AI 学会了 RFIC 设计的＂黑艺＂ —当机器学习开始重新定义射频芯片

今天在随便浏览网页时，看到一篇特别有意思的文章，来自 IEEE Spectrum，作者是普林斯顿电机工程系副教授 Kaushik Sengupta，讲的是 AI 如何学会 RFIC（射频集成电路）这门"黑艺"，发现AI已经对各行各业渗透的如此深入。

一、RF 设计为什么还是一门"黑艺"

全球计算芯片的设计，大多已经标准化成一门科学；可 RF 设计却顽固地停留在"手艺"层面，甚至是一门需要多年经验才能掌握的"暗黑艺术（dark art）"。炼金术师会告诉你：黑艺有自己的节奏——而这个节奏，正在拖慢 RF 芯片乃至所有依赖它的技术。

大约七年前，AlphaGo 击败李世乭之后，人们们开始琢磨：AI 能不能也学会这门手艺？近几年的成果表明——在很大程度上，它可以。普林斯顿几个领先团队已经开始开发机器学习驱动的 RFIC 算法设计方法。一些做出来的芯片看起来更像现代艺术而非电路版图，但实物原型在性能上多次碾压当时的最先进水平。真正的成就在于：AI 构思一个可用设计所需的时间，比人类设计师少了好几个数量级。

这不是一两颗芯片的事。AI 赋能的设计可能是整个 RF 设计的未来，甚至不止于此。

二、为什么 RFIC 不能像 CPU 那样走合成流程？

RFIC 设计是一场跨多个物理域的工程博弈：

麦克斯韦方程组：在不同时空尺度上支配着电磁场与有源/无源器件的相互作用，这些器件必须精心协同设计；

热力学定律：决定工作时的产热与散热；

热胀冷缩力学：决定芯片和封装能否扛住温度变化。

同时把所有物理约束纳入考量，让设计空间大得几乎无法处理。每一个决策都涉及互相掣肘的复杂优先级，"按下葫芦浮起瓢"。

举个具体例子：让你设计一颗用于 5G 毫米波手机的28 GHz 功率放大器（就是把手机里的 5G 信号放大、送到天线发给基站的那颗 RFIC）。从哪入手？

RFIC 的"盖房子"类比

RFIC 的架构（architecture）——相当于户型和房间数。功率放大器需要几级放大，信号怎么在这些级之间走，都由它定。但有意思的是：RFIC 版图里"走廊"占了大部分面积——电感、传输线这类无源元件，占的地盘远比晶体管大得多。

原因很残酷：普通 CPU 的晶体管跑到几 GHz 就过热了，而 RFIC 的工作频率要高一个数量级——5G 的 28/39 GHz、卫星通信的 26.5–40 GHz 甚至更高、车载雷达的 77 GHz。CPU 晶体管在这种频率下会直接失效。

RFIC 晶体管能活下来，靠的是精巧的电磁设计来管控信号能量，表现为芯片上占据大部分面积的"拜占庭式"金属网络。它们几何规整、常带对称、构造繁复得像蕾丝花边——但绝不是装饰，是功能核心。

电学上看，这些"走廊"更像芯片的" plumbing（管路）"——把电磁能量约束在该去的地方。

架构、拓扑、阻抗匹配——层层嵌套的噩梦

把所有这些元件拼起来还能工作，就像按蓝图盖房要对梁、管、外墙有精确规格。RFIC 上，拓扑（topology）就是器件局部互连的方式。

做功率放大器的第一步，是挑一个候选电路模板——特定架构 + 特定拓扑的组合。学界积累了很多可复用模板：比如几级放大、无源结构大致怎么配。但模板不能直接拿来用，因为每个都有取舍：增益好但稳定性差、带宽好但效率低、能效高但输出功率小……很少有"明显最优"。

要在这些参数间找到"甜点"，设计师通常要靠多年训练攒出的直觉，画好几个版本来回迭代。而且架构、拓扑、电磁无源结构这三件事不能分开决策——一动俱动，像把一块过大的地毯塞进小房间，按下一个角，另一个角又弹起来。

到了微波和毫米波频段，哪怕最小一步走错，芯片就废。典型坑是阻抗匹配：电磁波遇到晶体管或其他元件时，路径必须和下游"对得上"，否则能量往回反射。想象把高压消防水管直接接细花园水管——没对好接头，水会在接口处往回溅，几乎过不去。这就是电子里的阻抗匹配问题。

工程师要做特殊的过渡结构——微观转接头——让元件之间顺滑交接。在芯片上，这些"转接头"可以精细到令人发指，不只传信号，还能分、合、按时序分发。

等架构、管路、中间层全做完，才是见真章的时刻：这一通在巨大设计空间里的导航，最终是否满足规格？不满足就得回退，重做拓扑甚至重做架构，再来一轮。准备好花几个月做高算力仿真吧。

这就是为什么几十年来 RFIC 圈有个核心信念——"RF 设计是门艺术"，只有经验丰富的工匠式设计师才摸得透模拟/RF 设计的微妙之处。可惜，这个根深蒂固的观念，恰恰在最需要的时候拖住了算法创新的腿。

三、AI 进场：从"优化模板"到"从零生成"

RF 设计师还在跟"超大号地毯"较劲时，隔壁领域已经热闹起来了——蛋白质折叠、气候建模，AI 在多维复杂空间里导航的成功案例一个接一个。这给了普林斯顿相关师生动力：毕竟蛋白质折叠的组合复杂度，和这个设计空间的性质也没差多少。

他们不是第一批想用 AI 加速 RFIC 设计的人。之前的研究是用机器学习在电路模板上训练，希望加速常规优化。确实比人快，但本质上还是依赖人类发明的设计库。

他们不想要这个。他们想摆脱预制拓扑的限制——因为设计师的经验固然关键，但也给设计套了天花板；而且这种路子必须把仿真嵌进优化循环，哪怕最快的仿真也吃算力；更糟的是，很多先进场景（比如宽带设计）根本就没有现成模板。

如果他们不从模板起步，能从哪起步？目标是让算法从零开始决定架构、子电路、电磁无源结构的每一个参数。这和传统优化有本质区别——传统优化只是在"人类原定的结构"里调晶体管尺寸、无源几何这些参数，他们的做法是从近乎空白的架构出发，通过迭代逐步组装。

因为过程不被人类先验设计偏好带偏，它能产出和人类作品截然不同、完全新颖的电路拓扑。这有点像 AlphaGo Zero——不是靠学人类棋谱，而是靠自我对弈探索规则，打出超人表现。他们的算法也是通过探索和评估自己的设计策略，来学会电路、电磁学以及二者必须的协同设计。

两阶段实现：

第一阶段：强化学习（RL）框架定架构与拓扑

RL 智能体像学打游戏一样学设计——玩足够多次，从"动作-得分"关系里学会更好的玩法。这里 RL agent 通过尝试组合来学设计有效电路，久而久之把"电路性能 ↔ 架构/拓扑/参数"的映射刻进脑子里。训练要几天到一周，但训完之后出图极快。

这个阶段，RL 决定最优的系统架构、电路拓扑、器件参数，甚至连接各电路元件的电磁接口属性——本质上定义了信号怎么在系统里传播和交互。

第二阶段：电磁结构的逆向设计（Inverse Design）

IC 的电磁"管路"要能产生无源元件想要的特性，特性由一组叫散射参数（S 参数）的指标刻画——信号进一个元件是真的往前走，还是像前面消防水管例子里那样往回反射浪费掉？

由想要的 S 参数反推结构，是典型的逆向设计问题。RFIC 对它特别不友好：必须同时顾及电路行为，和互连线/无源件的电磁响应，还不能靠大量手工迭代。

于是他们用AI 基模拟器替换了 RF 电路仿真器。这个 AI 模型可以不从头算物理，就能预测任意结构（哪怕是完全任意的二维形状）里电磁场的行为——它"猜"麦克斯韦方程组的解，告诉你任意结构的 S 参数，而不真做那堆数学。原来电磁求解器要几分钟几小时的活，压到毫秒级。

他们选的骨架是卷积神经网络（CNN）——图像处理里的老朋友，擅长从结构里提取空间特征。而一个结构的图像，恰恰蕴含了大量能预测其电磁性能的空间信息。他们用海量随机像素化结构（S 参数已标注）把它训出来。

RL + AI 模拟器凑齐，基本上就是一个端到端 AI 设计师了。

四、成果：长得像二维码，但真的能打

2023 年，他们发了这个概念验证——一颗面向毫米波（30–100 GHz，覆盖大部分 5G 和雷达频段）的功率放大器。最终设计在带宽、输出功率、效率的组合上，创下了当时硅基功率放大器的报道最佳值——意味着能在宽频带上放大大量数据，还保持纪录级效率。

而那颗 IC 电磁通路的版图，没有任何人类会考虑的样子。因为 AI 没在人类设计上训过，出来的布局更像一个任意图案，甚至像二维码，而不是我们习惯的那种规整对称结构。

一个意外洞察是：历史上我们依赖的那些模板，根本没有接近现代设计目标的最优解。不是说人类设计师永远做不出更好的，而是——放开模板 + 让 AI 高速合成一轮又一轮优化电路之后，AI 驱动的综合确实能打破传统设计天花板，把 RFIC 能力边界再推一截。

2024 年他们发了后续工作：多端口 IC 也不在话下。以前多端口电磁仿真要熬几天几周，这个模型几分钟就能演化出新结构。此后全球研究圈一堆工作都验证了逆向设计在 RFIC 上的威力。把 RL 框架和逆向设计拼起来，他们已经能做到从规格到可流片版图的端到端 RFIC 生成，覆盖低噪声放大器、亚太赫兹、宽带功率放大器。

五、让 AI 画的图能被人看懂

他们的初衷是让 RFIC 设计更好更轻松，但不想让它变成人类完全看不懂的黑箱。芯片测试调试是个比设计还漫长折磨的过程，工程师通常希望 IC 结构是可解释的，出问题能反推。

为了搞出可解释性更强的结构，他们转向了扩散模型——就是你熟悉的那个从文本生成逼真图像的 Diffusion Model。

思路其实很像：你让图像引擎"画一幅梵高/毕加索/米开朗基罗风格的天空"，它会抓住笔触、用色、构图的精髓，产出不同风格的"天空"。电磁设计也类似——多种结构可以有非常接近的电磁响应。

他们把"文本提示"换成 S 参数作为输入，把 RFIC 电磁结构作为输出。作为扩散模型的输入之一，他们还做了一个"空间频率旋钮"——拧动它，设计师可以指挥模型合成：

低频（经典样、可解释）
中频（迷宫状结构）
高频（像素化 / 任意形状）

从 prompt 到出图，全程约6 分钟。用这套扩散模型，算法既能发现新架构，也能加速造传统的"经典款"。

RFIC 设计师只要指定任意一组在麦克斯韦方程下物理可实现的 S 参数，模型就像自动售货机一样吐出对应结构。

六、还差什么？数据，和数据之外的生态

传统自底向上的 RFIC 设计流程，显然正在被逆转。但问题还在：

这些方法泛化性到底多强？
能不能稳定给出真高性能？
能不能让 AI 产出把每一种可想象的取舍都最大化、把每个参数 holistic 优化到理想物理态的设计？
这套策略能不能跳出 RFIC，去发明人类从没做过的其他电路？

这些都是激动人心但还没到的目标。AI 也会"幻觉"——画出不工作的坏电路，所以验证环节仍须人类把关；幻觉虽不多，但还能再压。

历史经验是：要实现这些未来梦，需要比现在多得多的数据。ImageNet（1400 万张人工标注图像）出现之前，图像识别模型在真实世界里都不太行，数据集太小。ImageNet 的海量训练数据引爆了革命，后面就是历史了。

如果 RFIC/模拟设计的目标是做一个通用基础模型——学会电磁学和电路行为的底层规律——那他们也需要数据。