Decennia lang werd het ontwerpen van radiofrequentie-geïntegreerde schakelingen omschreven als een ‘duistere kunst’; een vaardigheid die men alleen beheerst door jarenlange nauwgezette ervaring. Nu zeggen onderzoekers van Princeton University dat kunstmatige intelligentie die kunst leert, en in sommige gevallen de mensen overtreft die er ooit het monopolie op hadden.
In een artikel dat op 24 juni 2026 door IEEE Spectrum werd gepubliceerd, legde het team uit hoe machine-learning-methoden worden gebruikt om radiofrequentie-geïntegreerde schakelingen (RFIC's) te genereren – de kleine chips waarmee telefoons, auto's en satellieten draadloze signalen kunnen verzenden en ontvangen – vanaf het begin. Sommige van de resulterende lay-outs, zo merken de onderzoekers op, "lijken meer op moderne kunst dan op circuitlay-outs", maar hun fysieke prototypes hebben de modernste, door mensen ontworpen circuits op prestatie overtroffen. Voor meer context over dit verhaal, zie ons laatste AI-ontwikkelingen.
De prestatie is echter niet puur esthetisch. De AI ontwierp werkende ontwerpen in een orde van grootte minder tijd dan een menselijke ingenieur nodig zou hebben.
Waarom RF-chipontwerp zo moeilijk is
In tegenstelling tot de centrale verwerkingseenheden (CPU's) en grafische chips (GPU's) die in computers worden aangetroffen, kunnen RF-chips niet worden ontworpen via een gestandaardiseerd, algoritmisch proces. RFIC-ontwerp is een oefening in engineering over meerdere fysieke domeinen tegelijk.
De vergelijkingen van Maxwell bepalen hoe elektromagnetische velden interageren met de actieve en passieve apparaten op een chip. Tegelijkertijd bepalen de wetten van de thermodynamica hoe warmte wordt gegenereerd en verwijderd tijdens bedrijf, terwijl de mechanica van thermische uitzetting dicteert hoe betrouwbaar een chip en zijn verpakking temperatuurschommelingen overleven. Door al deze beperkingen tegelijkertijd in rekening te brengen, wordt de ontwerpruimte bijna onmogelijk groot, waarbij elke beslissing concurrerende prioriteiten met zich meebrengt.
Het resultaat is dat het voltooien van een enkel nieuw RF-chipontwerp jaren en tientallen tot honderden miljoenen dollars kan duren.
De frequenties die op het spel staan
De inzet is hoog omdat RF-chips de basis vormen voor bijna elke draadloze technologie. De transistors van een typische CPU raken oververhit bij werkfrequenties van slechts enkele gigahertz. RF-chips werken daarentegen op veel hogere frequenties: 28 en 39 gigahertz voor 5G-signalen, 26,5 tot 40 gigahertz en hoger voor satellietcommunicatie, en 77 gigahertz voor autoradar.
Om deze frequenties te overleven, beheren RF-chips op slimme wijze de energie van een signaal door middel van een zorgvuldig elektromagnetisch ontwerp. Dat neemt de vorm aan van ingewikkelde netwerken van metalen elementen – geometrisch regelmatig, vaak symmetrisch en zo gedetailleerd dat ze op kantachtige filigraan kunnen lijken. Deze passieve structuren, zoals inductoren en transmissielijnen, domineren het onroerend goed van de chip en nemen veel meer ruimte in beslag dan de transistors zelf.
Hoe de AI het probleem benadert
Volgens het IEEE Spectrum-rapport begon de Princeton-groep ongeveer zeven jaar geleden met het verkennen van AI-gestuurd RF-ontwerp, in de nasleep van DeepMind's AlphaGo-overwinning op wereldkampioen Go Lee Sedol in 2016. Die doorbraak was voor het team aanleiding om zich af te vragen of AI ook de "duistere kunst" van RF-ontwerp kon worden onderwezen.
Het antwoord luidt steeds vaker ja. De onderzoekers gebruiken reinforcement learning gecombineerd met inverse design om snel RFIC's vanaf het begin te creëren. In plaats van uit te gaan van een menselijk sjabloon, leert het systeem welke structuren het gewenste elektromagnetische gedrag produceren.
Meer recentelijk zijn diffusiemodellen – dezelfde familie van generatieve AI achter de moderne beeldsynthese – gebruikt om snel nieuwe RF-lay-outs te genereren. Deze modellen kunnen ontwerpen produceren die opzettelijk wild of meer door mensen interpreteerbaar zijn, en ze hebben recordprestaties behaald terwijl de ontwerptijd drastisch werd verkort.
Een concreet voorbeeld illustreert de verschuiving. Een ingenieur die een 28-GHz eindversterker ontwerpt voor een 5G millimetergolf-handset zou traditioneel uitgaan van gevestigde sjablonen en symmetrische, begrijpelijke patronen volgen. Bevrijd van deze beperkingen kan de AI ontwerpen onderzoeken die een mens nooit zou tekenen – en die niet door mensen begrijpelijk hoeven te zijn om te kunnen werken.
Wat komt erna
De onderzoekers waarschuwen dat het veld nog niet op het punt staat van volledig geautomatiseerd RF-ontwerp met drukknoppen. Toekomstige vooruitgang, zo stellen zij, zal afhangen van grote, gedeelde datasets voor chipontwerp en meer open ecosystemen, zodat AI-systemen universeel elektromagnetisch en circuitgedrag kunnen leren in plaats van smalle, laboratoriumspecifieke patronen.
Als deze bouwstenen op hun plaats vallen, reiken de gevolgen veel verder dan radiochips. Het Princeton-team suggereert dat AI-ondersteund ontwerp de toekomst van alle RF-ontwerp zou kunnen worden – en mogelijk nog veel meer, wijzend op draadloze technologieën van de volgende generatie, waaronder wijdverbreide autonome voertuigen, kwantumcommunicatie, 6G mobiele diensten en geavanceerde satellietnetwerken.
Voor een sector waar een enkele ontwerpcyclus jaren en budgetten van negen cijfers kan kosten, zou zelfs het scheren van een fractie van die tijd transformatief kunnen zijn. En nu de door AI ontworpen circuits steeds beter presteren dan hun door mensen gemaakte tegenhangers, zou de al lang bestaande ‘duistere kunst’ van RF-techniek eindelijk een wetenschap kunnen worden.
---
Blijf Voorop met AIHet laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.
Lees meer AI-nieuws →
