برای چندین دهه، طراحی مدارهای مجتمع فرکانس رادیویی به عنوان یک "هنر تاریک" توصیف شده است - مهارتی که تنها از طریق سال ها تجربه پر زحمت به دست می آید. اکنون محققان دانشگاه پرینستون می گویند هوش مصنوعی در حال یادگیری این هنر است و در برخی موارد از انسان هایی که زمانی انحصار آن را در دست داشتند پیشی می گیرد.

در ویژگی منتشر شده توسط IEEE Spectrum در 24 ژوئن 2026، این تیم توضیح داد که چگونه روش‌های یادگیری ماشینی برای تولید مدارهای مجتمع فرکانس رادیویی (RFIC) - تراشه‌های کوچکی که به تلفن‌ها، خودروها و ماهواره‌ها امکان ارسال و دریافت سیگنال‌های بی‌سیم را می‌دهند - از ابتدا مورد استفاده قرار می‌گیرد. محققان خاطرنشان می‌کنند که برخی از طرح‌بندی‌های به‌دست‌آمده، «بیشتر شبیه هنر مدرن هستند تا طرح‌بندی مداری»، با این حال نمونه‌های اولیه فیزیکی آن‌ها بهترین مدارهای طراحی‌شده توسط انسان را در عملکرد بهتر کرده‌اند. For more context on this story, see our ongoing latest AI developments.

با این حال، این دستاورد صرفاً زیبایی شناختی نیست. هوش مصنوعی طرح‌های کاری را در مرتبه‌ای کمتر از زمان مورد نیاز یک مهندس انسانی تصور کرد.

چرا طراحی تراشه RF بسیار سخت است

برخلاف واحدهای پردازش مرکزی (CPU) و تراشه‌های گرافیکی (GPU) موجود در رایانه‌ها، تراشه‌های RF نمی‌توانند از طریق یک فرآیند استاندارد و الگوریتمی طراحی شوند. طراحی RFIC یک تمرین مهندسی در چندین حوزه فیزیکی به طور همزمان است.

معادلات ماکسول نحوه تعامل میدان های الکترومغناطیسی با دستگاه های فعال و غیرفعال روی یک تراشه را کنترل می کند. در عین حال، قوانین ترمودینامیک نحوه تولید و حذف گرما را در حین کار تعیین می‌کند، در حالی که مکانیک انبساط حرارتی دیکته می‌کند که یک تراشه و بسته‌بندی آن تا چه حد در نوسانات دما زنده می‌مانند. در نظر گرفتن همه این محدودیت ها به طور همزمان فضای طراحی را تقریباً غیرممکن می کند و هر تصمیمی شامل اولویت های رقابتی است.

نتیجه این است که یک طراحی جدید تراشه RF می تواند سال ها و ده ها تا صدها میلیون دلار طول بکشد تا تکمیل شود.

فرکانس در خطر است

ریسک زیاد است زیرا تراشه‌های RF تقریباً زیربنای هر فناوری بی‌سیم هستند. ترانزیستورهای یک CPU معمولی در فرکانس کاری تنها چند گیگاهرتز بیش از حد گرم می شوند. در مقابل، تراشه‌های RF در فرکانس‌های بسیار بالاتری کار می‌کنند: 28 و 39 گیگاهرتز برای سیگنال‌های 5G، 26.5 تا 40 گیگاهرتز و بالاتر برای ارتباطات ماهواره‌ای و 77 گیگاهرتز برای رادار خودرو.

برای زنده ماندن در این فرکانس ها، تراشه های RF به طور هوشمندانه ای انرژی سیگنال را از طریق طراحی دقیق الکترومغناطیسی مدیریت می کنند. شکل شبکه‌های پیچیده‌ای از عناصر فلزی را به خود می‌گیرد - از نظر هندسی منظم، اغلب متقارن، و به قدری استادانه که می‌توانند شبیه پارچه‌های توری مانند باشند. این ساختارهای غیرفعال، مانند سلف ها و خطوط انتقال، بر املاک تراشه تسلط دارند و فضای بسیار بیشتری نسبت به خود ترانزیستورها اشغال می کنند.

چگونه هوش مصنوعی به مشکل نزدیک می شود

طبق گزارش IEEE Spectrum، گروه پرینستون تقریباً هفت سال پیش و پس از پیروزی AlphaGo DeepMind بر قهرمان جهان Go Lee Sedol در سال 2016، شروع به کاوش در طراحی RF مبتنی بر هوش مصنوعی کرد.

پاسخ، به طور فزاینده ای، بله است. محققان از یادگیری تقویتی همراه با طراحی معکوس برای ایجاد سریع RFIC از ابتدا استفاده می کنند. به جای شروع از یک الگوی انسانی، سیستم یاد می گیرد که کدام ساختارها رفتار الکترومغناطیسی مورد نظر را ایجاد می کنند.

اخیراً، مدل‌های انتشار - همان خانواده هوش مصنوعی مولد در پشت سنتز تصویر مدرن - برای تولید سریع طرح‌بندی‌های RF جدید استفاده شده‌اند. این مدل‌ها می‌توانند طرح‌هایی تولید کنند که عمداً وحشی هستند یا بیشتر توسط انسان قابل تفسیر هستند، و در عین حال که زمان طراحی را به شدت کاهش می‌دهند، به عملکرد رکوردی دست یافته‌اند.

یک مثال عینی این تغییر را نشان می دهد. مهندس طراحی تقویت کننده توان 28 گیگاهرتز برای یک گوشی موج میلی متری 5G به طور سنتی از الگوهای ثابت شروع می شود و از الگوهای متقارن و قابل درک پیروی می کند. رهایی از این محدودیت‌ها، هوش مصنوعی می‌تواند طرح‌هایی را که انسان هرگز نمی‌کشد را بررسی کند - و برای کار کردن نیازی به درک آن‌ها برای انسان نیست.

بعد چه می آید

محققان هشدار می دهند که میدان هنوز در نقطه طراحی RF کاملاً خودکار و دکمه ای قرار ندارد. آنها استدلال می کنند که پیشرفت آینده به مجموعه داده های بزرگ و مشترک طراحی تراشه و اکوسیستم های بازتر بستگی دارد، به طوری که سیستم های هوش مصنوعی می توانند رفتارهای الکترومغناطیسی و مدار جهانی را به جای الگوهای باریک و خاص آزمایشگاهی بیاموزند.

اگر آن بلوک‌های سازنده در جای خود قرار گیرند، پیامدها فراتر از تراشه‌های رادیویی است. تیم پرینستون پیشنهاد می‌کند که طراحی مجهز به هوش مصنوعی می‌تواند به آینده تمام طراحی‌های RF تبدیل شود - و احتمالاً خیلی بیشتر، با اشاره به نسل بعدی فناوری‌های بی‌سیم از جمله وسایل نقلیه خودران گسترده، ارتباطات کوانتومی، سرویس موبایل 6G و شبکه‌های ماهواره‌ای پیشرفته.

برای صنعتی که یک چرخه طراحی واحد می تواند سال ها و بودجه های 9 رقمی را مصرف کند، حتی تراشیدن کسری از آن زمان می تواند تحول آفرین باشد. و از آنجایی که مدارهای طراحی شده با هوش مصنوعی به طور فزاینده ای بهتر از همتایان ساخت بشر خود عمل می کنند، "هنر تاریک" طولانی مدت مهندسی RF ممکن است سرانجام به یک علم تبدیل شود.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →