AI 学会射频芯片设计的"黑暗艺术"
RFIC（射频集成电路）设计——这一高度依赖人工的复杂过程——是工程领域中少数仍然抗拒自动化的学科之一。数字芯片设计在 EDA（电子设计自动化）领域取得了巨大进步，但模拟和射频领域仍然是依赖数十年专家直觉的"黑暗艺术"。
现在，情况正在改变。来自 MIT、斯坦福大学和台积电（TSMC）的一个研究团队证明，深度学习可以掌握 RFIC 设计的复杂模式，生成与人工设计师相当甚至更优的版图，同时将设计时间从数月缩短到数小时。
RFIC 的核心难题
设计 RFIC 需要在硅芯片上布局数百个元件——电感、电容、晶体管、传输线。挑战在于，这些元件之间的电磁相互作用极其复杂，难以准确仿真。一个元件位置的微小变化，就可能彻底改变整个电路的性能。
传统的数字 IC 设计已经高度自动化：布局布线工具可以自动放置标准单元。但 RFIC 一直抵制这种自动化方法，原因在于：
- 无源元件（电感、电容）无法随工艺节点缩小
- 元件之间的电磁耦合复杂且非局域化
- 性能指标（增益、噪声系数、线性度、功耗）相互依赖
- "逻辑"与"互连"之间没有清晰的界限
图：RFIC 版图的挑战——元件之间以传统仿真难以捕捉的方式发生复杂的电磁相互作用。
深度学习方法
该团队开发了一个强化学习框架，将 RFIC 布局视为一场游戏：逐个放置元件，AI 从电磁仿真器中接收反馈。其关键创新在于一个图神经网络（GNN），该网络编码了元件之间的电磁耦合关系。
GNN 能够捕捉一个元件位置的变化如何影响附近元件的电磁场。这使得 AI 能够推理射频设计的耦合特性，而不是孤立地处理每个元件。
训练采用课程学习策略：从简单电路（单个电感）开始，逐步增加复杂度（LNA 低噪声放大器、混频器、VCO 压控振荡器），最终处理完整的射频前端。奖励函数结合了多项性能指标和可制造性约束。
图：GNN 架构编码了射频元件之间的电磁耦合，使 AI 能够推理相互依赖关系。
成果
在面向生产的 RFIC 设计上测试时，AI 生成的版图在多项指标上与人类专家设计相当甚至更优：
- 噪声系数：平均提升 0.2 dB
- 功率增益：提升 1.5 dB
- 设计时间：从 3 个月缩短到 36 小时
- 一次流片成功率：92%（人工设计为 65%）
最令人惊讶的发现是，AI 有时能找到人类设计师不会考虑的非传统版图——将元件放置在非直观的排列中，却产生了更好的电磁性能。
图：人工设计（左）与 AI 设计（右）的 RFIC 版图对比。AI 找到了非传统但性能更优的元件布局方案。
行业影响
这项研究对半导体行业具有重大意义。随着无线通信向更高频率演进（毫米波、6G），RFIC 设计变得越来越复杂。传统的手工方法无法扩展——一个 5G 毫米波前端可能需要 6-12 个月的设计周期。AI 辅助设计可以大幅加速这一过程。
研究人员指出，这种方法具有通用性：同样的基于 GNN 的强化学习可以应用于其他电磁设计问题，包括天线设计、电磁兼容性分析，甚至光路设计。
挑战与局限
该方法在训练阶段需要大量的计算资源用于电磁仿真。每次版图评估都需要一次完整的 EM 仿真，这使得训练过程计算量极大——大约 10,000 GPU 小时。该团队使用了台积电的先进工艺设计套件（PDK），这些套件并未公开。
此外还有可靠性的问题：AI 生成的非传统版图需要彻底的验证。该团队正在研究专门针对 AI 生成的模拟/射频电路的正式验证方法。
未来展望
研究人员目前正在推进以下方向：
- 将 AI 工具整合到商业 EDA 工作流中
- 将该方法扩展到完整的射频片上系统（SoC）设计
- 开发可解释 AI 技术，帮助设计师理解 AI 的版图决策
- 开源一个简化版本供学术研究使用
全自动 RFIC 设计的时代可能还需数年才能到来，但这项研究证明，AI 可以学会这门"黑暗艺术"——甚至可能超越它。
