I decennier har design av integrerade radiofrekvenskretsar beskrivits som en "mörk konst" - en färdighet som bara bemästras genom år av mödosam erfarenhet. Nu säger forskare vid Princeton University att artificiell intelligens lär sig den konsten och i vissa fall överträffar de människor som en gång hade monopol på den.
I en funktion som publicerades av IEEE Spectrum den 24 juni 2026, beskrev teamet hur maskininlärningsmetoder används för att generera radiofrekvensintegrerade kretsar (RFIC) – de små chipsen som låter telefoner, bilar och satelliter skicka och ta emot trådlösa signaler – från grunden. Några av de resulterande layouterna, noterar forskarna, "liknar mer modern konst än kretslayouter", men deras fysiska prototyper har överträffat toppmoderna mänskligt designade kretsar på prestanda. For more context on this story, see our ongoing AI trends.
Prestationen är dock inte rent estetisk. AI:n skapade fungerande konstruktioner i storleksordningar mindre tid än en mänsklig ingenjör skulle kräva.
Varför RF-chipdesign är så svårt
Till skillnad från de centrala bearbetningsenheterna (CPU) och grafikkretsar (GPU) som finns i datorer, kan RF-chips inte utformas genom en standardiserad, algoritmisk process. RFIC-design är en övning i teknik över flera fysiska domäner samtidigt.
Maxwells ekvationer styr hur elektromagnetiska fält interagerar med de aktiva och passiva enheterna på ett chip. Samtidigt bestämmer termodynamikens lagar hur värme genereras och avlägsnas under drift, medan mekaniken för termisk expansion dikterar hur tillförlitligt ett chip och dess förpackning överlever temperatursvängningar. Att ta hänsyn till alla dessa begränsningar samtidigt gör designutrymmet nästan omöjligt stort, med varje beslut som involverar konkurrerande prioriteringar.
Resultatet är att en enda ny RF-chipdesign kan ta år och tiotals till hundratals miljoner dollar att färdigställa.
Frekvenserna på spel
Insatserna är höga eftersom RF-chips stödjer nästan all trådlös teknologi. En typisk CPU:s transistorer överhettas vid arbetsfrekvenser på bara några gigahertz. RF-chips, däremot, fungerar vid mycket högre frekvenser: 28 och 39 gigahertz för 5G-signaler, 26,5 till 40 gigahertz och mer för satellitkommunikation och 77 gigahertz för bilradar.
För att överleva dessa frekvenser hanterar RF-chips på ett smart sätt en signals energi genom noggrann elektromagnetisk design. Det tar formen av invecklade nätverk av metallelement - geometriskt regelbundna, ofta symmetriska och så utarbetade att de kan likna spetsliknande filigran. Dessa passiva strukturer, såsom induktorer och transmissionsledningar, dominerar chipets fastigheter och tar upp mycket mer utrymme än själva transistorerna.
Hur AI närmar sig problemet
Enligt IEEE Spectrum-rapporten började Princeton-gruppen utforska AI-driven RF-design för ungefär sju år sedan, i kölvattnet av DeepMinds AlphaGo-seger över världsGo-mästaren Lee Sedol 2016. Det genombrottet fick teamet att fråga om AI också kunde läras ut RF-designens "mörka konst".
Svaret är i allt högre grad ja. Forskarna använder förstärkningsinlärning i kombination med invers design för att snabbt skapa RFIC från grunden. Istället för att utgå från en mänsklig mall, lär sig systemet vilka strukturer som producerar det önskade elektromagnetiska beteendet.
På senare tid har diffusionsmodeller – samma familj av generativ AI bakom modern bildsyntes – använts för att snabbt generera nya RF-layouter. Dessa modeller kan producera design som antingen är avsiktligt vilda eller mer mänskliga tolkbara, och de har uppnått rekordprestanda samtidigt som designtiden drastiskt minskat.
Ett konkret exempel illustrerar förändringen. En ingenjör som designar en 28-gigahertz effektförstärkare för en 5G millimetervågslur skulle traditionellt börja från etablerade mallar och följa symmetriska, begripliga mönster. Befriad från dessa begränsningar kan AI:n utforska mönster som en människa aldrig skulle rita – och som inte behöver vara mänskligt förståeliga för att fungera.
Vad kommer härnäst
Forskarna varnar för att fältet ännu inte är vid en helautomatisk RF-design med tryckknappar. Framtida framsteg, hävdar de, kommer att bero på stora, delade datauppsättningar för chipdesign och öppnare ekosystem, så att AI-system kan lära sig universella elektromagnetiska beteenden och kretsbeteenden snarare än smala, labbspecifika mönster.
Om dessa byggstenar faller på plats sträcker sig konsekvenserna långt bortom radiochips. Princeton-teamet föreslår att AI-aktiverad design kan bli framtiden för all RF-design - och möjligen mycket mer, och pekar mot nästa generations trådlösa teknologier inklusive utbredda autonoma fordon, kvantkommunikation, 6G-mobiltjänster och avancerade satellitnätverk.
För en bransch där en enda designcykel kan ta år och niosiffriga budgetar kan till och med rakning av en bråkdel av den tiden vara omvälvande. Och eftersom de AI-designade kretsarna i allt högre grad överträffar sina mänskliga motsvarigheter, kan den långvariga "mörka konsten" av RF-teknik äntligen förvandlas till en vetenskap.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
