AI正在設計連人類都無法想像的無線電晶片

摘要重點

• RFIC設計是一門複雜的「黑暗藝術」，長期制約5G、自駕車與衛星通訊等無線技術的進步。
• 普林斯頓大學研究人員運用強化學習與逆向設計，從零開始快速創建射頻積體電路。
• 擴散模型能快速生成全新或人類可理解的射頻電路布局，達到破紀錄的效能，並大幅縮短設計時間。
• 未來進展需要大量共享的晶片設計資料集與開放生態系，讓AI學習通用的電磁與電路行為。

---

請花點時間想像一下，少了過去三十年來無線技術進步的生活會是什麼樣子。

行李遺失了？真可惜，AirTag還沒被發明。航空公司的客服承諾打電話通知最新消息，所以你只能守在廚房的有線電話旁乾等，因為根本沒有平價的行動電話。等待的過程中，你只能收聽廣播，串流服務一概不存在。更不用說有多少電影情節因此而大打折扣。

這只是無線技術在日常生活中影響的一小角。它對供應鏈、基礎設施以及整體經濟運作帶來的改變，可以說是翻天覆地。

而這一切，都少不了讓所有裝置能夠悄無聲息地收發資訊的射頻積體電路（RFIC）。

現在再想像一下，這項技術進一步演進後將帶來什麼：大規模普及的自駕車、量子通訊、6G行動服務與衛星通訊。持續的技術動能，將有賴於比現今更新、更先進的射頻晶片。

但問題就在這裡。當今大多數運算晶片的設計已被標準化為一門科學，射頻設計卻頑固地停留在藝術的領域——甚至是「黑暗藝術」，需要多年經驗才能掌握。這套難以普及的知識不僅拖慢了射頻晶片設計的進度，也拖累了所有依賴它的相關技術。

黑暗藝術：RFIC設計的困境

大約七年前，在AlphaGo擊敗圍棋世界冠軍李世乭之後，我在普林斯頓大學的學生和我開始思考：AI能否也學會這門藝術？近年來的成果顯示，在很大程度上，答案是肯定的。

過去幾年，我們研究團隊與其他領域先驅開始開發以機器學習驅動的演算方法來設計RFIC。部分產出的晶片看起來更像現代藝術，而非電路布局。然而在許多情況下，實體原型在效能上超越了當前最先進的電路。更重要的突破在於：AI構思出一個可運作設計的時間，比人類設計師快了好幾個數量級。

這不只關乎一兩片射頻晶片。AI輔助設計可能是所有射頻設計的未來，甚至影響更廣。

為何RFIC無法自動化設計？

RFIC設計是跨越多個物理領域的工程挑戰。馬克士威方程式（Maxwell's equations）橫跨不同的時空尺度，主導電磁場與主動、被動元件的交互作用；熱力學定律則決定晶片運作時的熱能產生與散逸；材料的熱脹冷縮力學性質也直接影響晶片與封裝的可靠度。

同時考量所有這些物理限制，使得設計空間幾乎大到令人望而卻步。每一個決策都涉及彼此競爭的複雜優先順序，難以對任何單一面向進行最優化。

以設計一款用於5G毫米波手機的28 GHz功率放大器為例——這是一種能強化手機5G訊號並將其傳送至天線的射頻晶片。設計過程包括：

1. 選定架構（Architecture）：決定電路需要幾個放大級、訊號路徑如何安排。
2. 選擇電路拓撲（Topology）：決定主動與被動元件的連接方式。
3. 設計電磁被動結構：包括電感、傳輸線等，這些結構往往佔據晶片大部分面積，形如精密的金屬蕾絲花紋，功能宛如晶片內部的「管線系統」，確保電磁能量只流向該流之處。
4. 阻抗匹配（Impedance Matching）：解決電磁波在不同元件間傳遞時的反射問題，如同為高壓水管與細水管之間設計正確的轉接頭。

上述所有決策無法獨立進行——每一個決定都會影響其他部分。設計射頻電路往往就像試圖把一塊太大的地毯塞進太小的房間：壓下一個角，另一個角就會翹起來。

一旦規格未能滿足，設計師就必須重頭來過，重新調整拓撲甚至整個架構。數月的模擬與反覆迭代，耗費的資源動輒高達數千萬乃至上億美元。這也是為何「射頻設計是一門藝術」的信念在業界根深蒂固了數十年。

AI如何學習設計射頻晶片

當RFIC設計師持續與「太大地毯」的難題搏鬥時，鄰近領域出現了一系列令人振奮的進展——從蛋白質折疊到氣候模型，AI已能成功在多維複雜空間中找到解答。蛋白質折疊的組合複雜度，與射頻設計空間的本質並無太大差異，這給了我們深入探索AI應用於射頻設計的動力。

從零開始，而非從模板出發

過去的研究者曾嘗試在電路模板上訓練機器學習演算法，以加速既有的優化流程。這種方法雖然比人類更快，卻依然根本上依賴人類發明的現有設計庫。

我們不想這樣。我們希望突破預製拓撲的限制。設計師的經驗與啟發式法則固然對建構可運作設計至關重要，卻也同時設下了根本性的上限。此外，對於許多先進案例（如寬頻設計），根本不存在現成模板。

我們的新方法讓演算法從零開始，自主決定架構、組成電路與電磁被動結構的每一個參數。系統藉由生成無數候選電路組合、並映射效能取捨來探索設計空間。由於這個過程不受人類先前設計選擇的偏見影響，它能產生與人類設計師截然不同的全新電路拓撲。

這種方法某種程度上呼應了AlphaGo Zero的精神——其超人表現不是因為學習人類的棋局，而是透過自我探索達成的。

擴散模型的應用

研究團隊進一步運用擴散模型（Diffusion Models），快速生成全新或人類可理解的射頻電路布局，達到破紀錄的效能，並大幅壓縮設計時間。部分AI生成的晶片布局在外觀上令人聯想到現代藝術作品，卻在實際測試中展現出優越的電路效能。

未來展望

AI設計RFIC的潛力已獲得初步驗證，但要實現真正的突破，仍需克服幾項關鍵挑戰：

• 建立大型共享晶片設計資料集：讓AI能學習通用的電磁與電路行為模式。
• 建構開放的生態系：降低研究門檻，加速學術界與產業界的協作創新。
• 持續提升模型泛化能力：使AI不僅能設計特定規格的晶片，更能面對未曾見過的新設計需求。

隨著5G、6G、自駕車雷達與衛星通訊對射頻晶片的需求持續攀升，AI輔助RFIC設計不再只是學術願景，而正在成為推動下一波無線技術革命的關鍵引擎。

---

原文來源： 查看原文