普林斯顿大学于上周在 IEEE 平台发布论文，介绍一套基于机器学习、全自动设计射频芯片（RFIC）的前沿研究成果。
传统射频芯片设计极度依赖资深工程师多年实操经验，整套流程需要耗费数月反复仿真、迭代调试；而这套新技术能将完整研发流程压缩至数分钟，从输入指标到输出可直接投产的电路版图，端到端全程仅需约 6 分钟。
该方案融合强化学习、逆向设计、扩散模型三大技术，并搭载 AI 仿真器，把传统需要数分钟乃至数小时的电磁仿真运算，提速至毫秒级别；不过团队也坦言，前期完成模型训练，依旧需要数天至一周的时间。
射频芯片是无线通信的核心元器件，我们日常使用的智能手机、AirTag、5G/6G 基站，以及自动驾驶、卫星通信、量子通信等前沿领域设备，全部依靠这类芯片完成信号收发。研究团队表示，射频设计行业长久以来都将这项工作称作 “玄门技艺”。工程师在设计时，需要同时兼顾电磁特性、热效应、器件线路互联等多重物理约束，可行设计空间极其庞大，迭代优化成本居高不下，直接拉长整体研发周期。
为突破行业现存研发瓶颈，团队搭建了完整 AI 设计体系：首先依靠强化学习自主探索最优电路架构、线路拓扑与器件参数；再借助 AI 仿真器快速预测任意二维布线结构的电磁性能，将传统耗时极久的仿真运算压缩至毫秒级。在此基础上，团队结合逆向设计与扩散模型，工程师仅需输入散射参数（S 参数）作为目标指标，扩散模型就能直接生成匹配需求的电磁布线结构。
▲ 放大后的芯片电路实拍图，可以看到 AI 生成了造型非常规的布线图案。
这套系统内置“空间频率” 调节功能，设计师可自由切换输出版图样式：既有逻辑清晰、便于人工排查调试的传统规整布局，也能一键生成像素化、风格近似现代抽象艺术的创新结构。整套从指标定义到产出量产版图的流程仅需 6 分钟；但如果是从零搭建、调整整套 AI 系统，模型训练依旧需要大量算力、海量数据与较长周期。
团队已通过多款典型器件完成方案验证，涵盖毫米波功率放大器、多端口集成电路、低噪声放大器等产品。其中 2023 年发布、工作频段覆盖 30~100GHz 的毫米波功率放大器，创下同期硅基功率放大器在带宽、输出功率、能效三项指标综合表现的行业新高；2024 年进一步研究证明，运算复杂度极高的多端口集成电路，同样能依靠这套算法，在数分钟内生成可落地的成熟设计。
研究人员特别强调，人工智能并不会完全替代人类工程师：AI 偶尔会生成结构无效、无法流片的 “虚构设计”，因此芯片最终的性能验证、实测与故障调试，必须由工程师全程监督把控。
团队提出，想要打造适用于射频、模拟芯片设计的通用基础大模型，核心前提是搭建大规模、行业共享的芯片设计数据集，构建开放协同的产业生态。目前全球工程师每天都会仿真大量同类射频电路、无源器件结构，但绝大多数仿真数据都受保密协议（NDA）约束，无法互通共享。研究团队举例，美国《芯片与科学法案》扶持下的 Natcast 数据共享项目现已终止，但该项目催生的行业协同研发热潮仍在延续。
团队展望，如果行业能够搭建更开放的协作机制、共建大型共享数据集，AI 驱动芯片设计不仅会彻底革新无线通信行业，还有望推动所有复杂工程领域的设计模式变革。但想要实现这一愿景，工程师人工复核验证、产业数据互通、更大规模标准化训练数据集，三者缺一不可。
摘要
射频集成电路（RFIC）设计是一门复杂的玄门技艺，长期制约 5G、自动驾驶、卫星通信等无线技术的发展。 普林斯顿大学研究团队借助强化学习与逆向设计技术，实现从零快速完成射频芯片全流程设计。 扩散模型能够快速生成两种射频版图：全新创新拓扑、工程师易读懂的规整布局，不仅电路性能刷新行业纪录，还能大幅压缩研发周期。 行业想要持续突破，需要搭建海量公开共享的芯片设计数据集、构建开放协同生态，让 AI 自主学习通用电磁规律与电路运行逻辑。
不妨设想一下，如果过去三十年无线通信技术从未诞生，我们的生活会是什么模样。行李丢了？可惜 AirTag 追踪器还没问世。航空公司客服说会电话同步行李进展，你只能守在家里老式座机旁漫长等候 —— 当年根本没有平价智能手机。等待的间隙只能被动听收音机节目，流媒体影音平台更是无从谈起。更不用说大量影视剧的核心剧情都会失去成立的基础。
这只是无线技术渗透日常生活的冰山一角。它重塑了全球供应链、城市基础设施，彻底改写了整个经济的运转模式。而这一切变革的底层核心，就是射频集成电路。正是这类芯片，让我们身边所有电子设备可以稳定、低干扰地收发无线信号。
我们再畅想下一代科技场景：大规模落地的自动驾驶、量子通信、6G 移动通信、全域卫星互联。这些技术持续向前发展的核心，是性能更强、架构更先进的新一代射频芯片。
但如今行业正卡在一道难关：全球绝大多数计算芯片（CPU/GPU）的设计早已形成标准化、体系化的成熟学科，射频设计却依旧高度依赖个人经验，是外人难以参透的玄门技艺，只能靠工程师多年实操打磨才能入门。就像小众秘术自有一套繁琐流程，这套纯人工研发模式，不仅拖慢射频芯片本身的迭代，所有依托射频技术的产业发展都会一同受限。
大约七年前，AlphaGo 战胜围棋世界冠军李世石之后，我在普林斯顿大学的课题组萌生了一个想法：人工智能能不能学会射频设计这门玄门技艺？近几年的多项研究成果证明，在很大程度上完全可行。过去几年，我们团队和业内顶尖科研人员，陆续开发出一套基于机器学习的射频集成电路算法设计方案。AI 生成的部分芯片版图，观感更偏向现代抽象艺术，和传统规整电路布局截然不同；但多数流片后的实物原型，性能都超越了当下商用顶尖电路。而这项研究真正的核心突破在于：AI 完成一套可量产的成熟设计，耗时比人类工程师少上好几个数量级。
这项技术不只是用来优化一两款射频芯片。AI 赋能自动化设计，或将成为全品类射频芯片的主流研发方式，应用边界甚至会延伸到更多硬件领域。
射频集成电路：难以标准化的玄门手艺
为什么射频芯片至今离不开人工设计？为什么不能像 CPU、GPU 那样，依靠算法自动综合生成完整射频电路？
射频集成电路设计是横跨多物理场的综合工程。麦克斯韦方程组支配不同时空尺度下，电磁场与有源、无源器件的耦合作用；想要芯片正常工作，各类器件必须同步协同匹配设计。除此之外还有热力学定律，决定芯片工作时热量的产生与散热路径；同时热胀冷缩的力学特性，直接决定芯片和封装在温差环境下能否长期稳定工作。
设计过程需要同时兼顾全部物理约束，这就导致可行设计空间庞大到难以遍历。各项性能指标彼此制衡、存在取舍，很难一次性完成全局最优优化。
我们完整拆解一遍人工设计流程，就能理解：一款全新射频芯片，为什么要耗费数年研发周期、数千万甚至上亿美元成本。
举个直观例子：工程师接到需求，要设计一款适配 5G 毫米波手机的 28GHz 功率放大器。这类射频芯片的作用，是放大手机的 5G 信号，再传输到天线发射，供远端基站接收。整套设计该从哪里入手？
射频芯片设计和建造房屋有共通逻辑：房屋图纸会规定卧室、卫生间数量，以及连通各个房间的走廊；射频芯片的顶层架构，就相当于这份图纸，定义实现功能所需的全部电路单元。对应“房间” 的，是功放的放大级数；对应 “走廊” 的，是信号流经各级电路的传输路径。
而射频芯片的版图里，绝大部分面积都是这类“信号走廊”：电感、传输线等无源器件，占用的空间远大于晶体管这类有源器件。
背后原因很好理解：大家日常使用的普通 CPU，晶体管工作在几吉赫兹频率就会严重过热；而射频芯片的工作频率高出一个数量级 ——5G 信号 28GHz/39GHz、卫星通信 26.5~40GHz 甚至更高、车载雷达 77GHz。如果把 CPU 晶体管放在这类高频环境下，会直接烧毁失效。
射频芯片能稳定扛住高频，核心依靠精细的电磁结构管控信号能量，也就是铺满整片晶圆的复杂金属无源网络。这类结构几何规整、大多对称，布线细密如同镂空蕾丝；看着像装饰纹路，却是芯片实现信号传输的核心。
从电学层面看，这些“信号走廊” 等同于芯片内部的管路系统。和水管约束水流走向同理，这套庞大的无源网络，会把电磁能量约束在芯片预设的传输路径中，避免信号乱扩散。
射频设计最大的难点，是统筹所有器件协同匹配工作。就像建房要严格按照图纸把控承重梁、管线、外墙规格，射频芯片必须选用能实际流片制造的晶体管与无源器件，精准控制互连方式，保障信号完整传输、处理。器件局部的互连排布方式，我们称之为电路拓扑。
传统射频集成电路人工设计全流程
设计上面这款功率放大器，第一步是挑选适配的电路模板：一套能够匹配顶层架构目标、适配对应电路拓扑的结构组合。多年来行业积累了大量复用模板，降低工程师重复研发的负担。比如模板会给出功放最优放大级数—— 有时候两路小功放并联输出，带宽、效率表现会优于单路大功率功放；同时也会给出无源结构的基础排布方案，如今行业已经形成庞大模板库。
但模板不能直接拿来量产，每一套方案都存在性能取舍：有的增益高，但稳定性差；有的带宽表现优秀，但能效偏低；还有的省电节能，但输出功率不足，几乎不存在各项指标全优的模板。
想要找到各项参数平衡、性能最优的“平衡点”，工程师只能依靠多年积累的经验与实操技巧，绘制多版电路布局反复试错。
核心痛点在于：顶层架构、电路拓扑、无源电磁结构三者无法独立优化，一处改动会连锁影响全部指标。设计射频电路的感受，就像把一张超大地毯硬塞进狭小房间—— 压平一个角落，另一个角落立刻翘起。
微波、毫米波频段对布线容错率极低，细微布局偏差就会导致芯片完全失效，潜在故障点繁多。举个通俗例子：电磁波抵达晶体管或其他元器件时，前后传输路径必须完成阻抗匹配；匹配失效会造成能量反向反射，正向传输损耗激增。类比高压消防水管直接对接细园艺软管，缺少适配转接头，水流会在接口处大量反流，出水极少；电子领域将这类问题称为阻抗失配。
为了抑制信号反射，工程师会设计微型过渡转接结构，平滑元器件之间的信号衔接。芯片上这类微型转接结构布线十分复杂，不只是简单传导信号，还能实现信号分路、合路，或是通过精准控制时序、功率，将信号分配至多条传输路径。
完成架构、无源布线等全部设计工作后，就到了验证环节：整套设计能否全部达标芯片规格？如果指标不满足要求，只能推翻重构拓扑甚至整套顶层架构，从头迭代全部流程。整套过程要耗费数月的海量仿真、反复调试。
这也能解释射频行业流传数十年的共识：“射频设计是一门玄门技艺”。业内普遍认为，只有经验丰富的工程师，凭借对器件整体耦合逻辑的手工化理解，才能吃透模拟、射频设计里的细微特性。但这套固化思维长期阻碍行业算法创新，偏偏当下射频系统复杂度持续攀升，传统纯手工射频设计已经摸到性能天花板。
基于人工智能的射频芯片设计方案
在射频工程师持续和“指标互相牵制” 的难题博弈时，其他交叉学科迎来技术突破：人工智能已经顺利攻克蛋白折叠、气候建模等传统多维复杂难题。这启发我们深入研究 AI 在射频领域的落地 —— 蛋白折叠的组合复杂度，和射频设计空间多指标制衡的特性高度相似。
我们并不是首个尝试用 AI 提速射频设计的团队：此前已有研究通过机器学习训练电路模板，优化人工迭代速度。这套方案虽然调试模板比人工更快，但底层依旧依赖人类预先设计的电路库，无法跳出固有框架。
从零训练AI 自主设计芯片
机器学习系统学习端到端射频芯片设计的逻辑，和 AI 学习围棋的思路相通：本质是把设计流程转化为 “自我试错游戏”，从自身设计结果里总结优化规律。
我们不满足于优化现有模板，希望彻底摆脱预制拓扑的限制。工程师积累的经验、实操总结的简化思路，虽然能保证电路基础可用，但也锁死性能上限；同时传统方案每一轮优化都要插入仿真步骤，即便是最快仿真，也会消耗巨量算力。更关键的是宽带射频等前沿场景，行业本身就没有成熟模板可供复用。
如果不依托现有模板，全新电路该如何从零搭建？
我们的核心目标：让算法完全从零定义顶层架构、子电路、无源电磁结构的全部参数。这套思路和传统优化存在本质区别：传统优化只能调整人类提前设计好的结构尺寸、无源器件几何参数；AI 方案则自主搭建完整电路，通过多轮迭代逐步完善整套架构。
算法会生成海量候选电路组合，遍历完整设计空间，同步记录不同方案对应的性能取舍曲线。整套流程不会被过往人工设计思路束缚，能够生成和传统版图视觉、结构完全不同的全新电路拓扑。
这套思路借鉴了 AlphaGo Zero 这类 AI 模型：它不需要学习人类棋谱，仅通过自我对弈吃透围棋规则，最终棋力超越人类顶尖选手。同理，我们的算法自主探索、评估各类设计方案，自主吃透电路、电磁协同设计逻辑，实现射频芯片端到端全自动设计。
射频逆向设计技术
想要实现全自主设计，整套 AI 体系分为两大阶段：
强化学习框架：自主求解最优系统架构、电路拓扑、器件参数，以及连通各类电路单元的电磁界面特性。算法自主定义信号在芯片内部的传播、耦合逻辑。训练逻辑和游戏 AI 高度相似：反复试错后，模型能总结操作与最终性能得分的关联规律。这套强化学习智能体通过遍历海量电路组合，建立起架构、拓扑、参数和电路性能的完整映射关系。整套训练周期仅需数天至一周；训练完成后，生成全新电路仅需极短时间。
无源电磁结构逆向生成 第二阶段需要求解无源器件的实体布线（前文所说的“信号管路”），匹配预设散射参数（S 参数）—— 这套指标用来衡量信号正向传输效率、反向反射损耗，对应前面消防水管反流的例子。
从目标电磁参数反向推导实体布线，就是工程领域通用的逆向设计思路。类比建筑结构工程：建筑师先定下“大层高、开阔室内空间” 的设计目标，再反向推导拱门、扶壁的排布方案，以此实现承重需求。
面向电磁网络的生成式AI 射频集成电路给逆向设计带来独特难点：算法必须同时兼顾电路本身运行逻辑，以及互连无源器件、传输线的电磁响应，全程规避人工反复迭代调试。
为此我们用 AI 仿真器替代传统射频电路仿真工具：该模型可预测任意二维不规则布线的电磁场传输特性，无需像传统仿真从零求解底层物理方程。传统电磁求解器耗时数小时的运算，AI 仿真器仅需毫秒级输出，直接给出任意版图对应的散射参数。
仿真器基于卷积神经网络搭建—— 该模型在图像识别领域表现优异，可提取版图空间特征；芯片布线图像本身包含充足空间信息，能够精准预判电磁性能。我们使用海量标注散射参数的随机像素化版图完成模型训练。
强化学习逆向框架搭配 AI 高速仿真器后，完整端到端 AI 射频设计体系成型。我们随即开展功放芯片设计验证。
突破传统思路的射频架构
2023 年，团队发布毫米波功放概念验证成果，工作频段覆盖 30–100GHz，囊括主流 5G、车载雷达频段。该硅基功放同时实现超宽带宽、高输出功率、高能源效率三项指标的同期最优组合，带宽覆盖海量通信频段，能效创下行业新高。
芯片内部电磁传输布线完全跳出人类设计惯性：AI 未学习任何人工模板，最终版图是无规律像素化图案，完全区别于行业通用对称规整布线。
本次原型实验带来关键结论：行业沿用多年的传统模板，未必适配当下高端芯片性能目标。并非工程师无法设计更优方案，但摆脱模板约束、全自动迭代海量优化电路后，AI 综合设计可突破传统设计壁垒，挖掘射频芯片性能极限。
前文功放仅单输入、单输出端口；多端口拓展难度极高，任意端口之间都会产生电磁耦合，散射参数数量呈指数级上涨：双端口对应 4 组 S 参数，四端口对应 16 组，运算复杂度急剧攀升。我们的模型能否适配多端口场景？
后续团队针对多输入、多输出复杂电磁结构完成模型训练，2024 年发表成果证明：该 AI 算法完全适配多端口集成电路。传统多端口电磁仿真需要数天、数周算力投入，AI 模型仅需数分钟即可生成全新布线。此后全球各大实验室陆续发表论文，验证逆向设计在射频芯片领域的巨大潜力。
结合强化学习框架与逆向生成技术，我们如今可从芯片指标出发，直接输出可流片的完整射频版图，覆盖低噪声放大器、太赫兹 / 宽带功率放大器等器件；团队目标是将这套方案拓展至全品类射频电路。
提升AI 版图可读性
我们优化设计的初衷是简化射频研发流程，同时保证版图可被工程师理解。芯片调试、故障排查周期漫长，复杂度甚至超过设计环节；工程师更倾向结构逻辑清晰的版图，故障出现时可快速定位电路工作原理、完成检修。
为生成高可读性布线，我们引入扩散模型—— 即当下文生图 AI 通用底层技术。
类比图像生成工具：输入关键词，可生成毕加索、梵高、米开朗基罗不同画风的天空画作，画面主题不变、艺术表达风格可调。
电磁设计同理：多套不同布线结构可实现完全一致的电磁响应。我们将散射参数作为模型输入、射频版图作为输出；在扩散模型输入端增设空间频率调节参数，工程师可自由切换输出风格：
·低频空间频率：经典对称版图，可读性强；
·中频空间频率：迷宫式复杂布线；
·高频空间频率：像素化不规则创新版图。
整套生成流程仅需 6 分钟。借助扩散模型，算法既能生成颠覆性全新架构，也可快速产出工程师熟悉的传统规整版图。
射频设计师仅需输入一套物理可实现的散射参数（符合麦克斯韦方程组约束），模型就能像自动售货机一样输出匹配的完整布线。
AI 射频设计行业展望
我们的研究成果已获得全球射频领域广泛关注，传统自底向上人工设计流程正在发生反转。
但行业仍存在待攻克难题：这套算法泛化能力如何？能否持续稳定输出高性能电路？能否实现全局参数协同优化，兼顾全部性能取舍、逼近器件物理极限？我们计划将这套设计思路拓展至射频以外，创造人类从未实现的全新电路架构。
前景宏大，但距离完全落地仍有差距：AI 会生成逻辑错误、无法流片的失效版图，因此芯片验证环节必须保留人工审核。尽管无效版图生成概率较低，仍需进一步降低出错率。
参考图像识别领域发展历程：ImageNet 数据集（1400 万标注图像）问世前，图像识别模型泛化能力极差；海量统一标注训练数据催生通用图像 AI。同理，想要打造吃透电磁、电路底层规律的射频通用基础大模型，行业必须积累海量标准化芯片数据。
行业现存充足数据资源：全球企业、实验室工程师每日重复仿真大量射频电路与无源布线；但所有仿真数据均受保密协议封锁，无法互通。
开放生态体系已推动多个学科飞速发展，射频领域同样需要共建开放平台。此前美国《芯片与科学法案》下属研发机构 Natcast 曾计划搭建无线、传感、国防下一代技术共享创新基础设施，专门布局机器学习射频芯片研发，但该机构与配套项目现已关停。
不过 Natcast 项目催生的行业研发热潮并未消退，全球各大实验室基于前期基础持续产出突破性成果。AI 芯片设计是全行业技术变革的一环：从生物、材料科学到汽车、航空航天工程，人工智能正在重塑复杂系统的研发、优化模式。AI 研究者与射频芯片设计师深度协同，才能释放这套技术全部潜力。前路充满不确定性，但如果行业打通数据、生态壁垒，AI 射频设计的变革浪潮将势不可挡。
论文链接
https://spectrum.ieee.org/ai-radio-chip-design?itm_source=summaries&itm_medium=ieee-spectrum&itm_campaign=summary-ai-radio-chip-design&itm_content=summary-inverse-design-design
今日推荐：
