Резюме
- Проектирование RFIC — сложное «тёмное искусство», которое сдерживает прогресс в 5G, автономном транспорте и спутниковой связи.
- Принстонские исследователи используют обучение с подкреплением и обратное проектирование для быстрого создания RFIC с нуля.
- Диффузионные модели генерируют новые или понятные человеку RF-топологии, достигая рекордных характеристик и резко сокращая время разработки.
- Будущий прогресс требует больших открытых наборов данных и экосистем, чтобы ИИ мог усвоить универсальные электромагнитные и схемотехнические закономерности.
На минуту представьте, какой была бы ваша жизнь без беспроводных технологий последних трёх десятилетий. Потеряли багаж? AirTags ещё не придумали. Представитель авиакомпании пообещал перезвонить — сидите у кухонного телефона, потому что дешёвых мобильников нет. Слушаете, что передают по радио, ведь стримингов не существует. А сколько фильмов лишились бы своих сюжетов!
Это лишь крошечный фрагмент того, как беспроводные технологии влияют на повседневность. Их воздействие на цепочки поставок, инфраструктуру и мировую экономику оказалось революционным. Ничего этого не было бы без радиочастотных интегральных схем (RFIC), которые позволяют всем устройствам незаметно обмениваться данными.
Теперь представьте, что принесёт дальнейшее развитие: повсеместный автономный транспорт, квантовую связь, 6G и спутниковый интернет. Прогресс упирается в новые, более совершенные RF-чипы.
Но вот загвоздка. Если дизайн большинства вычислительных чипов стал стандартизированной наукой, проектирование RFIC остаётся искусством. Причём «тёмным», которым овладевают годами. А тёмные искусства, как говорят, не терпят спешки. И эта неспешность тормозит не только RF-чипы, но и все зависимые технологии.
Около семи лет назад, после победы AlphaGo над чемпионом го Ли Седолем, мы с моими студентами в Принстоне задумались: можно ли обучить ИИ этому искусству? Оказалось — во многом да. За последние годы наша группа и другие лидеры начали создавать алгоритмы машинного обучения для проектирования RFIC. Некоторые получившиеся чипы больше напоминают современное искусство, чем схемы. Однако физические прототипы часто превосходят лучшие образцы, а главное — ИИ тратит на разработку на порядки меньше времени, чем человек.
Речь не об одном-двух чипах. Проектирование с помощью ИИ может стать будущим всей отрасли, а возможно, и гораздо большего.
Так почему же эти чипы до сих пор рисуют вручную? Почему RFIC не проектируют алгоритмически, как CPU и GPU?
Проектирование RFIC — это инженерная задача на стыке множества физических дисциплин. Уравнения Максвелла описывают взаимодействие электромагнитных полей с активными и пассивными компонентами в разных временных и пространственных масштабах, а законы термодинамики определяют тепловые режимы и механическую надёжность корпусирования.
Одновременный учёт всех этих ограничений делает пространство проектных решений практически бесконечным. Каждый шаг — это компромисс между конфликтующими требованиями, не позволяющий оптимизировать что-то одно.
Чтобы лучше понять проблему, давайте разберём типичный процесс создания одного чипа, который может занять годы и стоить десятки-сотни миллионов долларов.
Представьте, что вы инженер и вам поручили разработать новый 28-гигагерцевый усилитель мощности для 5G-миллиметрового диапазона (то есть RFIC, который усиливает сигнал и передаёт его на антенну). С чего начать?
Создание RFIC отчасти напоминает строительство дома. Как в плане дома указаны комнаты и коридоры, так в архитектуре RFIC определяются необходимые каскады усиления и пути прохождения сигналов. Только вместо комнат — транзисторы, а вместо коридоров — пассивные элементы, такие как индуктивности и линии передачи, которые занимают львиную долю площади.
Причина в том, что транзисторы обычных процессоров перегреваются уже на частотах в несколько гигагерц, а RFIC работают на порядок выше: 28 и 39 ГГц для 5G, 26,5-40 ГГц для спутниковой связи, 77 ГГц для автомобильных радаров. Чтобы справиться с такими частотами, энергию сигнала тщательно направляют с помощью хитроумных электромагнитных структур. Они геометрически регулярны, симметричны и настолько филигранны, что напоминают кружево. Однако их задача — подобно водопроводу — удерживать электромагнитную энергию только в нужных местах.
Главная сложность — собрать все эти части так, чтобы они работали согласованно. Нужен точный расчёт каждого нагрузочного элемента. На уровне RFIC архитектура воплощается в физических транзисторах и пассивах, соединённых определённым образом — это называется топологией схемы.
Процесс проектирования RFIC
Итак, чтобы создать усилитель мощности, сначала выбирают подходящий шаблон — комбинацию структур, отвечающих требованиям архитектуры и топологии. За годы исследователи создали библиотеки таких шаблонов, но каждый имеет компромиссы: один даёт большее усиление, но менее стабилен, другой — лучшую полосу, но жертвует эффективностью, и т.д.
Чтобы найти «оптимальную точку», разработчики вручную перебирают несколько версий, опираясь на интуицию и опыт. Беда в том, что архитектуру, топологию и пассивы нельзя проектировать по отдельности — изменение одного влияет на всё остальное. Это напоминает попытку уместить большой ковёр в тесной комнате: придавишь один угол — задирается другой.
На микроволновых и миллиметровых частотах малейшая ошибка отделяет работающий чип от брака. Например, если электромагнитная волна встречает компонент без должного «согласования», часть энергии отражается обратно. Представьте пожарный шланг, подсоединённый к садовому без переходника: вода брызнет назад, почти ничего не пройдёт. Это проблема согласования импедансов. Чтобы предотвратить отражения, инженеры создают микроскопические переходники, которые не просто передают сигнал, но и могут разделять, объединять или распределять его с точной задержкой и мощностью.
После того как архитектура и «водопровод» спроектированы, наступает момент истины. Если характеристики не соответствуют спецификации — возвращайтесь к началу: переделывайте топологию или всю архитектуру. На это уходят месяцы ресурсоёмкого моделирования и итераций. Неудивительно, что десятилетиями в сообществе бытовало мнение: «Проектирование RF — это искусство», доступное лишь опытным мастерам. К сожалению, это убеждение тормозило алгоритмические инновации именно тогда, когда они больше всего нужны.
ИИ в проектировании RFIC
Пока разработчики боролись со своим «ковром», в смежных областях происходили прорывы. ИИ научился решать такие сложные задачи, как сворачивание белков и климатическое моделирование, где тоже приходится ориентироваться в гигантских комбинаторных пространствах. Это вдохновило нас присмотреться к AI для RF-дизайна.
Мы не были первыми, кто пытался ускорить процесс с помощью машинного обучения. Предыдущие работы обучали алгоритмы на существующих шаблонах, что давало выигрыш в скорости, но не освобождало от ограничений, заложенных человеком.
Мы хотели иного — полностью отказаться от готовых топологий и дать алгоритму возможность создавать архитектуры с чистого листа. Ведь даже самое быстрое моделирование требует много ресурсов и времени, а для широкополосных схем зачастую вообще нет шаблонов.
Наш подход кардинально отличается от традиционной оптимизации, где лишь подгоняются параметры под заданную человеком структуру. Здесь система начинает с нуля и шаг за шагом наращивает схему, исследуя пространство решений и оценивая компромиссы. Поскольку она не скована предвзятостью, рождаются совершенно новые топологии, непохожие на творения человека.
В этом есть сходство с AlphaGo Zero, которая достигла сверхчеловеческого уровня не через обучение на партиях людей, а играя сама с собой. Наш алгоритм тоже осваивает схемотехнику и электромагнетизм через собственные стратегии и их оценку.
Обратное проектирование для RFIC
Чтобы реализовать эту возможность, мы действовали в два этапа. Сначала разработали систему на основе обучения с подкреплением (RL), которая определяет оптимальную архитектуру, топологию, параметры устройств и характеристики электромагнитных интерфейсов. Агент тренируется подобно игровому ИИ: пробуя разные комбинации, он учится связывать свои «действия» с достигаемыми показателями. Через несколько дней обучения он способен проектировать схемы очень быстро.
Затем следовало найти физическую структуру электромагнетиков чипа — ту самую «водопроводную» часть, реализующую заданные свойства пассивных компонентов. Эти свойства описываются s-параметрами, которые показывают, идёт ли сигнал вперёд или отражается назад. Определение структуры по требуемым s-параметрам — классическая задача обратного проектирования. Но в RFIC она осложняется тем, что нужно одновременно учитывать поведение схемы и электромагнитные отклики соединений.
Мы заменили обычный симулятор на эмулятор на базе ИИ — свёрточную нейросеть. Обученная на тысячах случайных пиксельных структур с известными s-параметрами, она предсказывает поведение поля для любой двумерной формы за миллисекунды, минуя расчёт уравнений Максвелла. Это ускоряет итерации на порядки.
Генеративный ИИ для электромагнитных цепей
Соединив RL обратного проектирования и AI-эмулятор, мы получили сквозной ИИ-проектировщик и попросили его создать усилитель мощности.
Нетрадиционные RF-архитектуры
В 2023 году мы опубликовали доказательство концепции — усилитель мощности миллиметрового диапазона от 30 до 100 ГГц, перекрывающий основные частоты 5G и радаров. Итоговая конструкция показала рекордное сочетание полосы пропускания, выходной мощности и эффективности для кремниевого усилителя.
Электромагнитные дорожки чипа выглядели совершенно непривычно: не симметричные, а похожие на QR-код или случайный узор. Поскольку ИИ не учился на человеческих шаблонах, он породил топологию без оглядки на традиции.
Неожиданным открытием стало то, что привычные шаблоны далеко не оптимальны для современных задач. Конечно, человек может придумать удачный дизайн, но снятие шаблонных ограничений и быстрый синтез позволяют ИИ ломать барьеры и расширять возможности RFIC.
Наш первый усилитель имел один вход и один выход. Добавление портов резко усложняет картину: два порта дают 4 s-параметра, четыре — уже 16. Справится ли модель? Мы обучили её на структурах с многими портами и в 2024 году показали, что многопортовые интегральные схемы тоже не проблема: там, где раньше уходили дни и недели, AI создавал структуры за минуты. С тех пор множество групп по всему миру продемонстрировали мощь обратного проектирования в RFIC.
Объединив RL и обратное проектирование, мы научились создавать готовые к производству топологии — от спецификации до размещения на кристалле. Это работает для малошумящих усилителей, субтерагерцовых и широкополосных усилителей мощности, и мы надеемся, что и для других схем.
Как сделать AI-схемы понятными
Мы стремились улучшить и упростить проектирование, но не хотели лишать его понимания. Отладка чипов — долгий и сложный процесс, и инженерам нужны интерпретируемые структуры, чтобы разбираться в возможных проблемах. Поэтому мы обратились к диффузионным моделям, известным по впечатляющим генераторам изображений.
Представьте, что вы просите нейросеть нарисовать небо в стиле Пикассо, Ван Гога или Микеланджело. Вы получите разные по стилистике, но по-прежнему небо. В электромагнетике похоже: множество структур дают близкие s-параметры. Только на вход мы подавали не текст, а s-параметры, а на выходе получали топологию чипа. В один из вариантов диффузионной модели мы добавили регулятор пространственной частоты: поворачивая его, разработчик может выбрать структуру с низкой (классический, понятный вид), средней (лабиринтообразный) или высокой (пиксельный, произвольной формы) частотой.
Весь процесс от задания параметров до результата занимает около 6 минут. Так алгоритмы теперь могут не только находить принципиально новые архитектуры, но и быстро генерировать привычные «классические» варианты.
От RF-дизайнера требуется лишь указать реализуемый набор s-параметров — и модель, словно торговый автомат, выдаст соответствующую структуру.
Будущее AI-проектирования RFIC
Наши результаты привлекли внимание RF-сообщества. Традиционный «снизу-вверх» процесс начинает разворачиваться. Но остаются вопросы: насколько универсальны эти методы? Всегда ли они дают высокую производительность? Сможет ли AI создавать конструкции, в которых все компромиссы максимально сбалансированы и каждый параметр доведён до физического идеала? Мы хотим распространить этот подход за пределы RFIC и изобретать принципиально новые виды схем.
Пока мы далеки от этого. AI может «галлюцинировать» — порождать неработоспособные схемы, что требует контроля со стороны человека. Хотя такие случаи редки, их число нужно снижать.
История подсказывает: для качественного скачка нужны большие данные. До появления ImageNet с 14 миллионами размеченных изображений системы распознавания работали плохо. Массивы данных породили революцию, позволившую AI обобщать. Если мы хотим универсальную фундаментальную модель для RFIC и аналоговых схем, нужны такие же объёмы данных.
Хорошая новость: этих данных много. Ежедневно в компаниях и лабораториях моделируются похожие RF-схемы и пассивные структуры. Плохая: всё это закрыто соглашениями о неразглашении.
Открытые экосистемы двигали вперёд другие области, и мы считаем, что RFIC-сообщество должно поступить так же. Были подвижки: программа R&D в рамках U.S. CHIPS and Science Act через оператора Natcast должна была укрепить инфраструктуру для беспроводных, сенсорных и оборонных технологий. К сожалению, и сама организация, и её специализированная программа по машинному обучению и RFIC были закрыты.
Но импульс, заданный Natcast, не угас. Опираясь на ранние работы, исследователи по всему миру уже добились впечатляющих успехов. AI-проектирование микросхем — часть широкого технологического сдвига. От биологии до аэрокосмоса ИИ переосмысливает создание сложных систем. Глубокое сотрудничество между AI-специалистами и разработчиками чипов раскроет потенциал полностью. Если мы всё сделаем правильно, этого джинна обратно в бутылку не загнать.