Για δεκαετίες, ο σχεδιασμός ολοκληρωμένων κυκλωμάτων ραδιοσυχνοτήτων περιγράφεται ως «σκοτεινή τέχνη» — μια δεξιότητα που κατακτάται μόνο μέσα από χρόνια επίπονης εμπειρίας. Τώρα, ερευνητές στο Πανεπιστήμιο του Πρίνστον λένε ότι η τεχνητή νοημοσύνη μαθαίνει αυτήν την τέχνη και σε ορισμένες περιπτώσεις ξεπερνά τους ανθρώπους που κάποτε είχαν το μονοπώλιο σε αυτήν.
Σε ένα χαρακτηριστικό που δημοσιεύτηκε από το IEEE Spectrum στις 24 Ιουνίου 2026, η ομάδα εξήγησε πώς χρησιμοποιούνται μέθοδοι μηχανικής μάθησης για τη δημιουργία ολοκληρωμένων κυκλωμάτων ραδιοσυχνοτήτων (RFIC) - τα μικροσκοπικά τσιπ που επιτρέπουν σε τηλέφωνα, αυτοκίνητα και δορυφόρους να στέλνουν και να λαμβάνουν ασύρματα σήματα - από την αρχή. Ορισμένες από τις προκύπτουσες διατάξεις, σημειώνουν οι ερευνητές, «μοιάζουν περισσότερο με μοντέρνα τέχνη παρά με διάταξη κυκλωμάτων», ωστόσο τα φυσικά πρωτότυπα τους έχουν νικήσει τα υπερσύγχρονα κυκλώματα που έχουν σχεδιαστεί από τον άνθρωπο στην απόδοση. For more context on this story, see our ongoing AI industry coverage.
Το επίτευγμα όμως δεν είναι καθαρά αισθητικό. Το AI συνέλαβε σχέδια εργασίας σε τάξεις μεγέθους λιγότερο χρόνο από ό,τι θα απαιτούσε ένας ανθρώπινος μηχανικός.
Γιατί ο σχεδιασμός τσιπ RF είναι τόσο δύσκολος
Σε αντίθεση με τις κεντρικές μονάδες επεξεργασίας (CPU) και τα τσιπ γραφικών (GPU) που βρίσκονται στους υπολογιστές, τα τσιπ RF δεν μπορούν να σχεδιαστούν μέσω μιας τυποποιημένης, αλγοριθμικής διαδικασίας. Ο σχεδιασμός RFIC είναι μια άσκηση στη μηχανική σε πολλαπλούς φυσικούς τομείς ταυτόχρονα.
Οι εξισώσεις του Maxwell διέπουν τον τρόπο με τον οποίο τα ηλεκτρομαγνητικά πεδία αλληλεπιδρούν με τις ενεργές και παθητικές συσκευές σε ένα τσιπ. Ταυτόχρονα, οι νόμοι της θερμοδυναμικής καθορίζουν τον τρόπο με τον οποίο παράγεται και απομακρύνεται η θερμότητα κατά τη λειτουργία, ενώ η μηχανική της θερμικής διαστολής υπαγορεύει πόσο αξιόπιστα επιβιώνει ένα τσιπ και η συσκευασία του στις μεταβολές της θερμοκρασίας. Λαμβάνοντας υπόψη όλους αυτούς τους περιορισμούς ταυτόχρονα καθιστά τον χώρο σχεδιασμού σχεδόν απίθανο μεγάλο, με κάθε απόφαση να περιλαμβάνει ανταγωνιστικές προτεραιότητες.
Το αποτέλεσμα είναι ότι ένας νέος σχεδιασμός τσιπ RF μπορεί να πάρει χρόνια και δεκάδες έως εκατοντάδες εκατομμύρια δολάρια για να ολοκληρωθεί.
Οι συχνότητες που διακυβεύονται
Το διακύβευμα είναι υψηλό επειδή τα τσιπ RF υποστηρίζουν σχεδόν κάθε ασύρματη τεχνολογία. Τα τυπικά τρανζίστορ της CPU υπερθερμαίνονται σε συχνότητες λειτουργίας λίγων gigahertz. Τα τσιπ RF, αντίθετα, λειτουργούν σε πολύ υψηλότερες συχνότητες: 28 και 39 gigahertz για σήματα 5G, 26,5 έως 40 gigahertz και πέρα για δορυφορικές επικοινωνίες και 77 gigahertz για ραντάρ αυτοκινήτων.
Για να επιβιώσουν σε αυτές τις συχνότητες, τα τσιπ RF διαχειρίζονται έξυπνα την ενέργεια ενός σήματος μέσω προσεκτικού ηλεκτρομαγνητικού σχεδιασμού. Αυτό παίρνει τη μορφή περίπλοκων δικτύων μεταλλικών στοιχείων — γεωμετρικά κανονικά, συχνά συμμετρικά και τόσο περίτεχνα που μπορούν να μοιάζουν με δαντελένιο φιλιγκράν. Αυτές οι παθητικές δομές, όπως οι επαγωγείς και οι γραμμές μετάδοσης, κυριαρχούν στην ακίνητη περιουσία του τσιπ, καταλαμβάνοντας πολύ περισσότερο χώρο από τα ίδια τα τρανζίστορ.
Πώς το AI προσεγγίζει το πρόβλημα
Σύμφωνα με την έκθεση του IEEE Spectrum, ο όμιλος του Πρίνστον άρχισε να εξερευνά τον σχεδιασμό ραδιοσυχνοτήτων που βασίζεται στην τεχνητή νοημοσύνη πριν από περίπου επτά χρόνια, στον απόηχο της νίκης του AlphaGo της DeepMind επί του παγκόσμιου πρωταθλητή Go Lee Sedol το 2016. Αυτή η ανακάλυψη ώθησε την ομάδα να ρωτήσει εάν η τεχνητή νοημοσύνη θα μπορούσε επίσης να διδαχθεί τη «σκοτεινή τέχνη» του σχεδιασμού RF.
Η απάντηση, όλο και περισσότερο, είναι ναι. Οι ερευνητές χρησιμοποιούν ενισχυτική μάθηση σε συνδυασμό με αντίστροφη σχεδίαση για να δημιουργήσουν γρήγορα RFIC από την αρχή. Αντί να ξεκινά από ένα ανθρώπινο πρότυπο, το σύστημα μαθαίνει ποιες δομές παράγουν την επιθυμητή ηλεκτρομαγνητική συμπεριφορά.
Πιο πρόσφατα, μοντέλα διάχυσης — η ίδια οικογένεια παραγωγικής τεχνητής νοημοσύνης πίσω από τη σύγχρονη σύνθεση εικόνας — έχουν χρησιμοποιηθεί για τη γρήγορη δημιουργία νέων διατάξεων ραδιοσυχνοτήτων. Αυτά τα μοντέλα μπορούν να παράγουν σχέδια που είναι είτε σκόπιμα άγρια είτε πιο ερμηνεύσιμα από τον άνθρωπο και έχουν επιτύχει επιδόσεις ρεκόρ, ενώ μειώνουν δραστικά τον χρόνο σχεδιασμού.
Ένα συγκεκριμένο παράδειγμα δείχνει τη μετατόπιση. Ένας μηχανικός που σχεδιάζει έναν ενισχυτή ισχύος 28 gigahertz για ένα ακουστικό κυμάτων χιλιοστών 5G θα ξεκινούσε παραδοσιακά από καθιερωμένα πρότυπα και θα ακολουθούσε συμμετρικά, κατανοητά μοτίβα. Χωρίς αυτούς τους περιορισμούς, η τεχνητή νοημοσύνη μπορεί να εξερευνήσει σχέδια που δεν θα σχεδίαζε ποτέ ένας άνθρωπος – και τα οποία δεν χρειάζεται να είναι κατανοητά από τον άνθρωπο για να λειτουργήσουν.
Τι ακολουθεί
Οι ερευνητές προειδοποιούν ότι το πεδίο δεν είναι ακόμη στο σημείο της πλήρως αυτοματοποιημένης σχεδίασης RF με κουμπί. Η μελλοντική πρόοδος, υποστηρίζουν, θα εξαρτηθεί από μεγάλα, κοινά σύνολα δεδομένων σχεδίασης τσιπ και πιο ανοιχτά οικοσυστήματα, έτσι ώστε τα συστήματα τεχνητής νοημοσύνης να μπορούν να μάθουν καθολικές ηλεκτρομαγνητικές συμπεριφορές και κυκλώματα παρά στενά, ειδικά μοτίβα για εργαστήριο.
Εάν αυτά τα δομικά στοιχεία μπουν στη θέση τους, οι επιπτώσεις εκτείνονται πολύ πέρα από τα ραδιοτσιπ. Η ομάδα του Πρίνστον προτείνει ότι ο σχεδιασμός με δυνατότητα τεχνητής νοημοσύνης θα μπορούσε να γίνει το μέλλον όλου του σχεδιασμού ραδιοσυχνοτήτων — και πιθανώς πολύ περισσότερο, δείχνοντας τις ασύρματες τεχνολογίες επόμενης γενιάς, συμπεριλαμβανομένων ευρέως διαδεδομένων αυτόνομων οχημάτων, κβαντικών επικοινωνιών, κινητής τηλεφωνίας 6G και προηγμένων δορυφορικών δικτύων.
Για έναν κλάδο όπου ένας μόνο κύκλος σχεδιασμού μπορεί να καταναλώσει χρόνια και εννιαψήφιους προϋπολογισμούς, ακόμη και το ξύρισμα ενός κλάσματος αυτού του χρόνου θα μπορούσε να είναι μεταμορφωτικό. Και καθώς τα κυκλώματα που έχουν σχεδιαστεί με τεχνητή νοημοσύνη ξεπερνούν όλο και περισσότερο τα ανθρωπογενή αντίστοιχά τους, η μακροχρόνια «σκοτεινή τέχνη» της μηχανικής ραδιοσυχνοτήτων μπορεί τελικά να μετατραπεί σε επιστήμη.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
