新智元報道
新智元報道
編輯：peter東 喬楊
【新智元導讀】來自普林斯頓和印度技術學院的學者在《自然通訊》發表論文，他們發現，如果給定設計引數，AI可以在90nm的晶片上設計高效能積體電路。過去這是需要花費數週時間的高技能工作，但如今的AI可以在數小時內完成。
對人類工程師而言，設計複雜的無線晶片是數週乃至數月的工程量，但去年12月30日發表在《自然通訊》上的文章指出，AI如今可以在幾小時內完成，而且採取了一種與人類完全不同的方式。
論文連結：https://www.nature.com/articles/s41467-024-54178-1
這項研究的重點是毫米波（mm-Wave）無線晶片，常被用於手機中的5G調變解調器。由於其高度複雜性和進行微型化的需要，這些晶片給製造商帶來了很大的挑戰。
無線晶片設計：在海量可能性中尋找最優解
無線晶片是將計算機晶片中的標準電子電路，與天線、諧振器、訊號分路器、合路器以及其他電磁結構等元件結合起來的產物。
這些元件的組合將會被放置在每一個電路模組中，經過精心的手工製作和協同設計，以實現最佳執行效果。這種方法還會擴充套件到其他電路、子系統和系統中，使得設計過程變得極其複雜和耗時，尤其是在現代高效能無線通訊、自動駕駛、雷達和手勢識別等應用背後的晶片設計中。
設計這樣的晶片，需要將多個元件組合起來。傳統的設計方法依賴於基於直覺的標準模板和有限的引數集，隨後透過耗時的引數掃描，調整眾多晶片的元件間的電路拓撲，以最佳化電路的效能，讓設計出的電路具有新的特性。
雖然有固定的模板和引數集可供參看，但無線晶片的設計空間實際上非常廣闊，很難理解。
先進晶片中的電路如此微小，幾何結構如此精細，以至於晶片可能的配置數量甚至都超過了宇宙中的原子數量。人類無法理解這種複雜性，所以設計師們不會嘗試去理解，因此他們從底部開始構建晶片，根據需要新增元件並在構建過程中調整設計，也就是所謂的「逆向設計」。
基於深度學習的逆向設計有多香
基於人工智慧的「逆向設計」方法原理類似，也是從所需的屬性開始，根據這些屬性進行晶片設計。但這套方法的核心不是人類，而是深度學習模型，具體來說是卷積神經網路（CNN）。它的運作邏輯分為兩步：
第一步：前向建模
首先透過各種幾何形狀電路的模擬結果，訓練一個CNN網路，用來預測任意形狀電磁結構的散射引數和輻射特性。傳統方法要靠電磁模擬計算出這些引數，但CNN直接「猜」，還猜得賊準。
深度學習驅動的高頻率電路逆向設計
關鍵點在於，這個CNN模型不僅快，還能泛化。研究人員發現，它能設計出訓練資料裡沒有的結構，比如一個24-80GHz頻寬範圍內的功率分配器，在頻寬、幅度平衡和總傳輸率上實現了更好的平衡，效能比訓練集裡的最佳結果還好（如下圖b所示）。
基於深度學習設計得到的電路，在兩種情況下均優於訓練資料中的最佳結果。這表明基於深度學習的模型具有泛化能力，並且逆向合成方法能夠成功地在設計空間中進行取樣
第二步：逆向合成
利用深度學習驅動的穩健電磁模擬器，可以消除耗時且資源密集型的電磁模擬需求，從而可以在任意結構和電路的大型設計空間中快速合成，並透過最佳化演算法實現。
這可以透過遺傳演算法、模擬退火等啟發式演算法，生成式模型（如自編碼器）或串聯神經網路來實現，也可以將預測模型與生成式AI框架或強化學習（RL）結合。
例如，該研究就在前向預測模型的基礎上，使用遺傳演算法和反向搜尋，找到滿足目標特性的幾何結構。比如，要求設計一個50-60GHz頻寬範圍內的帶通雙埠濾波器，模型幾分鐘內就能吐出一個300×300μm的設計。
下表展示了幾個使用人工智慧設計晶片的例子，從單埠多頻段天線到四埠頻率雙工器，將過去所需數週的工作，變為只需幾分鐘就能完成。
深度學習啟用的逆設計與基於電磁模擬進行啟發式最佳化設計的時間和資源對比
相比以往最好的標準晶片，然而這些設計呈現出顯著的效能改進，可以更好地完成工作任務；然而，人類可能無法真正理解這些由AI設計出的晶片，它們多缺乏直觀性，不太可能是人類思維的產物。
例如，由AI設計出的更節能的電路方案，有可能在目前無法實現的龐大頻率範圍內執行，在某些情況還能建立當前技術無法合成的結構。這意味著「AI設計師」不僅提高了效率，還解鎖了超出工程師能力範圍的設計圖紙。
該研究的通訊作者，印度理工學院孟買分校電氣工程系的Uday Khankhoje指出：「這項工作提出了對未來極具說服力的願景……AI 不僅加速了曾經很耗時的電磁模擬，還使我們能夠探索一個此前未被探索的設計空間，並交付了違反常規經驗法則和人類直覺的高效能裝置。」
隨著對微型化的需求的不斷增長，無線晶片將變得越來越重要，因此這項研究可以說是給毫米波電路設計注入了一劑強心針。
該研究似乎再一次證實，AI不僅能加速創新，還擴充套件了可能的邊界。雖然本研究的重點侷限於射頻和亞太赫茲頻率（sub-terahertz）的積體電路，但AI驅動的設計原則可以擴充套件到計算機晶片甚至量子計算。
人類完全不理解的設計，可信嗎
Uday Khankhoje指出，雖然AI設計達到了如此高超的水平，但人類仍然在晶片設計的過程中扮演著關鍵角色，部分原因是AI將晶片視為單一的產物而非整個工程流水線上的一環，因此會生成出有效但奇怪的佈局，或者納入一些不起作用的元素，類似於生成式AI模型會產生的「幻覺」。
因此，即使「AI設計師」如此強悍，也需要一定程度的人類監督，糾正其中存在的不足，甚至是「陷阱」。
這項研究的關鍵並不是用工具取代人類設計師，而是要用新工具來提高生產力——「人類的思維最適合用來創造或發明新的事物，而那些瑣碎的、實用的工作可以交給這些工具來處理。」
和自動駕駛、AI診斷類似，AI設計晶片同樣會引出黑箱問題，即對於我們無法理解的晶片設計，如果出了問題該怎麼辦。
大多數情況下，我們仍然無法瞭解AI是如何得出其設計方案的，這使得工程師難以在所有條件下完全理解或預測這些電路的行為。這種「黑箱」性質可能會導致未預見的故障或漏洞，特別是在醫療裝置、自動駕駛車輛或通訊系統等關鍵應用中。
此外，如果出現故障，追蹤和修正問題可能比在人類手動設計的系統中更為複雜。從實際角度來看，過度依賴AI也可能會侵蝕人類設計師的基礎知識和技能，造成專業知識的缺口。
參考資料：
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