射频集成电路 (RFIC) 的设计长期以来被视为一种依赖经验的“黑魔法”，阻碍了 5G 和自动驾驶等无线技术的发展。研究人员正通过强化学习、逆向设计和扩散模型训练 AI，使其能从零开始快速生成高性能的 RFIC 布局。这种方法不仅将数月甚至数年的设计周期缩短至几分钟，还创造了新的性能记录。要让 AI 在芯片设计领域发挥更大作用，未来必须建立共享的大规模芯片数据集和开放的生态系统，并始终保持人类工程师的监督与验证。
射频设计的“黑魔法”
如果没有过去三十年的无线技术，我们的生活将截然不同。手机、流媒体服务、卫星通信和自动驾驶等技术都依赖于射频集成电路（RFIC）来收发信息。
然而，与高度标准化的数字芯片（如 CPU）设计不同，RFIC 的设计仍然更像一门艺术，甚至是一种“黑魔法”。
- 跨领域的复杂性: 设计师必须同时处理电磁学、热力学和力学等多个物理领域的规律。
- 相互冲突的优先级: 各种设计决策相互影响，优化一个参数往往会牺牲另一个，这使得找到最佳方案变得极其困难。
- 巨大的设计空间: 微小的失误就可能导致芯片失效，这使得设计过程充满了不确定性。
这种依赖少数专家经验的模式，其缓慢的进度已无法满足现代技术快速发展的需求。
传统的设计迷宫
想象一下设计一个用于 5G 手机的功率放大器，这个过程如同盖房子，但要复杂得多。
- 选择模板: 工程师从一个包含电路架构和拓扑结构的现有模板库中开始。这些模板是前人经验的结晶。
- 权衡利弊: 每个模板都有其优缺点，例如高增益可能牺牲稳定性，高效率可能牺牲输出功率。没有一个完美的选项。
- 漫长的迭代: 工程师需要凭直觉和经验，创建多个版本进行模拟和测试，试图找到性能的“甜蜜点”。这个过程就像“把一张过大的地毯塞进太小的房间”，压下一个角，另一个角又会弹起来。
- 阻抗匹配难题: 在高频下，信号在不同元件间传递时，如果连接不当，能量会反射回去而不是向前流动。工程师必须设计出微观的“适配器”来解决这个问题。
整个过程耗时数月，成本高昂，并且严重依赖设计师的个人技艺。这种传统方法已经达到了其能力的极限。
人工智能从零开始学习
研究人员没有让 AI 去优化现有的人类模板，而是让它从零开始探索。这种方法类似于 AlphaGo Zero 通过自我对弈来学习围棋，而不是学习人类棋谱。AI 通过探索无数电路组合，自主学习电路、电磁学以及它们之间的复杂关系。
这种方法的目标是让算法完全从头确定架构、电路和电磁无源器件的每一个参数。
这个过程分为两个阶段：
强化学习 (RL) 定义蓝图: AI 像玩游戏一样，通过不断尝试不同的电路组合并观察其性能结果，来学习如何设计有效的电路。训练完成后，AI 可以在极短时间内生成优化的电路架构和拓扑结构。
逆向设计构建实体: 传统方法是先构建再测试，而逆向设计则是从期望的性能指标（如散射参数）出发，反向推导出实现该性能所需的物理结构。为了加速这一过程，研究人员用一个基于卷积神经网络 (CNN) 的 AI 模拟器取代了耗时的物理仿真工具，将原本需要数小时的计算缩短到毫秒级。
超越常规的高性能设计
通过结合强化学习和逆向设计，AI 已经能够完成从指定性能到可制造布局的端到端设计。
- 创纪录的功率放大器: AI 设计出的一款 30-100 GHz 毫米波功率放大器，在带宽、输出功率和效率方面均达到了当时硅基放大器的最佳组合。
- 非人类的布局: AI 生成的电路布局看起来像随意的图案或二维码，完全不同于人类设计师偏爱的对称、规则结构。这表明，我们长期依赖的设计模板可能远非最佳选择。
- 处理复杂结构: AI 同样能高效设计具有多个输入输出端口的复杂电路，这类设计在过去需要数周的模拟时间，而 AI 只需几分钟。
AI 驱动的综合设计可以打破传统的设计壁垒，推动射频集成电路的能力极限。
让 AI 的设计变得可以理解
尽管 AI 设计的芯片性能优越，但其“黑箱”特性给芯片的测试和调试带来了困难。工程师更喜欢结构清晰、易于理解的设计。
为了解决这个问题，研究人员引入了扩散模型，这正是驱动 DALL-E 等文生图工具的底层技术。
- “风格”可调的设计: 设计师可以将期望的性能参数作为“提示”输入模型。
- 控制设计风格: 模型提供一个“旋钮”，允许设计师选择最终结构的“空间频率”——从低频（类似经典、易于理解的结构）到高频（像素化、形状任意的结构）。
- 快速生成: 无论选择哪种风格，模型都能在约 6 分钟内生成一个满足性能要求的物理结构。
这使得 AI 不仅能发现全新的架构，还能快速生成传统的、易于理解的设计。
未来的发展之路
AI 驱动的设计流程正在颠覆传统的自下而上的方法，但挑战依然存在。
- AI 幻觉: AI 偶尔会“幻觉”出无法工作的坏电路，因此人类的验证和监督仍然不可或缺。
- 数据瓶颈: 正如 ImageNet 数据集开启了图像识别的革命，射频设计领域也需要一个大规模、共享的芯片数据库，才能训练出能理解通用物理规律的基础模型。目前，这些宝贵的数据都被锁在各公司的保密协议之后。
- 开放生态: 推动这一领域发展的关键在于开放的生态系统和更深入的合作。AI 研究人员和芯片设计师的紧密协作将释放该领域的全部潜力。