AI逆袭5G芯片设计，几分钟媲美半个月工作量！研究登Nature子刊

新智元报道

编辑：peter东 乔杨

【新智元导读】来自普林斯顿和印度技术学院的学者在《自然通讯》发表论文，他们发现，如果给定设计参数，AI可以在90nm的芯片上设计高性能集成电路。过去这是需要花费数周时间的高技能工作，但如今的AI可以在数小时内完成。

对人类工程师而言，设计复杂的无线芯片是数周乃至数月的工程量，但去年12月30日发表在《自然通讯》上的文章指出，AI如今可以在几小时内完成，而且采取了一种与人类完全不同的方式。

论文链接：https://www.nature.com/articles/s41467-024-54178-1

这项研究的重点是毫米波（mm-Wave）无线芯片，常被用于手机中的5G调制解调器。由于其高度复杂性和进行微型化的需要，这些芯片给制造商带来了很大的挑战。

无线芯片设计：在海量可能性中寻找最优解

无线芯片是将计算机芯片中的标准电子电路，与天线、谐振器、信号分路器、合路器以及其他电磁结构等元件结合起来的产物。

这些元件的组合将会被放置在每一个电路模块中，经过精心的手工制作和协同设计，以实现最佳运行效果。这种方法还会扩展到其他电路、子系统和系统中，使得设计过程变得极其复杂和耗时，尤其是在现代高性能无线通信、自动驾驶、雷达和手势识别等应用背后的芯片设计中。

设计这样的芯片，需要将多个元件组合起来。传统的设计方法依赖于基于直觉的标准模板和有限的参数集，随后通过耗时的参数扫描，调整众多芯片的组件间的电路拓扑，以优化电路的性能，让设计出的电路具有新的特性。

虽然有固定的模板和参数集可供参看，但无线芯片的设计空间实际上非常广阔，很难理解。

先进芯片中的电路如此微小，几何结构如此精细，以至于芯片可能的配置数量甚至都超过了宇宙中的原子数量。人类无法理解这种复杂性，所以设计师们不会尝试去理解，因此他们从底部开始构建芯片，根据需要添加组件并在构建过程中调整设计，也就是所谓的「逆向设计」。

基于深度学习的逆向设计有多香

基于人工智能的「逆向设计」方法原理类似，也是从所需的属性开始，根据这些属性进行芯片设计。但这套方法的核心不是人类，而是深度学习模型，具体来说是卷积神经网络（CNN）。它的运作逻辑分为两步：

第一步：前向建模

首先通过各种几何形状电路的模拟结果，训练一个CNN网络，用来预测任意形状电磁结构的散射参数和辐射特性。传统方法要靠电磁仿真计算出这些参数，但CNN直接「猜」，还猜得贼准。

深度学习驱动的高频率电路逆向设计

关键点在于，这个CNN模型不仅快，还能泛化。研究人员发现，它能设计出训练数据里没有的结构，比如一个24-80GHz带宽范围内的功率分配器，在带宽、幅度平衡和总传输率上实现了更好的平衡，性能比训练集里的最佳结果还好（如下图b所示）。

基于深度学习设计得到的电路，在两种情况下均优于训练数据中的最佳结果。这表明基于深度学习的模型具有泛化能力，并且逆向合成方法能够成功地在设计空间中进行采样

第二步：逆向合成

利用深度学习驱动的稳健电磁仿真器，可以消除耗时且资源密集型的电磁仿真需求，从而可以在任意结构和电路的大型设计空间中快速合成，并通过优化算法实现。

这可以通过遗传算法、模拟退火等启发式算法，生成式模型（如自编码器）或串联神经网络来实现，也可以将预测模型与生成式AI框架或强化学习（RL）结合。

例如，该研究就在前向预测模型的基础上，使用遗传算法和反向搜索，找到满足目标特性的几何结构。比如，要求设计一个50-60GHz带宽范围内的带通双端口滤波器，模型几分钟内就能吐出一个300×300μm的设计。

下表展示了几个使用人工智能设计芯片的例子，从单端口多频段天线到四端口频率双工器，将过去所需数周的工作，变为只需几分钟就能完成。

深度学习启用的逆设计与基于电磁模拟进行启发式优化设计的时间和资源对比

相比以往最好的标准芯片，然而这些设计呈现出显著的性能改进，可以更好地完成工作任务；然而，人类可能无法真正理解这些由AI设计出的芯片，它们多缺乏直观性，不太可能是人类思维的产物。

例如，由AI设计出的更节能的电路方案，有可能在目前无法实现的庞大频率范围内运行，在某些情况还能创建当前技术无法合成的结构。这意味着「AI设计师」不仅提高了效率，还解锁了超出工程师能力范围的设计图纸。

该研究的通讯作者，印度理工学院孟买分校电气工程系的Uday Khankhoje指出：「这项工作提出了对未来极具说服力的愿景……AI 不仅加速了曾经很耗时的电磁模拟，还使我们能够探索一个此前未被探索的设计空间，并交付了违反常规经验法则和人类直觉的高性能设备。」

随着对微型化的需求的不断增长，无线芯片将变得越来越重要，因此这项研究可以说是给毫米波电路设计注入了一剂强心针。

该研究似乎再一次证实，AI不仅能加速创新，还扩展了可能的边界。虽然本研究的重点局限于射频和亚太赫兹频率（sub-terahertz）的集成电路，但AI驱动的设计原则可以扩展到计算机芯片甚至量子计算。

人类完全不理解的设计，可信吗

Uday Khankhoje指出，虽然AI设计达到了如此高超的水平，但人类仍然在芯片设计的过程中扮演着关键角色，部分原因是AI将芯片视为单一的产物而非整个工程流水线上的一环，因此会生成出有效但奇怪的布局，或者纳入一些不起作用的元素，类似于生成式AI模型会产生的「幻觉」。

因此，即使「AI设计师」如此强悍，也需要一定程度的人类监督，纠正其中存在的不足，甚至是「陷阱」。

这项研究的关键并不是用工具取代人类设计师，而是要用新工具来提高生产力——「人类的思维最适合用来创造或发明新的事物，而那些琐碎的、实用的工作可以交给这些工具来处理。」

和自动驾驶、AI诊断类似，AI设计芯片同样会引出黑箱问题，即对于我们无法理解的芯片设计，如果出了问题该怎么办。

大多数情况下，我们仍然无法了解AI是如何得出其设计方案的，这使得工程师难以在所有条件下完全理解或预测这些电路的行为。这种「黑箱」性质可能会导致未预见的故障或漏洞，特别是在医疗设备、自动驾驶车辆或通信系统等关键应用中。

此外，如果出现故障，追踪和修正问题可能比在人类手动设计的系统中更为复杂。从实际角度来看，过度依赖AI也可能会侵蚀人类设计师的基础知识和技能，造成专业知识的缺口。

参考资料：

https://www.livescience.com/technology/computing/humans-cannot-really-understand-them-weird-ai-designed-chip-is-unlike-any-other-made-by-humans-and-performs-much-better

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