अनेक दशकांपासून, रेडिओ-फ्रिक्वेंसी इंटिग्रेटेड सर्किट्स डिझाईन करणे हे "डार्क आर्ट" म्हणून वर्णन केले गेले आहे - एक कौशल्य जे केवळ वर्षांच्या कष्टाळू अनुभवातून प्राप्त होते. आता, प्रिन्स्टन विद्यापीठातील संशोधकांचे म्हणणे आहे की कृत्रिम बुद्धिमत्ता ही कला शिकत आहे, आणि काही प्रकरणांमध्ये ज्या मानवांवर एकेकाळी मक्तेदारी होती त्यांना मागे टाकत आहे.
IEEE स्पेक्ट्रम द्वारे 24 जून 2026 रोजी प्रकाशित केलेल्या वैशिष्ट्यामध्ये, टीमने रेडिओ-फ्रिक्वेंसी इंटिग्रेटेड सर्किट्स (RFICs) तयार करण्यासाठी मशीन-लर्निंग पद्धती कशा वापरल्या जात आहेत याची तपशीलवार माहिती दिली आहे — ज्या लहान चिप्स फोन, कार आणि उपग्रहांना वायरलेस सिग्नल पाठवू आणि प्राप्त करू देतात — सुरवातीपासून. काही परिणामी लेआउट्स, संशोधकांनी नोंदवले आहे की, "सर्किट लेआउटपेक्षा आधुनिक कलेसारखे दिसतात," तरीही त्यांच्या भौतिक प्रोटोटाइपने कार्यक्षमतेवर अत्याधुनिक मानवी-डिझाइन सर्किट्स उत्कृष्ट केले आहेत. For more context on this story, see our ongoing artificial intelligence updates.
तथापि, हे यश पूर्णपणे सौंदर्यात्मक नाही. AI ने मानवी अभियंत्याला लागणाऱ्या वेळेपेक्षा कमी वेळेत कार्यरत डिझाइन्सची कल्पना केली.
आरएफ चिप डिझाइन इतके कठीण का आहे
संगणकामध्ये आढळणाऱ्या सेंट्रल प्रोसेसिंग युनिट्स (CPUs) आणि ग्राफिक्स चिप्स (GPUs) च्या विपरीत, RF चिप्स प्रमाणित, अल्गोरिदमिक प्रक्रियेद्वारे डिझाइन केले जाऊ शकत नाहीत. RFIC डिझाईन हा एकाच वेळी अनेक भौतिक डोमेनवर अभियांत्रिकीचा एक व्यायाम आहे.
मॅक्सवेलची समीकरणे एका चिपवरील सक्रिय आणि निष्क्रिय उपकरणांशी इलेक्ट्रोमॅग्नेटिक फील्ड कसे परस्परसंवाद करतात हे नियंत्रित करतात. त्याच वेळी, थर्मोडायनामिक्सचे नियम ऑपरेशन दरम्यान उष्णता कशी निर्माण होते आणि कशी काढली जाते हे निर्धारित करतात, तर थर्मल विस्ताराचे यांत्रिकी हे ठरवतात की चिप आणि त्याचे पॅकेजिंग तापमानात बदल किती विश्वासार्हपणे टिकून राहते. या सर्व अडथळ्यांसाठी एकाच वेळी लेखांकन केल्याने डिझाइनची जागा जवळजवळ अशक्यप्राय मोठी बनते, प्रत्येक निर्णयामध्ये स्पर्धात्मक प्राधान्यांचा समावेश असतो.
याचा परिणाम असा आहे की एकच नवीन RF चिप डिझाइन पूर्ण होण्यासाठी अनेक वर्षे आणि शेकडो ते लाखो डॉलर्स लागू शकतात.
फ्रिक्वेन्सी धोक्यात
RF चीप जवळजवळ प्रत्येक वायरलेस तंत्रज्ञानाला अधोरेखित करत असल्यामुळे दावे जास्त आहेत. ठराविक CPU चे ट्रान्झिस्टर फक्त काही गिगाहर्ट्झच्या ऑपरेटिंग फ्रिक्वेन्सीवर जास्त गरम होतात. याउलट, RF चिप्स खूप उच्च फ्रिक्वेन्सीवर कार्य करतात: 5G सिग्नलसाठी 28 आणि 39 गीगाहर्ट्ज, उपग्रह संप्रेषणासाठी 26.5 ते 40 गीगाहर्ट्झ आणि त्याहून अधिक, आणि ऑटोमोटिव्ह रडारसाठी 77 गिगाहर्ट्झ.
त्या फ्रिक्वेन्सी टिकवून ठेवण्यासाठी, आरएफ चिप्स काळजीपूर्वक इलेक्ट्रोमॅग्नेटिक डिझाइनद्वारे सिग्नलची ऊर्जा हुशारीने व्यवस्थापित करतात. ते धातूच्या घटकांच्या गुंतागुंतीच्या नेटवर्कचे रूप धारण करते — भौमितिकदृष्ट्या नियमित, बहुतेक वेळा सममितीय आणि इतके विस्तृत ते लेसेलिक फिलीग्रीसारखे असू शकतात. या निष्क्रिय संरचना, जसे की इंडक्टर्स आणि ट्रान्समिशन लाइन्स, चिपच्या रिअल इस्टेटवर वर्चस्व गाजवतात, ट्रान्झिस्टरपेक्षा जास्त जागा घेतात.
AI समस्येकडे कसे पोहोचते
IEEE स्पेक्ट्रम अहवालानुसार, 2016 मध्ये DeepMind च्या AlphaGo च्या जागतिक Go चॅम्पियन ली सेडोलवर विजय मिळविल्यानंतर प्रिन्स्टन समूहाने AI-चालित RF डिझाइनचा शोध घेण्यास सुरुवात केली. त्या यशामुळे AI ला RF डिझाइनची "डार्क आर्ट" शिकवली जाऊ शकते का हे विचारण्यास प्रवृत्त केले.
उत्तर, वाढत्या, होय आहे. सुरवातीपासून वेगाने RFICs तयार करण्यासाठी संशोधक इन्व्हर्स डिझाइन सह मजबुतीकरण शिक्षण वापरतात. मानवी टेम्प्लेटपासून सुरुवात करण्याऐवजी, सिस्टीम जाणून घेते की कोणत्या संरचना इच्छित इलेक्ट्रोमॅग्नेटिक वर्तन तयार करतात.
अगदी अलीकडे, डिफ्यूजन मॉडेल — आधुनिक प्रतिमा संश्लेषणामागे जनरेटिव्ह एआयचे तेच कुटुंब — कादंबरी RF लेआउट्स वेगाने निर्माण करण्यासाठी वापरले गेले आहेत. ही मॉडेल्स एकतर मुद्दाम जंगली किंवा अधिक मानवी-व्याख्या करण्यायोग्य डिझाइन तयार करू शकतात आणि त्यांनी डिझाइनच्या वेळेत कमालीची कपात करताना विक्रमी कामगिरी केली आहे.
एक ठोस उदाहरण शिफ्ट स्पष्ट करते. 5G मिलिमीटर-वेव्ह हँडसेटसाठी 28-गीगाहर्ट्झ पॉवर ॲम्प्लिफायर डिझाइन करणारा अभियंता पारंपारिकपणे स्थापित टेम्पलेट्सपासून सुरू होईल आणि सममितीय, समजण्यायोग्य नमुन्यांचे अनुसरण करेल. त्या अडथळ्यांपासून मुक्त होऊन, AI अशा डिझाईन्स एक्सप्लोर करू शकते जे मानव कधीच काढू शकत नाही — आणि ते काम करण्यासाठी मानवी-समजण्यासारखे असणे आवश्यक नाही.
पुढे काय येईल
संशोधक सावध करतात की फील्ड अद्याप पूर्णपणे स्वयंचलित, पुश-बटण आरएफ डिझाइनच्या टप्प्यावर नाही. त्यांचे म्हणणे आहे की भविष्यातील प्रगती मोठ्या, सामायिक चिप-डिझाइन डेटासेट आणि अधिक खुल्या इकोसिस्टमवर अवलंबून असेल, जेणेकरून AI प्रणाली अरुंद, लॅब-विशिष्ट नमुन्यांऐवजी सार्वत्रिक इलेक्ट्रोमॅग्नेटिक आणि सर्किट वर्तन शिकू शकतील.
जर ते बिल्डिंग ब्लॉक्स जागेवर पडले, तर त्याचे परिणाम रेडिओ चिप्सच्या पलीकडे वाढतात. प्रिन्स्टन टीम सुचवते की AI-सक्षम डिझाइन सर्व RF डिझाइनचे भविष्य बनू शकते — आणि शक्यतो बरेच काही, व्यापक स्वायत्त वाहने, क्वांटम कम्युनिकेशन्स, 6G मोबाइल सेवा आणि प्रगत सॅटेलाइट नेटवर्क्ससह पुढील पिढीच्या वायरलेस तंत्रज्ञानाकडे निर्देश करते.
अशा उद्योगासाठी जिथे एकच डिझाइन सायकल वर्षे आणि नऊ-आकड्यांचे बजेट खर्च करू शकते, त्या वेळेचा काही भाग मुंडणे देखील परिवर्तनकारक असू शकते. आणि AI-डिझाइन केलेले सर्किट्स त्यांच्या मानवनिर्मित समकक्षांपेक्षा अधिक कामगिरी करत असल्याने, RF अभियांत्रिकीची दीर्घकालीन "डार्क आर्ट" शेवटी विज्ञानात बदलत आहे.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
