AI正在设计人类无法想象的无线电芯片

# AI 学会射频集成电路设计的“黑暗艺术” 来源：https://spectrum.ieee.org/ai-radio-chip-design ## 摘要 - 射频集成电路设计是一门复杂的“黑暗艺术”，限制了 5G、自动驾驶汽车和卫星通信等无线技术的发展。 - 普林斯顿大学的研究人员利用强化学习和逆向设计，从零开始快速生成射频集成电路。 - 扩散模型能快速生成新颖或可人工解读的射频布局，实现创纪录的性能并大幅缩短设计时间。 - 未来进步需要大型共享芯片设计数据集和开放生态系统，以便 AI 学习通用的电磁与电路行为。 **花点时间**想象一下，如果没有过去三十年的无线技术进步，你的生活会是什么样。 你的行李丢了？真可惜，AirTags 还没被发明出来。航空公司代表承诺会打电话通知你最新情况，所以你就守在厨房电话旁漫长地等待吧——因为还没有买得起的手机。你只能听收音机里放什么，因为根本没有流媒体服务。更别提那些电影的剧情会因此被剧透。 这只是无线技术在你日常生活中发挥作用的一小部分。它对供应链、基础设施以及经济运行方式的影响已经改变了整个世界。 而这一切都离不开射频集成电路——正是它们让我们所有的设备能够悄无声息地发送和接收信息。 现在想象一下这项技术的进一步发展会带来什么：广泛的自动驾驶汽车、量子通信、6G 移动服务和卫星通信。持续的发展动力将依赖于比当前射频芯片更新、更先进的版本。 但问题就在这里。虽然世界上大多数计算芯片的设计已经标准化为一门科学，但射频设计却顽固地停留在艺术的领域——甚至是一门只有经过多年经验才能掌握的黑暗艺术。任何一位“巫师”都会告诉你，黑暗艺术有它自己的节奏。而这个节奏不仅阻碍了射频芯片设计本身的进步，也阻碍了所有依赖它的其他技术。 大约七年前，在 AlphaGo 击败围棋世界冠军李世石之后，我在普林斯顿大学的学生和我开始思考：能否教会 AI 这门艺术？最近的成功表明，在很大程度上，答案是肯定的。过去几年里，我们的团队和该领域的其他领先者已经开始开发基于机器学习的射频集成电路设计算法方法。其中一些设计出的芯片看起来更像现代艺术，而不是电路布局。然而，在许多情况下，物理原型在性能上超越了最先进的电路。但真正的成就在于，AI 构思一个可行设计所花的时间比人类设计师少了好几个数量级。 这不仅仅是关于一两个射频芯片。AI 驱动的设计可能成为未来所有射频设计的基石，甚至远不止于此。 那么，为什么这些芯片都必须手工设计？为什么射频集成电路不能像 CPU 和 GPU 那样通过算法综合流程来设计呢？ 射频集成电路的设计是跨多个物理域的工程实践。麦克斯韦方程组在不同空间和时间尺度上运作，决定了电磁场如何与有源和无源器件相互作用，而这些器件必须经过精心协同设计，芯片才能正常工作。此外还有热力学定律，决定了运行期间热量如何产生和散去，以及热胀冷缩的力学原理，决定了芯片及其封装在温度变化下的可靠性。 同时考虑所有这些物理约束，使得设计空间几乎大得不可思议。每一个决策都涉及复杂的、常常相互竞争的优先级，导致任何一项都无法单独优化。 为了更好地理解这个问题，让我们一步步走过设计流程，之后你就会明白为什么一个新的芯片设计需要数年时间和数千万到数亿美元。 [图片说明：微芯片裸片的彩色特写，显示复杂的电路和连接焊盘] [图片说明：金色微芯片电路的密集图案化元件特写] [图片说明：带有复杂金色电路图案和焊盘的微芯片裸片特写] [图片说明：深色背景上带有复杂金色电路的微芯片裸片特写] [图片说明：深色背景上复杂金色微芯片电路图案的特写] [图片说明：显微镜下的金色微芯片电路特写，带有编号框架“6”] 射频集成电路的大部分面积被复杂的电磁结构所占据。人类设计的射频集成电路，如这款宽带功率放大器[1]，从模板开始，遵循对称、可理解的模式。但摆脱了人类设计模板的限制以及人类理解电磁结构原理的需要后，功率放大器集成电路[2-5]和低噪声放大器[6]可以呈现出真正奇特但高效的设计。——SENGUPTA LAB 假设你是一名工程师，负责为 5G 毫米波手机设计一款新的 28 GHz 功率放大器（这是增强手机 5G 信号并将其传输到天线，以便远处基站接收的射频集成电路）。你从哪里开始？ 射频集成电路设计与房屋建造有一些共同之处。就像房屋蓝图规定了要建多少间卧室和浴室以及连接它们的走廊一样，射频集成电路的蓝图——称为架构——规定了射频集成电路需要哪些元件才能实现其预期功能。与房间不同，架构包括例如你的功率放大器需要多少级放大。与走廊不同，它显示了信号通过这些级必须经过的路径。 射频集成电路的蓝图实际上大部分是走廊：无源元件（如电感和传输线）占用的面积远比晶体管等有源元件大得多。 原因如下。你可能亲身经历过，典型的 CPU 晶体管在几 GHz 的工作频率下就会过热。而射频集成电路可以工作的频率高一个数量级——5G 信号为 28 和 39 GHz，卫星通信为 26.5 到 40 GHz 甚至更高，汽车雷达为 77 GHz。在这种频率冲击下，CPU 的晶体管会失效。 射频集成电路的晶体管之所以能避免这种命运，是因为这些芯片通过精心的电磁设计巧妙地管理信号能量。这表现为由金属元件构成的复杂网络，占据了芯片的大部分面积。这些结构几何上规则、通常对称，且构建得如此精细，有时看起来像蕾丝花丝。虽然它们看起来像装饰品，但对芯片的功能至关重要。 从电学角度看，这些“走廊”更像芯片的管道系统。就像管道一样，这个由无源元件构成的庞大迷宫将电磁能量限制在它应该在芯片内传输的地方。 射频集成电路设计的主要挑战在于将所有元件组合起来，确保它们正常工作——就像按照蓝图建造房屋需要精确的承重梁、管道和外墙规格一样。在射频集成电路上，架构需要通过物理上可制造的晶体管和无源元件来实现，这些元件必须以特定方式连接，以便信号在芯片内传输和处理。这些元件局部连接的方式就是我们所说的电路拓扑。 ## 射频集成电路设计流程 因此，要制造那个功率放大器，你的第一步是确定一个候选电路模板：能够通过特定电路拓扑实现特定架构目标的结构组合。多年来，研究人员通过为特定功能开发可重复使用的设计模板来减轻你的负担。例如，模板建议电路需要多少级放大（因为有时将两个较小放大器的输出结合起来，会比单个较大放大器获得更好的带宽和效率）。它们还建议无源结构的一般配置。如今，这类模板已经形成了一个庞大的库。 然而，这些模板不能直接拿来就用，因为每个模板都有权衡取舍。有些增益更好，但牺牲稳定性；有些带宽更宽，但牺牲效率；还有些能效更高，但牺牲输出功率，等等。很少有明确的“最佳选择”。 为了达到这些不同参数平衡优化的“最佳点”，设计师通常会利用他们在多年培训中积累的直觉和方法，设计出几种不同的电路版本。 挑战在于，关于架构、电路拓扑或电磁无源元件的决策不能分开进行。一个决策会影响其他决策。因此，设计射频电路常常感觉像试图把一张过大的地毯塞进一个太小的房间——压下一个角，另一个角就会翘起来。 在微波和毫米波频率下，最小的失误也会导致芯片工作与否的差别，而且可能出问题的地方数不胜数。例如，当电磁波遇到晶体管或任何其他元件时，它传播的路径必须与后续部分正确“匹配”。否则，部分能量会向后反射而不是向前传播。想象一下试图将高压消防水带直接连接到窄花园软管上。没有合适的接头，水会在连接处向后飞溅，很少能通过。在电子学中，这称为阻抗匹配问题。 为了防止这些反射，工程师设计了特殊的过渡结构——本质上就是微小的适配器——来平滑元件之间的过渡。在芯片上，这些适配器可能出奇地复杂。它们不仅传递信号，还可以在精确控制的时序和强度下分割、合并或分配到多条路径。 完成架构、管道以及中间所有步骤后，就到了关键时刻。你在这个巨大设计空间中做出的所有选择是否产生了一款符合规格的射频集成电路？如果不符合规格，你就必须回头，要么重做拓扑，要么重做整个架构，然后重复整个过程。所以准备好进行数月的、耗费大量时间和资源的仿真和迭代吧。也许你现在明白了为什么几十年来射频集成电路界一直坚持一个核心理念：“射频设计是一门艺术”。据说只有经验丰富的设计师——对手工艺般理解各部分如何构成整体的设计师——才能掌握模拟和射频设计的微妙之处。不幸的是，这种根深蒂固的观念长期以来一直阻碍着该领域的算法创新，而恰恰在此时我们最需要这些创新。随着这些系统复杂性的不断增长，传统的、手工艺式的射频集成电路设计正在触及极限。 ## 用于射频集成电路设计的 AI 当射频集成电路设计师继续与他们的“超大号地毯”问题作斗争时，一系列有趣的发展出现在相关学科中。在蛋白质折叠和气候建模等许多先前难以解决的问题中，AI 已经能够成功地在多维复杂空间中导航。这激励我们深入研究用于射频的 AI。毕竟，蛋白质折叠的组合复杂度与我们领域设计空间的本质并没有太大不同。 我们并不是第一个想到用人工智能来加速射频集成电路设计部分环节的人。此前，研究人员已经在电路模板上训练机器学习算法，希望加快常规优化过程。虽然这种方法在优化模板方面无疑比人类快，但它仍然从根本上依赖于人类发明的现有设计库。 我们不想要那样。我们希望摆脱预制拓扑的限制。因为虽然设计师的经验和来之不易的启发性知识对于构建一个可行的设计至关重要，但它们也对其施加了基本限制。此外，这种方法必然需要将仿真步骤作为优化周期的一部分，而即使是最快的仿真也会消耗大量计算资源。更糟糕的是，在许多高级情况下，例如宽带设计，根本没有现成的模板。 但如果我们不从模板开始，那该从哪里开始呢？ 这里的目标是让算法完全从头开始确定架构、组成电路和电磁无源元件的每一个参数。这种方法与传统优化根本不同，传统优化仅限于确定参数——例如晶体管尺寸和无源元件几何形状——以优化最初由人类设计的结构。 在我们的新方法中，架构基本上从零开始，并通过连续的迭代逐步组装起来。系统通过生成无数候选电路组合并绘制出由此产生的性能权衡来探索设计空间。由于该过程不受先前人类设计选择的影响，因此可以产生与人类设计师创建的电路拓扑截然不同的全新电路拓扑。 在某些方面，这种方法与 AlphaGo Zero 等 AI 系统相呼应——它之所以达到超人水平，不是因为它接受了人类对局训练，而是因为它通过与自己对弈来探索规则。类似地，我们的算法通过探索和评估自己的设计策略来开发新的电路架构。在此过程中，它学会理解电路、电磁学以及它们为实现射频集成电路端到端设计所需的紧密协同设计。 ## 射频集成电路的逆向设计 为了实现这一能力，我们分两个阶段进行。首先，我们开发了一个强化学习框架，用于确定最优系统……