個50-60GHz帶寬范圍內的帶通雙端口濾波器，模型幾分鐘內就能吐出一個300×300μm的設計。

下表展示了幾個使用人工智能設計芯片的例子，從單端口多頻段天線到四端口頻率雙工器，將過去所需數周的工作，變為只需幾分鐘就能完成。

深度學習啟用的逆設計與基于電磁模擬進行啟發式優化設計的時間和資源對比

相比以往最好的標準芯片，然而這些設計呈現出顯著的性能改進，可以更好地完成工作任務；然而，人類可能無法真正理解這些由AI設計出的芯片，它們多缺乏直觀性，不太可能是人類思維的產物。

例如，由AI設計出的更節能的電路方案，有可能在目前無法實現的龐大頻率范圍內運行，在某些情況還能創建當前技術無法合成的結構。這意味著「AI設計師」不僅提高了效率，還解鎖了超出工程師能力范圍的設計圖紙。

該研究的通訊作者，印度理工學院孟買分校電氣工程系的Uday Khankhoje指出：「這項工作提出了對未來極具說服力的愿景……AI 不僅加速了曾經很耗時的電磁模擬，還使我們能夠探索一個此前未被探索的設計空間，并交付了違反常規經驗法則和人類直覺的高性能設備。」

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，因此這項研究可以說是給毫米波電路設計注入了一劑強心針。

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

人類完全不理解的設計，可信嗎

Uday Khankhoje指出，雖然AI設計達到了如此高超的水平，但人類仍然在芯片設計的過程中扮演著關鍵角色，部分原因是AI將芯片視為單一的產物而非整個工程流水線上的一環，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模型會產生的「幻覺」。

因此，即使「AI設計師」如此強悍，也需要一定程度的人類監督，糾正其中存在的不足，甚至是「陷阱」。

這項研究的關鍵并不是用工具取代人類設計師，而是要用新工具來提高生產力——「人類的思維最適合用來創造或發明新的事物，而那些瑣碎的、實用的工作可以交給這些工具來處理。」

和自動駕駛、AI診斷類似，AI設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計，如果出了問題該怎么辦。

大多數情況下，我們仍然無法了解AI是如何得出其設計方案的，這使得工程師難以在所有條件下完全理解或預測這些電路的行為。這種「黑箱」性質可能會導致未預見的故障或漏洞，特別是在醫療設備、自動駕駛車輛或通信系統等關鍵應用中。

此外，如果出現故障，追蹤和修正問題可能比在人類手動設計的系統中更為復雜。從實際角度來看，過度依賴AI也可能會侵蝕人類設計師的基礎知識和技能，造成專業知識的缺口。