Исследователи используют методы машинного обучения для автоматизации проектирования радиочастотных интегральных схем (RFIC). ИИ-системы справляются с задачами оптимизации топологии чипов быстрее и эффективнее инженеров, создавая архитектуры, которые выходят за рамки традиционных подходов. Технология позволяет значительно сократить цикл разработки сложных компонентов для беспроводной связи, обеспечивая при этом более высокую производительность и энергоэффективность конечных устройств.
Традиционное проектирование радиочипов требует глубокой экспертизы и месяцев ручной работы по подбору параметров транзисторов и соединений. Использование алгоритмов обучения с подкреплением и графовых нейронных сетей позволяет системе самостоятельно исследовать пространство возможных конфигураций. ИИ учитывает физические ограничения и требования к площади кристалла, находя оптимальные решения, которые человеческий глаз или стандартные САПР-инструменты часто упускают из виду.
Внедрение подобных решений в индустрию полупроводников меняет процесс создания аппаратного обеспечения. Вместо итеративного ручного моделирования инженеры переходят к формулированию целевых функций для ИИ-агентов. Это не только ускоряет вывод продуктов на рынок, но и позволяет создавать чипы с характеристиками, ранее считавшимися недостижимыми при текущих технологических нормах производства.
Ключевые факты
- ИИ-системы сокращают время проектирования радиочастотных схем с нескольких месяцев до нескольких дней.
- Алгоритмы оптимизируют параметры транзисторов, учитывая сложные физические взаимодействия и требования к энергопотреблению.
- Новые архитектуры чипов демонстрируют улучшенные показатели по коэффициенту усиления и уровню шума по сравнению с аналогами, созданными человеком.
- Метод основан на использовании глубокого обучения для навигации в многомерном пространстве параметров проектирования.
- Технология применима для разработки компонентов 5G/6G и систем спутниковой связи.