Представьте, что AirTag так и не изобрели. Потерянный чемодан искать нечем, дозвониться до авиакомпании можно только с домашнего телефона, а фильмы в дороге приходится слушать по радио. Этот мысленный эксперимент открывает статью IEEE Spectrum о технологии, которую замечаешь, только когда она ломается: о радиочастотных чипах и о нейросетях, которые учатся их проектировать.

Проектирование RF-чипов (radio-frequency integrated circuits) десятилетиями называют тёмным искусством. Цифровые процессоры давно проектируются алгоритмами, а радиочастотные схемы до сих пор рождаются вручную: интуиция, годы практики, месяцы симуляций. Один новый чип отнимает годы работы и стоит десятки, а иногда и сотни миллионов долларов. В июне 2026 года IEEE Spectrum опубликовал рассказ Каушика Сенгупты, профессора электротехники и вычислительной техники Принстонского университета, о том, как его лаборатория заставила нейросети выполнять эту работу за минуты.

Почему RF-чипы до сих пор делают руками

RFIC расшифровывается как radio-frequency integrated circuit. Это микросхема, которая принимает и передаёт радиосигнал: она работает в смартфоне, в автомобильном радаре, в спутниковом терминале. Частоты говорят сами за себя: 28 и 39 ГГц для 5G, от 26,5 до 40 ГГц для спутниковой связи, 77 ГГц для радаров автопилотов. Транзистор обычного процессора на таких частотах перегреется и выйдет из строя, поэтому энергию сигнала приходится укрощать электромагнитными структурами.

Большую часть площади чипа занимают не транзисторы, а пассивные элементы: индукторы, линии передачи, запутанные металлические сети. Внешне они похожи на кружево, а электрически работают как сантехника: направляют энергию строго по нужным путям и не дают ей утекать куда попало. Чем выше частоты и чем больше функций у устройства, тем сложнее эта паутина и тем дороже ошибка в ней.

Сложность в том, что проектировщик одновременно имеет дело с уравнениями Максвелла, термодинамикой, тепловым расширением и десятками конкурирующих параметров. Улучшение одного показателя почти всегда ухудшает другой, и единственно верного выбора не существует. Одни конфигурации выигрывают в усилении, но теряют в стабильности, другие дают полосу в обмен на КПД, третьи экономят энергию ценой выходной мощности. Инженер ищет компромисс вручную, полагаясь на опыт. Сенгупта сравнивает процесс с попыткой втиснуть большой ковёр в маленькую комнату: прижимаешь один угол, вылезает другой. Отдельная мука ждёт на согласовании импеданса. Если стык компонентов не подогнан, волна отражается назад, как вода из пожарного шланга, подключённого к садовому: почти ничего не проходит. Инженеры строят для этого хитрые микроскопические переходы, и на миллиметровых частотах одна ошибка отделяет рабочий чип от брака.

Результат такого расклада: месяцы симуляций и переделок, а «искусство» становится не метафорой, а способом удержать в голове связи, которые не помещаются ни в одну формулу. Сенгупта замечает, что эта вера годами тормозила алгоритмические подходы ровно тогда, когда они стали особенно нужны.

Ловушка шаблонов

Автоматизировать проектирование пытались и раньше. Машинное обучение тренировали на библиотеках готовых схем: алгоритм быстрее человека подбирал параметры, но не выходил за границы того, что придумали люди. У подхода обнаружились два ограничения. Каждый шаблон несёт в себе компромисс, который не обойти. А для части современных задач готовых лекал нет вообще: у широкополосных схем их просто не существует. Вдобавок даже самые быстрые симуляции съедают массу вычислений, а в сложных случаях их приходится встраивать прямо в цикл оптимизации, что делает процесс мучительно медленным.

AlphaGo Zero для микросхем

Задумка родилась вскоре после того, как AlphaGo победила Ли Седоля: можно ли научить этой работе и ИИ? Образцом стала AlphaGo Zero, которая превзошла людей, учась не на человеческих партиях, а на играх с самой собой. Лаборатория Сенгупты построила аналог для микросхем.

Система собирает схему с нуля: архитектуру, топологию, параметры устройств и свойства электромагнитных интерфейсов между ними. Агент перебирает комбинации, наблюдает, как они отражаются на характеристиках, и постепенно строит карту соответствия между конструкцией и результатом. Обучение занимает от нескольких дней до недели, зато обученный агент проектирует очень быстро. Принципиальная разница с классической оптимизацией в том, что та лишь подстраивает параметры готовой схемы, а здесь конструкция не наследует человеческие предубеждения.

Второй этап: обратное проектирование. Нужно найти физическую структуру металла, которая даст желаемые S-параметры, то есть подходящее поведение сигнала на входе и выходе. Тут на смену тяжёлому симулятору приходит нейросеть-эмулятор. Она предсказывает S-параметры для произвольной двумерной формы, не решая уравнения Максвелла заново, и тратит на это миллисекунды вместо минут или часов. Вместе с обучением с подкреплением получается сквозной проектировщик, который ведёт схему от технических требований до готового к производству слоя.

Усилитель, похожий на QR-код

В 2023 году лаборатория показала первый результат: усилитель мощности для диапазона от 30 до 100 ГГц, который покрывает ключевые частоты 5G и радаров. Схема дала лучшую на тот момент комбинацию полосы, выходной мощности и КПД среди кремниевых усилителей, а по эффективности установила рекорд. Первые физические прототипы в ряде случаев обошли state-of-the-art решения. Но самое интересное кроется в форме: схема, выращенная без человеческих шаблонов, не похожа ни на что привычное. Сенгупта описывает узор как произвольный рисунок или QR-код. Отсюда следует сильный вывод: нет свидетельств, что человеческие шаблоны близки к оптимуму для современных задач. Речь не о том, что человек не способен предложить сильную схему. Речь о том, что алгоритм не привязан к привычным формам и не жалеет времени на тысячи циклов синтеза, поэтому выходит за барьеры, которые индустрия считала естественными.

В 2024 году вышла работа о многовходовых схемах. Каждый порт в них связан с каждым, поэтому число S-параметров растёт лавинообразно: у двух портов их четыре, у четырёх уже шестнадцать, а математика быстро становится некрасивой. Там, где человек тратил дни и недели симуляций, модель выдаёт новые структуры за минуты. Сегодня подход проверен на малошумящих усилителях, субтерагерцовых и широкополосных схемах.

Ручка понятности

У подхода есть слабое место: странные схемы трудно отлаживать. Тестирование чипов бывает мучительнее проектирования, и инженерам важно понимать логику конструкции. Поэтому лаборатория подключила диффузионные модели, те самые, что рисуют картинки по текстовому запросу. Здесь вместо текста на вход подаются S-параметры, а на выходе получается структура металла. Модель обучена на огромном числе случайных пиксельных структур, для которых заранее вычислили S-параметры, поэтому она отвечает даже на запросы о формах, которых никогда не видела. Аналогия со стилями художников почти прямая: одно и то же небо можно нарисовать в манере Пикассо или Ван Гога, а одну и ту же электромагнитную функцию можно воплотить в разных геометриях.

Есть и ручка управления: она задаёт пространственную частоту узора. На минимуме модель генерирует классические, легко читаемые структуры, в середине лабиринты, на максимуме пиксельные абстракции. От запроса до результата проходит около шести минут. Сенгупта описывает это как торговый автомат: задаёшь корректные S-параметры, получаешь соответствующую структуру.

Недоверие, галлюцинации и дефицит данных

Простор для скепсиса остаётся. Открыто, насколько методы универсальны, всегда ли они дают высшую производительность и можно ли оптимизировать все параметры сразу. Нейросеть способна сгаллюцинировать нерабочую схему, поэтому Сенгупта настаивает: верификация должна оставаться под контролем человека. Ошибки редки, но их хочется свести к нулю. При этом интерпретируемость для Сенгупты остается условием внедрения: схему, которую команда не может объяснить, трудно проверять и сопровождать в производстве.

Главный дефицит: данные. Сенгупта вспоминает ImageNet: распознавание изображений сдвинулось с места только после появления набора из 14 миллионов размеченных картинок, до этого модели не работали в реальном мире. Чтобы универсальная модель выучила законы электромагнетизма и поведения схем, нужен похожий массив. Ирония в том, что данные и так существуют: инженеры по всему миру ежедневно симулируют почти одинаковые структуры. Но всё это заперто за соглашениями о неразглашении.

Открытые экосистемы разгоняли и другие области, и сообществу RFIC стоило бы пойти тем же путём. Символичный эпизод: Natcast, оператор исследовательской программы США, запущенной в рамках закона CHIPS, закрылся вместе с направлением машинного обучения для RFIC. Запущенный им импульс не исчез, группы по всему миру продолжают показывать результаты, а традиционный процесс проектирования снизу вверх начинает разворачиваться. Как формулирует Сенгупта, если всё сложится, джинна обратно в бутылку уже не загнать.

Что это значит для индустрии

Ставка здесь больше, чем один удачный усилитель. От новых RF-чипов зависят автопилоты, спутниковая связь, связь шестого поколения и даже квантовые коммуникации. Если проектирование ускорится на порядки, ускорится и всё, что стоит на этих чипах. А сам сюжет шире радиоэлектроники: похожие истории уже происходят в биологии, материаловедении и аэрокосмической отрасли, где ИИ перебирает сложные системы вместо человека. Сенгупта призывает к более тесному сотрудничеству исследователей ИИ и схемотехников: порознь потенциал не раскроется. Гарантий успеха нет, но инерция уже набрана.

Часто задаваемые вопросы

Почему аналоговые и радиочастотные чипы автоматизировать сложнее, чем цифровые?

Цифровая логика дискретна: она собирается из стандартных ячеек, и корректность проверяется формально. У RF-схем всё непрерывно: поведение определяют уравнения Максвелла, тепловые и механические эффекты, а параметры связаны между собой. Эта связанность и не позволяла разложить проектирование на автоматические шаги на протяжении десятилетий. В цифровом мире проблему снимают готовые библиотеки ячеек и формальная проверка, в радиочастотном аналоге этого до сих пор нет.

Заменит ли ИИ инженеров-схемотехников?

Скорее изменит их работу. Перебор вариантов и синтез структур нейросети берут на себя, но постановка задачи, проверка и отладка остаются за человеком. Сенгупта прямо пишет, что верификация должна сохраняться под человеческим надзором, пока не решены вопросы с ошибками моделей.

Насколько можно доверять схемам, которых человек не понимает?

Это открытый вопрос. Диффузионная ручка пространственной частоты уже позволяет генерировать привычные, читаемые структуры, так что инженер может сам выбирать уровень понятности. Но отладка нечеловеческих узоров потребует новых методов, и часть сообщества относится к диким схемам настороженно.

Итог

Проектирование RF-чипов перестаёт быть тёмным искусством. Обучение с подкреплением и диффузионные модели синтезируют схемы с рекордными характеристиками за время, несопоставимое с человеческим, и попутно показывают, что старые шаблоны были далеки от совершенства. Дальше всё упирается не столько в алгоритмы, сколько в данные: если отрасль решится открыть свои симуляции, у радиоэлектроники появится свой ImageNet. А пока мы наблюдаем редкий сюжет: последнее ремесло кремниевой инженерии превращается в вычислительную задачу. Какие ещё «тёмные искусства» дождутся своей нейросети?