請花點時間試著想像一下，如果沒有過去三十年無線技術的進步，你的生活會是什麼樣子。
行李丟了嗎？真可惜行李標籤還沒發明出來。航空公司代表承諾會打電話通知最新情況，所以你只能在廚房電話旁耐心等待了，因為這裡沒有便宜的手機。等待的時候，你只能聽聽廣播，因為這裡沒有串流媒體服務。更別提有多少電影劇情會因此被劇透了。
這只是無線技術如何影響你日常生活的冰山一角。它對供應鏈、基礎設施和經濟運行方式的影響已經徹底改變了世界。
如果沒有射頻積體電路，這一切都不可能實現，正是這些積體電路使我們所有的裝置能夠悄無聲息地傳送和接收資訊。
現在想像一下這項技術的進一步發展將會帶來什麼：自動駕駛汽車的廣泛應用、量子通訊、6G移動通訊和衛星通訊。而這種持續發展勢頭將取決於更新、更先進的射頻晶片的出現。
但問題就在這裡。雖然世界上大多數電腦晶片的設計已經標準化，發展成為一門獨立的科學，但射頻設計卻始終固守著藝術的範疇。甚至可以說是一門神秘的藝術，只能通過多年的經驗積累才能掌握。正如任何一位巫師都會告訴你的那樣，神秘的藝術自有其運行規律。而這種規律不僅阻礙了射頻晶片設計的發展，也阻礙了所有其他依賴於射頻晶片設計的技術的進步。
大約七年前，在AlphaGo戰勝圍棋世界冠軍李世石之後，我和普林斯頓大學的學生開始思考：人工智慧是否也能掌握這門藝術？近期的成功表明，在很大程度上，它是可以的。過去幾年，我們團隊和該領域的其他領軍人物開始開發基於機器學習的演算法方法來設計射頻積體電路（RFIC）。一些最終得到的晶片看起來更像是現代藝術品，而非電路佈局。然而，在許多情況下，這些物理原型在性能方面超越了最先進的電路。但真正的成就在於，人工智慧構思出一個可行的設計所需的時間比人類設計師少了幾個數量級。
這不僅僅關乎一兩款射頻晶片。人工智慧賦能的設計可能是未來所有射頻設計的發展方向，甚至可能影響更廣泛的領域。
射頻積體電路設計的奧秘
那麼，為什麼這些晶片都必須手工打造呢？為什麼射頻積體電路的設計不像CPU和GPU那樣採用演算法綜合流程呢？
射頻積體電路（RFIC）的設計是一項跨越多個物理領域的工程實踐。麥克斯韋方程組在不同的空間和時間尺度上運行，支配著電磁場如何與有源和無源器件相互作用，而這些器件必須經過精心協同設計才能確保晶片正常工作。與此同時，熱力學定律也至關重要，它決定了晶片在運行過程中如何產生和散發熱量，以及熱膨脹和熱收縮的力學原理，這些都決定了晶片及其封裝在溫度變化下的可靠性。
同時考慮所有這些物理限制因素，使得設計空間幾乎大到難以想像。每一個決策都涉及複雜的優先順序，而這些優先順序往往相互衝突，導致任何一項都無法最佳化。
為了更好地理解這個問題，讓我們一起來看看其中涉及的步驟，之後你就會更好地理解為什麼一個新晶片的設計需要數年時間和數千萬到數億美元的投入。
假設你是一名工程師，被指派為一款5G毫米波手機設計一款新的28GHz功率放大器。（這種射頻積體電路可以增強手機上的5G訊號，並將其傳輸到天線，以便遠處的基站能夠接收到這些訊號。）你該從那裡入手呢？
射頻積體電路（RFIC）的設計與房屋建造有一些共同之處。正如房屋藍圖規定了臥室和浴室的數量以及連接它們的走廊一樣，RFIC 的藍圖（稱為架構）確定了 RFIC 實現其預期功能所需的各種元件。架構中不是房間，而是例如功率放大器所需的放大級數；它不是走廊，而是訊號必須經過這些放大級的路徑。
射頻積體電路的設計藍圖實際上大部分是走廊式的；像電感器和傳輸線這樣的無源元件比像電晶體這樣的有源元件佔用的空間要大得多。
原因如下。您可能已經體驗過，普通CPU的電晶體在幾吉赫茲的工作頻率下就會過熱。而射頻積體電路（RFIC）的工作頻率要高得多——5G訊號的頻率為28至39吉赫茲，衛星通訊的頻率為26.5至40吉赫茲甚至更高，汽車雷達的頻率則高達77吉赫茲。在這種高強度的工作下，CPU的電晶體會失效。
射頻積體電路電晶體之所以能避免這種命運，是因為這些晶片巧妙地運用精密的電磁設計來管理訊號能量。這種設計體現在構成晶片大部分空間的複雜金屬元件網路上。這些 結構幾何形狀規整，通常對稱，而且構造極其精巧，有時宛如蕾絲般的鏤空花紋。雖然它們看起來可能很美觀，但對晶片的正常運行至關重要。
從電學角度來說，這些“通道”更像是晶片的管道系統。與管道系統類似，這種龐大的被動元件迷宮將電磁能限制在晶片內應該傳輸的區域內。
射頻積體電路 (RFIC) 設計的主要挑戰在於如何將所有這些元件整合在一起，確保它們能夠正常工作，就像根據藍圖建造房屋需要精確定義承重梁、管道和外牆一樣。在射頻積體電路中，架構需要通過物理上可製造的電晶體和無源元件來實現，並且這些元件必須以特定的方式連接，才能使訊號在晶片內傳輸並被處理。這些器件的局部連接方式就是我們所說的電路拓撲結構。
射頻積體電路領域的大部分都由複雜的電磁結構主導。像這種寬頻功率放大器一樣，由人設計的射頻積體電路通常以範本為基礎，遵循對稱且易於理解的模式。但是，擺脫了人為設計的範本的限制，也無需人類理解電磁結構的原理，功率放大器積體電路和低噪聲放大器就可以採用真正奇特而高效的設計。
射頻積體電路設計流程
因此，要設計功率放大器，第一步是確定一個合適的電路範本：即能夠滿足特定架構目標且具有特定電路拓撲的結構組合。多年來，研究人員開發了針對特定功能的可重用設計範本，從而減輕了設計者的負擔。例如，範本可以建議電路需要多少級放大（因為有時，將兩個較小放大器的輸出合併，比使用單個較大放大器能獲得更好的頻寬和效率）。此外，範本還會建議無源結構的總體配置。如今，這類範本已經擁有龐大的庫。
然而，這些裝置不能直接照搬使用，因為每種裝置都有其優缺點。有些裝置增益更高但穩定性較差；有些裝置頻寬更大但效率較低；還有一些裝置能效更高但輸出功率較低，等等。很少有絕對的最佳選擇。
為了達到所有這些不同參數達到最佳平衡的“最佳點”，設計人員通常會設計幾個不同版本的電路，運用他們在多年培訓中積累的直覺和方法。
難點在於，電路架構、電路拓撲結構或電磁無源器件的選擇不能單獨進行，任何一個決定都會影響其他決定。因此，射頻電路的設計常常就像試圖把一張過大的地毯塞進一個過小的房間裡——按壓一個角，另一個角就會彈起來。
在微波和毫米波頻率下，即使是最小的偏差也會導致晶片無法正常工作，而任何環節都可能出錯。例如，當電磁波遇到電晶體或其他任何元件時，其傳播路徑必須與後續元件的阻抗匹配。如果匹配不當，部分能量就會反射回去，而不是向前傳播。想像一下，試圖將高壓消防水帶直接連接到細小的花園水管上。如果沒有合適的介面卡，水會在連接處濺回，只有極少量的水能夠通過。在電子學中，這被稱為阻抗匹配問題。
為了防止這些反射，工程師們設計了特殊的過渡結構，本質上是微型介面卡，用於平滑元件之間的訊號切換。在晶片上，這些介面卡可能非常複雜。它們不僅能傳遞訊號，還能以精確控制的時序和強度，將訊號分割、合併或分配到多條路徑上。
完成架構、電路連接以及所有其他相關工作後，就到了檢驗成果的時刻。您在龐大的設計空間中做出的所有選擇，最終是否都指向了符合規格的射頻積體電路（RFIC）？如果未能滿足規格，您將不得不返工，要麼重新設計拓撲結構，要麼重做整個架構，然後重複整個流程。因此，請做好準備，迎接耗時耗力的數月模擬和迭代。或許您現在明白，為什麼幾十年來，射頻積體電路領域一直秉持著一個核心理念：“射頻設計是一門藝術”。人們常說，只有經驗豐富的設計師——對各個元件如何構成整體有著精深的理解——才能掌握模擬和射頻設計的微妙之處。不幸的是，這種根深蒂固的觀念長期以來阻礙了該領域的演算法創新，而我們恰恰最需要這些創新。隨著這些系統複雜性的不斷增長，傳統的、手工打造的射頻積體電路設計正逐漸達到其極限。
人工智慧在射頻積體電路設計中的應用
當射頻積體電路（RFIC）設計師們仍在與“超大地毯”難題作鬥爭時，相關學科領域湧現出一系列令人矚目的進展。在蛋白質折疊和氣候建模等一系列此前難以解決的問題中，人工智慧（AI）已成功駕馭了多維複雜空間。這促使我們深入研究人工智慧在射頻領域的應用。畢竟，蛋白質折疊的組合複雜性與我們領域內的設計空間本質並無太大差異。
我們並非第一個想到利用人工智慧加速射頻積體電路（RFIC）設計流程的人。此前，研究人員曾利用電路範本訓練機器學習演算法，希望以此加快常規的最佳化過程。雖然這種方法在最佳化範本方面無疑比人類更快，但它仍然從根本上依賴於人類建立的現有設計庫。
我們並不想要那樣。我們想要擺脫預製拓撲結構的束縛。因為雖然設計師的經驗和來之不易的經驗法則對於建構一個可行的設計至關重要，但它們也從根本上限制了設計的發展。此外，這種方法必然需要在最佳化過程中加入模擬步驟，而即使是最快的模擬也會消耗大量的計算資源。更糟糕的是，在許多複雜的應用場景中，例如寬頻設計，根本沒有現成的範本。
但如果我們不從範本入手，那我們該從那裡開始呢？
此處的目的是讓演算法能夠完全從零開始確定架構、組成電路和電磁無源器件的每一個參數。這種方法與傳統的最佳化方法有著本質區別，後者僅限於確定那些最佳化最初由人類設計的結構的參數，例如電晶體尺寸和無源器件幾何形狀。
在我們的新方法中，架構幾乎是從零開始，通過不斷迭代逐步建構而成。系統通過生成無數候選電路組合來探索設計空間，並在探索過程中繪製出由此產生的性能權衡圖。由於該過程不受先前人類設計選擇的影響，因此它可以生成與人類設計師建立的電路拓撲結構截然不同的全新電路拓撲結構。
在某些方面，這種方法與AlphaGo Zero等人工智慧系統有異曲同工之妙。AlphaGo Zero之所以能達到超人般的水平，並非因為它接受過人類棋局的訓練，而是因為它通過與自身對弈來探索規則。類似地，我們的演算法通過探索和評估自身的設計策略來開發新的電路架構。在此過程中，它學會了理解電路、電磁學以及實現射頻積體電路端到端設計所需的緊密協同設計。
射頻積體電路的逆向設計
為了實現這一功能，我們分兩個階段進行。首先，我們開發了一個強化學習（RL）框架，用於確定最優的系統架構、電路拓撲結構、器件參數，甚至連接不同電路元件的電磁介面的特性。在這個階段，該演算法有效地定義了訊號在系統中的傳播和互動方式。
該演算法的訓練方式與電腦學習玩遊戲的方式非常相似。如果讓它玩足夠多次，它可以通過觀察自身操作與得分之間的關係來提高遊戲水平。類似地，這裡的強化學習智能體通過嘗試一系列組合來學習設計高效的電路，並且隨著時間的推移，它可以將電路性能與其架構、拓撲結構和參數之間的關係對應到電路性能上。這種訓練需要幾天到一周的時間，但一旦訓練完成，智能體就能非常快速地設計電路。
下一步是確定積體電路電磁元件的物理結構——也就是電路的組成——它能夠產生無源元件所需的特性，這些特性由一組稱為散射參數的指標來表徵。這些參數衡量的是進入元件的訊號是向前傳播，還是像我們之前用消防水帶和花園水帶的例子那樣，被反射回去而浪費掉。
從所需的散射參數推匯出結構是逆向設計方法的一個例子，這種方法在許多工程領域都有應用。例如，在結構工程中，人們可能會與建築師合作，確定一個物理目標——例如建造具有高挑天花板的大型室內空間——然後確定能夠支撐該空間的拱或扶壁的佈置方式。
但射頻積體電路對逆向設計提出了特殊的挑戰：該過程必須同時考慮電路行為以及連接它們的互連線和無源元件的電磁響應。但它必須在不進行大量手工迭代的情況下解決這個問題。
因此，我們用基於人工智慧的模擬器取代了原有的射頻電路模擬器。這種人工智慧模型能夠預測電磁場穿過任何結構（甚至是任意二維形狀）時的行為，而無需像其他模擬工具那樣從頭開始計算底層物理原理。它可以預測麥克斯韋方程組的解，並告訴你任何你展示的結構的散射參數，而無需實際進行數學運算。有了這樣的人工智慧，原本需要耗費數分鐘甚至數小時才能完成的電磁求解器工作，現在只需幾毫秒即可完成。
我們選擇基於摺積神經網路建構模擬器——這是一種在圖像處理領域取得了顯著成功的機器學習模型。這類網路可以從任何結構中提取空間特徵，而結構的圖像本身就包含大量空間資訊，可以精準預測其電磁性能。隨後，我們使用大量隨機像素化的結構圖像對其進行訓練，這些結構的散射參數均已標註。
一旦我們有了逆向設計強化學習演算法和合適的AI模擬器，我們實際上就擁有了一個端到端的AI設計器。所以我們讓它為我們設計一個功率放大器。
非常規射頻架構
2023年，我們發佈了這項概念驗證——一款面向毫米波頻段（具體頻率範圍為30至100 GHz，涵蓋了大部分相關的5G和雷達頻率）的功率放大器。最終設計實現了當時矽基功率放大器中最佳的頻寬、輸出功率和效率組合——這意味著它能夠在寬廣的頻率範圍內放大大量資料——同時保持創紀錄的效率。
積體電路的電磁通路結構與人類所能想像的任何結構都截然不同。由於人工智慧並未接受過人類設計的訓練，因此最終生成的佈局看起來更像是任意圖案，或者像一個二維碼，而不是我們常見的對稱結構。
這個原型以及我們整體的研究揭示了一個意想不到的發現：沒有證據表明我們過去依賴的範本能夠滿足現代設計目標的最優要求。這並非意味著人類設計師永遠無法設計出更好的方案。但是，如果摒棄範本，不再需要花費大量時間反覆綜合最佳化電路，那麼人工智慧驅動的綜合顯然能夠打破傳統設計的壁壘，並將射頻積體電路（RFIC）的性能推向極限。
我們的 5G 放大器只有一個輸入連接埠和一個輸出連接埠。在設計中加入更多輸入和輸出連接埠並非易事。每個連接埠都與其他所有連接埠存在電磁耦合，因此散射參數會迅速累積。兩個連接埠會產生四個散射參數。四個連接埠則會產生 16 個散射參數。計算很快就會變得非常複雜。我們的模型能夠應對這種情況嗎？
接下來，我們利用具有眾多輸入輸出連接埠的更大規模的電磁結構對模型進行訓練。2024年，我們發表的研究表明，多連接埠積體電路對這些人工智慧演算法來說也毫無難度。以往，多連接埠電磁模擬需要耗費數天甚至數周的時間，而該模型只需幾分鐘即可生成新的結構。此後，全球各地的研究團隊在該領域開展了大量工作，充分展現了逆向設計在射頻積體電路（RFIC）中的強大作用。
通過將強化學習框架與逆向設計相結合，我們現在能夠從技術規格出發，最終生成可用於製造的射頻積體電路（RFIC）佈局。目前，我們已經證明該方法適用於從低噪聲放大器到亞太赫茲和寬頻功率放大器等各種類型的射頻積體電路。我們希望該方法同樣適用於其他電路。
使人工智慧設計可解釋
我們的目標是讓射頻積體電路（RFIC）設計更便捷、更高效，但我們不希望它超出人類的理解範圍。晶片測試和偵錯是一個漫長而艱辛的過程，有時甚至比設計本身還要繁瑣。工程師通常更傾向於使用結構易於理解的積體電路，這樣一旦出現問題，他們就能充分理解晶片的工作原理，從而進行偵錯。
為了建立更易於理解的結構，我們採用了擴散模型，您可能已經瞭解了它，因為它能夠根據文字提示生成逼真的圖像。
想像一下，你打開你最喜歡的圖像生成引擎，讓它創作一幅畢加索、梵高或米開朗基羅風格的天空畫作。你會得到一些圖像，它們捕捉到了這些畫家筆觸、色彩運用和構圖的精髓。儘管都是天空的畫作，但風格各異。
電磁設計與之類似，多種結構可能具有非常相似的電磁響應。我們沒有使用文字輸入，而是使用散射參數作為輸入，並以射頻積體電路晶片的電磁結構作為輸出。作為擴散模型的輸入，我們建立了一個旋鈕，用於設定最終結構的空間頻率。通過旋轉該旋鈕，設計人員可以控制模型合成具有低（外觀經典且易於理解）、中（迷宮狀結構）或高（像素化或任意形狀）空間頻率的結構。
從發出提示到輸出，整個過程大約耗時 6 分鐘。借助這種擴散模型，演算法現在既可以發現新的架構，也可以加速建立傳統的、所謂的經典架構。
射頻積體電路設計人員只需指定幾乎任何一組有效的散射參數即可。只要這些參數在麥克斯韋方程組框架下能夠物理實現，該模型就能像自動售貨機一樣，自動生成相應的結構。
人工智慧驅動的射頻積體電路設計的未來
我們的調查結果引起了射頻領域的關注。傳統的自下而上的設計流程顯然正在發生逆轉。
但仍有一些問題：這些方法的普適性如何？它們能否持續提供真正的高性能？我們能否最終實現人工智慧設計出能夠最大化所有可預見權衡的方案，並將每個參數全面最佳化到最佳物理狀態？我們希望將這種策略應用於射頻積體電路設計之外，創造出與人類以往任何設計都截然不同的其他電路。
這些前景令人振奮且雄心勃勃，但我們尚未達到目標。人工智慧可能會產生錯誤的電路設計，導致電路無法正常工作。這意味著驗證方法仍需人工監督。而且，雖然出現這種錯誤設計的情況很少見，但我們仍應努力減少其發生。
歷史表明，要實現這些未來夢想，我們需要比現在使用的資料量多得多。在 ImageNet 圖像庫（一個包含 1400 萬張不同類型、經人工標註的圖像庫）建立之前，圖像識別模型在現實世界中的表現並不理想。它們之前訓練所用的資料集太小，不足以發揮效用。ImageNet 龐大的訓練資料引發了一場革命，催生了能夠泛化並識別各種實際圖像的人工智慧。剩下的故事，大家都耳熟能詳了。
如果射頻積體電路和模擬電路設計的目標是建立一個通用的基礎模型——一個能夠學習電磁學和電路行為規律的模型——那麼我們也需要資料。
好消息是，這類資料非常豐富。世界各地無數企業和學術實驗室的工程師每天都在模擬幾乎相同的射頻電路和無源結構。壞消息是，所有這些資料都被保密協議嚴密保護著。
開放的生態系統推動了其他領域的發展，我們認為射頻積體電路（RFIC）領域也應該如此。此前，這方面已經取得了一些進展。美國晶片與科學法案研發項目的營運方Natcast ，本應加強下一代無線、感測和國防技術的共享基礎設施和創新。遺憾的是，該組織及其專門針對機器學習和射頻積體電路的項目都已關閉。
但Natcast的努力所激發的勢頭並未消退。在早期工作的基礎上，整個社區的各個團隊已經取得了顯著進展。人工智慧驅動的積體電路設計是更廣泛的技術變革的一部分。從生物學和材料科學到汽車和航空航天工程，人工智慧正在重塑複雜系統的構思和最佳化方式。人工智慧研究人員和晶片設計師之間更深入的合作將釋放該領域的全部潛力。這絕非板上釘釘，但如果我們做對了，人工智慧的潛力終將釋放。 (EDA365電子論壇)