За гранью человеческой интуиции: как ИИ создает странные, но сверхэффективные аналоговые микросхемы

Прорыв, который поставил инженеров в тупик

Интегрированные схемы и микросхемы миллиметрового и терагерцового диапазонов, как ожидается, станут основой будущих беспроводных сетей и систем высокоточного зондирования. Однако их проектирование - это вовсе не «щёлк-щёлк в CAD и готово». Это многолетний опыт, бесконечная ручная настройка топологий, совместное проектирование с заранее выбранными шаблонами электромагнитных структур и горы симуляций.

Эти структуры (излучающие и не излучающие, одно- и многопортовые) оптимизируются с помощью специфических «ручных» методов и переборов параметров. Такой подход “снизу вверх” с фиксированными топологиями ограничивает само пространство возможных решений.

И вот - неожиданный поворот.

Универсальное обратное проектирование

В недавнем исследовании Принстонского университета и Индийского технологического института в Мадрасе был разработан универсальный метод на основе искусственного интеллекта (ИИ) для обратного проектирования электромагнитных структур произвольной формы и сложной многопортовой конфигурации. Эти структуры обладают заданными излучательными и рассеивающими свойствами и проектируются совместно с активными схемами.

ИИ сгенерировал рабочие топологии для микросхем миллиметрового диапазона - буквально «чертежи» сложных пассивных структур и широкополосных схем. И самое интересное: метод делает это за считанные минуты, тогда как раньше на такой проект уходили недели.

Но есть одно «но».

Они работают… но никто не понимает почему

Хотя эти схемы, внешне напоминающие случайную россыпь элементов, демонстрируют беспрецедентную производительность и энергоэффективность - выше, чем у лучших образцов, созданных людьми, - инженеры не могут до конца понять, почему.

«Люди не могут их понять, но они могут работать лучше»
— Каушик Сенгупта (Kaushik Sengupta), ведущий исследователь проекта.

ИИ не ограничен нашими привычными представлениями о “правильной” компоновке. Он находит оптимальные решения в пространствах, где человеческая интуиция просто теряется.

И это не изолированный случай. Это часть глобального сдвига, где ИИ - от эволюционных алгоритмов до глубоких нейросетей - начинает переписывать само понятие инженерного творчества.

Проблема «чёрного ящика»

Главная дилемма - непрозрачность. Почему эти странные формы и связи работают так хорошо? Мы не знаем. Специалисты только начинают осваивать приемы, которые кажутся очевидными для ИИ.

Этот феномен «чёрного ящика» вызывает вопросы о доверии, надёжности и отладке. В критических системах - от медицинских приборов до спутников - это может стать не просто академической проблемой, а риском безопасности. Если ты не понимаешь, почему схема работает, ты не можешь гарантировать, что она не выйдет из строя при неожиданных условиях.

Ключевые методологии: как ИИ учится проектировать

Магия принстонских чипов - это не случайность. Это результат применения целого набора инженерных методологий, которые можно рассматривать как новую волну Electronic Design Automation(EDA).

Каждая из них по-своему помогает машине «учиться» создавать то, что раньше требовало человеческого опыта.

Эволюционные алгоритмы (EA, evolutionary learning)

Эти алгоритмы работают как цифровая эволюция: схемы выступают в роли «организмов», которые мутируют, скрещиваются и отбираются по уровню «пригодности».

• Представление схемы - как хромосомы, кодирующей топологию.

• Генетические операторы - создают новые варианты схем.

• Функция пригодности - оценивает, насколько хорошо схема выполняет задачу.

Минус? Пространство поиска растёт экспоненциально. Сложность схем - враг скорости.

Обучение с подкреплением (RL, reinforcement learning)

Google DeepMind превратила задачу компоновки чипа в игру. Алгоритм AlphaChip, как AlphaGo, получает вознаграждение за оптимальную расстановку блоков на кристалле. Результат - дизайн, который инженеры делали неделями, теперь рождается за часы.

Глубокое обучение (DL, deep learning)

Принстонский подход - это нейросети, обученные на физике реального мира. CNN-модели заменяют долгие электромагнитные симуляции, предсказывая свойства схемы по её геометрии. Именно это делает возможным обратное проектирование - когда ты задаёшь желаемый эффект, а ИИ сам выстраивает форму.

Хронология применения ИИ в проектировании электронных и аналоговых чипов

Чтобы понять масштаб происходящего, стоит взглянуть на эволюцию этой идеи — от первых генетических экспериментов до нейросетей, проектирующих миллиметровые чипы.

Не все так просто: когда ИИ обманывает ожидания

Самое захватывающее начинается, когда алгоритмы выходят за рамки человеческих правил.

• Схема-антенна: алгоритм вместо осциллятора создал антенну, использующую радиошум компьютеров как источник сигнала.

• Паразитная физика: эволюционный алгоритм на FPGA использовал неучтённые эффекты, вроде электромагнитной индукции между ячейками, чтобы добиться работы схемы.

ИИ не ошибается в человеческом смысле слова - он просто ищет кратчайший путь к цели, даже если этот путь выглядит для нас абсурдно.

Новая роль инженера

ИИ не вытесняет инженеров - он меняет саму суть профессии. Как говорит Сенгупта:

«Цель не заменить людей, а усилить их возможностями новых инструментов».

Инженер теперь становится архитектором намерений, а не исполнителем рутинных действий. Главное - правильно поставить задачу и задать ограничения.

ИИ - не волшебник, но если задать ему правильный вопрос, он способен придумать ответ, до которого человек бы не додумался.

Что дальше?

Мы стоим на пороге новой инженерной эпохи впроектировании аналоговых микросхем. ИИ уже не просто оптимизирует существующее - он начинает создавать то, что человек не способен придумать. Это как если бы мы дали машине интуицию, но без человеческих предрассудков.

Через несколько лет фраза «чип, спроектированный ИИ» перестанет удивлять. Более того, появится новая специализация - AI co-design engineer: специалист, который не рисует схемы, а ведёт диалог с алгоритмом.

И, возможно, когда-нибудь мы будем смотреть на странные, несимметричные схемы будущего и думать:

«Это выглядит неправильно… но работает идеально».

Для тех, кто хочет глубже копнуть

• John R. Koza — Genetic Programming: On the Programming of Computers by Means of Natural Selection (1992)

• Zebulum et al. — Evolutionary Electronics: Automatic Design of Electronic Circuits and Systems by Genetic Algorithms (2001)

• Google DeepMind — Chip placement with deep reinforcement learning, Nature (2021)

• NASA — Evolved Structures for Spacecraft Design (2023)

• Princeton University & IIT Madras — Inverse Design of Millimeter-Wave and Terahertz Integrated Circuits Using Deep Learning (2024)