對(duì)人類(lèi)工程師而言，設(shè)計(jì)復(fù)雜的無(wú)線芯片是數(shù)周乃至數(shù)月的工程量，但去年12月30日發(fā)表在《自然通訊》上的文章指出，AI如今可以在幾小時(shí)內(nèi)完成，而且采取了一種與人類(lèi)完全不同的方式。

論文鏈接：https://www.nature.com/articles/s41467-024-54178-1

這項(xiàng)研究的重點(diǎn)是毫米波（mm-Wave）無(wú)線芯片，常被用于手機(jī)中的5G調(diào)制解調(diào)器。由于其高度復(fù)雜性和進(jìn)行微型化的需要，這些芯片給制造商帶來(lái)了很大的挑戰(zhàn)。

無(wú)線芯片設(shè)計(jì)：在海量可能性中尋找最優(yōu)解

無(wú)線芯片是將計(jì)算機(jī)芯片中的標(biāo)準(zhǔn)電子電路，與天線、諧振器、信號(hào)分路器、合路器以及其他電磁結(jié)構(gòu)等元件結(jié)合起來(lái)的產(chǎn)物。

這些元件的組合將會(huì)被放置在每一個(gè)電路模塊中，經(jīng)過(guò)精心的手工制作和協(xié)同設(shè)計(jì)，以實(shí)現(xiàn)最佳運(yùn)行效果。這種方法還會(huì)擴(kuò)展到其他電路、子系統(tǒng)和系統(tǒng)中，使得設(shè)計(jì)過(guò)程變得極其復(fù)雜和耗時(shí)，尤其是在現(xiàn)代高性能無(wú)線通信、自動(dòng)駕駛、雷達(dá)和手勢(shì)識(shí)別等應(yīng)用背后的芯片設(shè)計(jì)中。

設(shè)計(jì)這樣的芯片，需要將多個(gè)元件組合起來(lái)。傳統(tǒng)的設(shè)計(jì)方法依賴于基于直覺(jué)的標(biāo)準(zhǔn)模板和有限的參數(shù)集，隨后通過(guò)耗時(shí)的參數(shù)掃描，調(diào)整眾多芯片的組件間的電路拓?fù)洌詢?yōu)化電路的性能，讓設(shè)計(jì)出的電路具有新的特性。

雖然有固定的模板和參數(shù)集可供參看，但無(wú)線芯片的設(shè)計(jì)空間實(shí)際上非常廣闊，很難理解。

先進(jìn)芯片中的電路如此微小，幾何結(jié)構(gòu)如此精細(xì)，以至于芯片可能的配置數(shù)量甚至都超過(guò)了宇宙中的原子數(shù)量。人類(lèi)無(wú)法理解這種復(fù)雜性，所以設(shè)計(jì)師們不會(huì)嘗試去理解，因此他們從底部開(kāi)始構(gòu)建芯片，根據(jù)需要添加組件并在構(gòu)建過(guò)程中調(diào)整設(shè)計(jì)，也就是所謂的「逆向設(shè)計(jì)」。

基于深度學(xué)習(xí)的逆向設(shè)計(jì)有多香

基于人工智能的「逆向設(shè)計(jì)」方法原理類(lèi)似，也是從所需的屬性開(kāi)始，根據(jù)這些屬性進(jìn)行芯片設(shè)計(jì)。但這套方法的核心不是人類(lèi)，而是深度學(xué)習(xí)模型，具體來(lái)說(shuō)是卷積神經(jīng)網(wǎng)絡(luò)（CNN）。它的運(yùn)作邏輯分為兩步：

第一步：前向建模

首先通過(guò)各種幾何形狀電路的模擬結(jié)果，訓(xùn)練一個(gè)CNN網(wǎng)絡(luò)，用來(lái)預(yù)測(cè)任意形狀電磁結(jié)構(gòu)的散射參數(shù)和輻射特性。傳統(tǒng)方法要靠電磁仿真計(jì)算出這些參數(shù)，但CNN直接「猜」，還猜得賊準(zhǔn)。

深度學(xué)習(xí)驅(qū)動(dòng)的高頻率電路逆向設(shè)計(jì)

關(guān)鍵點(diǎn)在于，這個(gè)CNN模型不僅快，還能泛化。研究人員發(fā)現(xiàn)，它能設(shè)計(jì)出訓(xùn)練數(shù)據(jù)里沒(méi)有的結(jié)構(gòu)，比如一個(gè)24-80GHz帶寬范圍內(nèi)的功率分配器，在帶寬、幅度平衡和總傳輸率上實(shí)現(xiàn)了更好的平衡，性能比訓(xùn)練集里的最佳結(jié)果還好（如下圖b所示）。

基于深度學(xué)習(xí)設(shè)計(jì)得到的電路，在兩種情況下均優(yōu)于訓(xùn)練數(shù)據(jù)中的最佳結(jié)果。這表明基于深度學(xué)習(xí)的模型具有泛化能力，并且逆向合成方法能夠成功地在設(shè)計(jì)空間中進(jìn)行采樣

第二步：逆向合成

利用深度學(xué)習(xí)驅(qū)動(dòng)的穩(wěn)健電磁仿真器，可以消除耗時(shí)且資源密集型的電磁仿真需求，從而可以在任意結(jié)構(gòu)和電路的大型設(shè)計(jì)空間中快速合成，并通過(guò)優(yōu)化算法實(shí)現(xiàn)。

這可以通過(guò)遺傳算法、模擬退火等啟發(fā)式算法，生成式模型（如自編碼器）或串聯(lián)神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)，也可以將預(yù)測(cè)模型與生成式AI框架或強(qiáng)化學(xué)習(xí)（RL）結(jié)合。

例如，該研究就在前向預(yù)測(cè)模型的基礎(chǔ)上，使用遺傳算法和反向搜索，找到滿足目標(biāo)特性的幾何結(jié)構(gòu)。比如，要求設(shè)計(jì)一個(gè)50-60GHz帶寬范圍內(nèi)的帶通雙端口濾波器，模型幾分鐘內(nèi)就能吐出一個(gè)300×300μm的設(shè)計(jì)。

下表展示了幾個(gè)使用人工智能設(shè)計(jì)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(guò)去所需數(shù)周的工作，變?yōu)橹恍鑾追昼娋湍芡瓿伞?/span>

深度學(xué)習(xí)啟用的逆設(shè)計(jì)與基于電磁模擬進(jìn)行啟發(fā)式優(yōu)化設(shè)計(jì)的時(shí)間和資源對(duì)比

相比以往最好的標(biāo)準(zhǔn)芯片，然而這些設(shè)計(jì)呈現(xiàn)出顯著的性能改進(jìn)，可以更好地完成工作任務(wù)；然而，人類(lèi)可能無(wú)法真正理解這些由AI設(shè)計(jì)出的芯片，它們多缺乏直觀性，不太可能是人類(lèi)思維的產(chǎn)物。

例如，由AI設(shè)計(jì)出的更節(jié)能的電路方案，有可能在目前無(wú)法實(shí)現(xiàn)的龐大頻率范圍內(nèi)運(yùn)行，在某些情況還能創(chuàng)建當(dāng)前技術(shù)無(wú)法合成的結(jié)構(gòu)。這意味著「AI設(shè)計(jì)師」不僅提高了效率，還解鎖了超出工程師能力范圍的設(shè)計(jì)圖紙。

該研究的通訊作者，印度理工學(xué)院孟買(mǎi)分校電氣工程系的Uday Khankhoje指出：「這項(xiàng)工作提出了對(duì)未來(lái)極具說(shuō)服力的愿景……AI 不僅加速了曾經(jīng)很耗時(shí)的電磁模擬，還使我們能夠探索一個(gè)此前未被探索的設(shè)計(jì)空間，并交付了違反常規(guī)經(jīng)驗(yàn)法則和人類(lèi)直覺(jué)的高性能設(shè)備。」

隨著對(duì)微型化的需求的不斷增長(zhǎng)，無(wú)線芯片將變得越來(lái)越重要，因此這項(xiàng)研究可以說(shuō)是給毫米波電路設(shè)計(jì)注入了一劑強(qiáng)心針。

該研究似乎再一次證實(shí)，AI不僅能加速創(chuàng)新，還擴(kuò)展了可能的邊界。雖然本研究的重點(diǎn)局限于射頻和亞太赫茲頻率（sub-terahertz）的集成電路，但AI驅(qū)動(dòng)的設(shè)計(jì)原則可以擴(kuò)展到計(jì)算機(jī)芯片甚至量子計(jì)算。

人類(lèi)完全不理解的設(shè)計(jì)，可信嗎

Uday Khankhoje指出，雖然AI設(shè)計(jì)達(dá)到了如此高超的水平，但人類(lèi)仍然在芯片設(shè)計(jì)的過(guò)程中扮演著關(guān)鍵角色，部分原因是AI將芯片視為單一的產(chǎn)物而非整個(gè)工程流水線上的一環(huán)，因此會(huì)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(lèi)似于生成式AI模型會(huì)產(chǎn)生的「幻覺(jué)」。

因此，即使「AI設(shè)計(jì)師」如此強(qiáng)悍，也需要一定程度的人類(lèi)監(jiān)督，糾正其中存在的不足，甚至是「陷阱」。

這項(xiàng)研究的關(guān)鍵并不是用工具取代人類(lèi)設(shè)計(jì)師，而是要用新工具來(lái)提高生產(chǎn)力——「人類(lèi)的思維最適合用來(lái)創(chuàng)造或發(fā)明新的事物，而那些瑣碎的、實(shí)用的工作可以交給這些工具來(lái)處理。」

和自動(dòng)駕駛、AI診斷類(lèi)似，AI設(shè)計(jì)芯片同樣會(huì)引出黑箱問(wèn)題，即對(duì)于我們無(wú)法理解的芯片設(shè)計(jì)，如果出了問(wèn)題該怎么辦。

大多數(shù)情況下，我們?nèi)匀粺o(wú)法了解AI是如何得出其設(shè)計(jì)方案的，這使得工程師難以在所有條件下完全理解或預(yù)測(cè)這些電路的行為。這種「黑箱」性質(zhì)可能會(huì)導(dǎo)致未預(yù)見(jiàn)的故障或漏洞，特別是在醫(yī)療設(shè)備、自動(dòng)駕駛車(chē)輛或通信系統(tǒng)等關(guān)鍵應(yīng)用中。

此外，如果出現(xiàn)故障，追蹤和修正問(wèn)題可能比在人類(lèi)手動(dòng)設(shè)計(jì)的系統(tǒng)中更為復(fù)雜。從實(shí)際角度來(lái)看，過(guò)度依賴AI也可能會(huì)侵蝕人類(lèi)設(shè)計(jì)師的基礎(chǔ)知識(shí)和技能，造成專(zhuān)業(yè)知識(shí)的缺口。