用AI设计的芯片：人类难以想象

请花点时间试着想象一下，如果没有过去三十年无线技术的进步，你的生活会是什么样子。

行李丢了吗？真可惜行李标签还没发明出来。航空公司代表承诺会打电话通知最新情况，所以你只能在厨房电话旁耐心等待了，因为这里没有便宜的手机。等待的时候，你只能听听广播，因为这里没有流媒体服务。更别提有多少电影剧情会因此被剧透了。

这只是无线技术如何影响你日常生活的冰山一角。它对供应链、基础设施和经济运行方式的影响已经彻底改变了世界。

如果没有射频集成电路，这一切都不可能实现，正是这些集成电路使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将会带来什么：自动驾驶汽车的广泛应用、量子通信、6G移动通信和卫星通信。而这种持续发展势头将取决于更新、更先进的射频芯片的出现。

但问题就在这里。虽然世界上大多数计算机芯片的设计已经标准化，发展成为一门独立的科学，但射频设计却始终固守着艺术的范畴。甚至可以说是一门神秘的艺术，只能通过多年的经验积累才能掌握。正如任何一位巫师都会告诉你的那样，神秘的艺术自有其运行规律。而这种规律不仅阻碍了射频芯片设计的发展，也阻碍了所有其他依赖于射频芯片设计的技术的进步。

大约七年前，在AlphaGo战胜围棋世界冠军李世石之后，我和普林斯顿大学的学生开始思考：人工智能是否也能掌握这门艺术？近期的成功表明，在很大程度上，它是可以的。过去几年，我们团队和该领域的其他领军人物开始开发基于机器学习的算法方法来设计射频集成电路（RFIC）。一些最终得到的芯片看起来更像是现代艺术品，而非电路布局。然而，在许多情况下，这些物理原型在性能方面超越了最先进的电路。但真正的成就在于，人工智能构思出一个可行的设计所需的时间比人类设计师少了几个数量级。

这不仅仅关乎一两款射频芯片。人工智能赋能的设计可能是未来所有射频设计的发展方向，甚至可能影响更广泛的领域。

那么，为什么这些芯片都必须手工打造呢？为什么射频集成电路的设计不像CPU和GPU那样采用算法综合流程呢？

射频集成电路（RFIC）的设计是一项跨越多个物理领域的工程实践。麦克斯韦方程组在不同的空间和时间尺度上运行，支配着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才能确保芯片正常工作。与此同时，热力学定律也至关重要，它决定了芯片在运行过程中如何产生和散发热量，以及热膨胀和热收缩的力学原理，这些都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限制因素，使得设计空间几乎大到难以想象。每一个决策都涉及复杂的优先级，而这些优先级往往相互冲突，导致任何一项都无法优化。

为了更好地理解这个问题，让我们一起来看看其中涉及的步骤，之后你就会更好地理解为什么一个新芯片的设计需要数年时间和数千万到数亿美元的投入。

假设你是一名工程师，被指派为一款5G毫米波手机设计一款新的28GHz功率放大器。（这种射频集成电路可以增强手机上的5G信号，并将其传输到天线，以便远处的基站能够接收到这些信号。）你该从哪里入手呢？

射频集成电路（RFIC）的设计与房屋建造有一些共同之处。正如房屋蓝图规定了卧室和浴室的数量以及连接它们的走廊一样，RFIC 的蓝图（称为架构）确定了 RFIC 实现其预期功能所需的各种元件。架构中不是房间，而是例如功率放大器所需的放大级数；它不是走廊，而是信号必须经过这些放大级的路径。

射频集成电路的设计蓝图实际上大部分是走廊式的；像电感器和传输线这样的无源元件比像晶体管这样的有源元件占用的空间要大得多。

原因如下。您可能已经体验过，普通CPU的晶体管在几吉赫兹的工作频率下就会过热。而射频集成电路（RFIC）的工作频率要高得多——5G信号的频率为28至39吉赫兹，卫星通信的频率为26.5至40吉赫兹甚至更高，汽车雷达的频率则高达77吉赫兹。在这种高强度的工作下，CPU的晶体管会失效。

射频集成电路晶体管之所以能避免这种命运，是因为这些芯片巧妙地运用精密的电磁设计来管理信号能量。这种设计体现在构成芯片大部分空间的复杂金属元件网络上。这些 结构几何形状规整，通常对称，而且构造极其精巧，有时宛如蕾丝般的镂空花纹。虽然它们看起来可能很美观，但对芯片的正常运行至关重要。

从电学角度来说，这些“通道”更像是芯片的管道系统。与管道系统类似，这种庞大的被动元件迷宫将电磁能限制在芯片内应该传输的区域内。

射频集成电路 (RFIC) 设计的主要挑战在于如何将所有这些元件整合在一起，确保它们能够正常工作，就像根据蓝图建造房屋需要精确定义承重梁、管道和外墙一样。在射频集成电路中，架构需要通过物理上可制造的晶体管和无源元件来实现，并且这些元件必须以特定的方式连接，才能使信号在芯片内传输并被处理。这些器件的局部连接方式就是我们所说的电路拓扑结构。

射频集成电路领域的大部分都由复杂的电磁结构主导。像这种宽带功率放大器一样，由人设计的射频集成电路通常以模板为基础，遵循对称且易于理解的模式。但是，摆脱了人为设计的模板的限制，也无需人类理解电磁结构的原理，功率放大器集成电路和低噪声放大器就可以采用真正奇特而高效的设计。

因此，要设计功率放大器，第一步是确定一个合适的电路模板：即能够满足特定架构目标且具有特定电路拓扑的结构组合。多年来，研究人员开发了针对特定功能的可重用设计模板，从而减轻了设计者的负担。例如，模板可以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合并，比使用单个较大放大器能获得更好的带宽和效率）。此外，模板还会建议无源结构的总体配置。如今，这类模板已经拥有庞大的库。

然而，这些设备不能直接照搬使用，因为每种设备都有其优缺点。有些设备增益更高但稳定性较差；有些设备带宽更大但效率较低；还有一些设备能效更高但输出功率较低，等等。很少有绝对的最佳选择。

为了达到所有这些不同参数达到最佳平衡的“最佳点”，设计人员通常会设计几个不同版本的电路，运用他们在多年培训中积累的直觉和方法。

难点在于，电路架构、电路拓扑结构或电磁无源器件的选择不能单独进行，任何一个决定都会影响其他决定。因此，射频电路的设计常常就像试图把一张过大的地毯塞进一个过小的房间里——按压一个角，另一个角就会弹起来。

在微波和毫米波频率下，即使是最小的偏差也会导致芯片无法正常工作，而任何环节都可能出错。例如，当电磁波遇到晶体管或其他任何元件时，其传播路径必须与后续元件的阻抗匹配。如果匹配不当，部分能量就会反射回去，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细小的花园水管上。如果没有合适的适配器，水会在连接处溅回，只有极少量的水能够通过。在电子学中，这被称为阻抗匹配问题。

为了防止这些反射，工程师们设计了特殊的过渡结构，本质上是微型适配器，用于平滑组件之间的信号切换。在芯片上，这些适配器可能非常复杂。它们不仅能传递信号，还能以精确控制的时序和强度，将信号分割、合并或分配到多条路径上。

完成架构、电路连接以及所有其他相关工作后，就到了检验成果的时刻。您在庞大的设计空间中做出的所有选择，最终是否都指向了符合规格的射频集成电路（RFIC）？如果未能满足规格，您将不得不返工，要么重新设计拓扑结构，要么重做整个架构，然后重复整个流程。因此，请做好准备，迎接耗时耗力的数月仿真和迭代。或许您现在明白，为什么几十年来，射频集成电路领域一直秉持着一个核心理念：“射频设计是一门艺术”。人们常说，只有经验丰富的设计师——对各个组件如何构成整体有着精深的理解——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阻碍了该领域的算法创新，而我们恰恰最需要这些创新。随着这些系统复杂性的不断增长，传统的、手工打造的射频集成电路设计正逐渐达到其极限。

当射频集成电路（RFIC）设计师们仍在与“超大地毯”难题作斗争时，相关学科领域涌现出一系列令人瞩目的进展。在蛋白质折叠和气候建模等一系列此前难以解决的问题中，人工智能（AI）已成功驾驭了多维复杂空间。这促使我们深入研究人工智能在射频领域的应用。毕竟，蛋白质折叠的组合复杂性与我们领域内的设计空间本质并无太大差异。

我们并非第一个想到利用人工智能加速射频集成电路（RFIC）设计流程的人。此前，研究人员曾利用电路模板训练机器学习算法，希望以此加快常规的优化过程。虽然这种方法在优化模板方面无疑比人类更快，但它仍然从根本上依赖于人类创建的现有设计库。

我们并不想要那样。我们想要摆脱预制拓扑结构的束缚。因为虽然设计师的经验和来之不易的经验法则对于构建一个可行的设计至关重要，但它们也从根本上限制了设计的发展。此外，这种方法必然需要在优化过程中加入仿真步骤，而即使是最快的仿真也会消耗大量的计算资源。更糟糕的是，在许多复杂的应用场景中，例如宽带设计，根本没有现成的模板。

但如果我们不从模板入手，那我们该从哪里开始呢？

此处的目的是让算法能够完全从零开始确定架构、组成电路和电磁无源器件的每一个参数。这种方法与传统的优化方法有着本质区别，后者仅限于确定那些优化最初由人类设计的结构的参数，例如晶体管尺寸和无源器件几何形状。

在我们的新方法中，架构几乎是从零开始，通过不断迭代逐步构建而成。系统通过生成无数候选电路组合来探索设计空间，并在探索过程中绘制出由此产生的性能权衡图。由于该过程不受先前人类设计选择的影响，因此它可以生成与人类设计师创建的电路拓扑结构截然不同的全新电路拓扑结构。

在某些方面，这种方法与AlphaGo Zero等人工智能系统有异曲同工之妙。AlphaGo Zero之所以能达到超人般的水平，并非因为它接受过人类棋局的训练，而是因为它通过与自身对弈来探索规则。类似地，我们的算法通过探索和评估自身的设计策略来开发新的电路架构。在此过程中，它学会了理解电路、电磁学以及实现射频集成电路端到端设计所需的紧密协同设计。

为了实现这一功能，我们分两个阶段进行。首先，我们开发了一个强化学习（RL）框架，用于确定最优的系统架构、电路拓扑结构、器件参数，甚至连接不同电路元件的电磁接口的特性。在这个阶段，该算法有效地定义了信号在系统中的传播和交互方式。

该算法的训练方式与计算机学习玩游戏的方式非常相似。如果让它玩足够多次，它可以通过观察自身操作与得分之间的关系来提高游戏水平。类似地，这里的强化学习智能体通过尝试一系列组合来学习设计高效的电路，并且随着时间的推移，它可以将电路性能与其架构、拓扑结构和参数之间的关系映射到电路性能上。这种训练需要几天到一周的时间，但一旦训练完成，智能体就能非常快速地设计电路。

下一步是确定集成电路电磁元件的物理结构——也就是电路的组成——它能够产生无源元件所需的特性，这些特性由一组称为散射参数的指标来表征。这些参数衡量的是进入元件的信号是向前传播，还是像我们之前用消防水带和花园水带的例子那样，被反射回去而浪费掉。

从所需的散射参数推导出结构是逆向设计方法的一个例子，这种方法在许多工程领域都有应用。例如，在结构工程中，人们可能会与建筑师合作，确定一个物理目标——例如建造具有高挑天花板的大型室内空间——然后确定能够支撑该空间的拱或扶壁的布置方式。

但射频集成电路对逆向设计提出了特殊的挑战：该过程必须同时考虑电路行为以及连接它们的互连线和无源元件的电磁响应。但它必须在不进行大量手工迭代的情况下解决这个问题。

因此，我们用基于人工智能的仿真器取代了原有的射频电路仿真器。这种人工智能模型能够预测电磁场穿过任何结构（甚至是任意二维形状）时的行为，而无需像其他仿真工具那样从头开始计算底层物理原理。它可以预测麦克斯韦方程组的解，并告诉你任何你展示的结构的散射参数，而无需实际进行数学运算。有了这样的人工智能，原本需要耗费数分钟甚至数小时才能完成的电磁求解器工作，现在只需几毫秒即可完成。

我们选择基于卷积神经网络构建模拟器——这是一种在图像处理领域取得了显著成功的机器学习模型。这类网络可以从任何结构中提取空间特征，而结构的图像本身就包含大量空间信息，可以准确预测其电磁性能。随后，我们使用大量随机像素化的结构图像对其进行训练，这些结构的散射参数均已标注。

一旦我们有了逆向设计强化学习算法和合适的AI模拟器，我们实际上就拥有了一个端到端的AI设计器。所以我们让它为我们设计一个功率放大器。

2023年，我们发布了这项概念验证——一款面向毫米波频段（具体频率范围为30至100 GHz，涵盖了大部分相关的5G和雷达频率）的功率放大器。最终设计实现了当时硅基功率放大器中最佳的带宽、输出功率和效率组合——这意味着它能够在宽广的频率范围内放大大量数据——同时保持创纪录的效率。

集成电路的电磁通路结构与人类所能想象的任何结构都截然不同。由于人工智能并未接受过人类设计的训练，因此最终生成的布局看起来更像是任意图案，或者像一个二维码，而不是我们常见的对称结构。

这个原型以及我们整体的研究揭示了一个意想不到的发现：没有证据表明我们过去依赖的模板能够满足现代设计目标的最优要求。这并非意味着人类设计师永远无法设计出更好的方案。但是，如果摒弃模板，不再需要花费大量时间反复综合优化电路，那么人工智能驱动的综合显然能够打破传统设计的壁垒，并将射频集成电路（RFIC）的性能推向极限。

我们的 5G 放大器只有一个输入端口和一个输出端口。在设计中添加更多输入和输出端口并非易事。每个端口都与其他所有端口存在电磁耦合，因此散射参数会迅速累积。两个端口会产生四个散射参数。四个端口则会产生 16 个散射参数。计算很快就会变得非常复杂。我们的模型能够应对这种情况吗？

接下来，我们利用具有众多输入输出端口的更大规模的电磁结构对模型进行训练。2024年，我们发表的研究表明，多端口集成电路对这些人工智能算法来说也毫无难度。以往，多端口电磁仿真需要耗费数天甚至数周的时间，而该模型只需几分钟即可生成新的结构。此后，全球各地的研究团队在该领域开展了大量工作，充分展现了逆向设计在射频集成电路（RFIC）中的强大作用。

通过将强化学习框架与逆向设计相结合，我们现在能够从技术规格出发，最终生成可用于制造的射频集成电路（RFIC）布局。目前，我们已经证明该方法适用于从低噪声放大器到亚太赫兹和宽带功率放大器等各种类型的射频集成电路。我们希望该方法同样适用于其他电路。

我们的目标是让射频集成电路（RFIC）设计更便捷、更高效，但我们不希望它超出人类的理解范围。芯片测试和调试是一个漫长而艰辛的过程，有时甚至比设计本身还要繁琐。工程师通常更倾向于使用结构易于理解的集成电路，这样一旦出现问题，他们就能充分理解芯片的工作原理，从而进行调试。

为了创建更易于理解的结构，我们采用了扩散模型，您可能已经了解了它，因为它能够根据文本提示生成逼真的图像。

想象一下，你打开你最喜欢的图像生成引擎，让它创作一幅毕加索、梵高或米开朗基罗风格的天空画作。你会得到一些图像，它们捕捉到了这些画家笔触、色彩运用和构图的精髓。尽管都是天空的画作，但风格各异。

电磁设计与之类似，多种结构可能具有非常相似的电磁响应。我们没有使用文本输入，而是使用散射参数作为输入，并以射频集成电路芯片的电磁结构作为输出。作为扩散模型的输入，我们创建了一个旋钮，用于设置最终结构的空间频率。通过旋转该旋钮，设计人员可以控制模型合成具有低（外观经典且易于理解）、中（迷宫状结构）或高（像素化或任意形状）空间频率的结构。

从发出提示到输出，整个过程大约耗时 6 分钟。借助这种扩散模型，算法现在既可以发现新的架构，也可以加速创建传统的、所谓的经典架构。

射频集成电路设计人员只需指定几乎任何一组有效的散射参数即可。只要这些参数在麦克斯韦方程组框架下能够物理实现，该模型就能像自动售货机一样，自动生成相应的结构。

我们的调查结果引起了射频领域的关注。传统的自下而上的设计流程显然正在发生逆转。

但仍有一些问题：这些方法的普适性如何？它们能否持续提供真正的高性能？我们能否最终实现人工智能设计出能够最大化所有可预见权衡的方案，并将每个参数全面优化到最佳物理状态？我们希望将这种策略应用于射频集成电路设计之外，创造出与人类以往任何设计都截然不同的其他电路。

这些前景令人振奋且雄心勃勃，但我们尚未达到目标。人工智能可能会产生错误的电路设计，导致电路无法正常工作。这意味着验证方法仍需人工监督。而且，虽然出现这种错误设计的情况很少见，但我们仍应努力减少其发生。

历史表明，要实现这些未来梦想，我们需要比现在使用的数据量多得多。在 ImageNet 图像库（一个包含 1400 万张不同类型、经人工标注的图像库）创建之前，图像识别模型在现实世界中的表现并不理想。它们之前训练所用的数据集太小，不足以发挥效用。ImageNet 庞大的训练数据引发了一场革命，催生了能够泛化并识别各种实际图像的人工智能。剩下的故事，大家都耳熟能详了。

如果射频集成电路和模拟电路设计的目标是建立一个通用的基础模型——一个能够学习电磁学和电路行为规律的模型——那么我们也需要数据。

好消息是，这类数据非常丰富。世界各地无数企业和学术实验室的工程师每天都在模拟几乎相同的射频电路和无源结构。坏消息是，所有这些数据都被保密协议严密保护着。

开放的生态系统推动了其他领域的发展，我们认为射频集成电路（RFIC）领域也应该如此。此前，这方面已经取得了一些进展。美国芯片与科学法案研发项目的运营方Natcast ，本应加强下一代无线、传感和国防技术的共享基础设施和创新。遗憾的是，该组织及其专门针对机器学习和射频集成电路的项目都已关闭。

但Natcast的努力所激发的势头并未消退。在早期工作的基础上，整个社区的各个团队已经取得了显著进展。人工智能驱动的集成电路设计是更广泛的技术变革的一部分。从生物学和材料科学到汽车和航空航天工程，人工智能正在重塑复杂系统的构思和优化方式。人工智能研究人员和芯片设计师之间更深入的合作将释放该领域的全部潜力。这绝非板上钉钉，但如果我们做对了，人工智能的潜力终将释放。

*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。

加星标⭐️第一时间看推送