Minh Nguyệt
Intern Writer
Bạn có bao giờ tự hỏi, điều gì đứng sau mọi kết nối không dây mà chúng ta đang tận hưởng mỗi ngày, từ chiếc điện thoại thông minh đến xe tự lái trong tương lai? Câu trả lời nằm ở những con chip tần số vô tuyến tích hợp (RFIC) bé nhỏ, cho phép mọi thiết bị của chúng ta truyền và nhận thông tin một cách liền mạch. Những con chip này đã thay đổi cách chuỗi cung ứng vận hành, định hình lại cơ sở hạ tầng và tác động sâu sắc đến nền kinh tế toàn cầu.
Hãy thử hình dung về tương lai khi công nghệ này tiếp tục phát triển: xe tự lái phổ biến, liên lạc lượng tử, dịch vụ di động 6G và truyền thông vệ tinh. Tất cả những bước tiến này đều phụ thuộc vào các phiên bản chip RF mới và tiên tiến hơn. Thế nhưng, có một vấn đề lớn: trong khi việc thiết kế hầu hết các loại chip máy tính khác đã được chuẩn hóa thành một ngành khoa học rõ ràng, thì thiết kế chip RF vẫn kiên trì nằm trong lĩnh vực của nghệ thuật. Thậm chí, đó còn là một "nghệ thuật hắc ám", chỉ có thể thành thạo qua nhiều năm kinh nghiệm. Và như bất kỳ "phù thủy" nào cũng sẽ nói, nghệ thuật hắc ám có lịch trình riêng của nó, một lịch trình đang cản trở sự tiến bộ không chỉ trong thiết kế chip RF mà còn ở mọi công nghệ phụ thuộc vào nó.
Khoảng 7 năm trước, sau chiến thắng vang dội của AlphaGo trước kỳ thủ cờ vây thế giới Lee Sedol, các sinh viên của mình tại Đại học Princeton và tôi bắt đầu tự hỏi: liệu AI có thể học được "nghệ thuật" này không? Những thành công gần đây cho thấy, ở một mức độ lớn, điều đó hoàn toàn có thể. Trong vài năm qua, nhóm của chúng tôi và các nhà lãnh đạo khác trong lĩnh vực đã bắt đầu phát triển các phương pháp thuật toán dựa trên học máy để thiết kế RFIC. Một số con chip được tạo ra trông giống như tác phẩm nghệ thuật hiện đại hơn là sơ đồ mạch điện thông thường. Tuy nhiên, trong nhiều trường hợp, các nguyên mẫu vật lý này lại vượt trội hơn các mạch tiên tiến nhất về hiệu suất. Thành tựu thực sự đáng kinh ngạc là AI chỉ mất ít thời gian hơn nhiều lần để đưa ra một thiết kế hoạt động hiệu quả so với một nhà thiết kế con người.
Đây không chỉ là câu chuyện về một hoặc hai con chip RF. Thiết kế dựa trên AI có thể là tương lai của toàn bộ ngành thiết kế RF, và thậm chí còn hơn thế nữa.
Vậy tại sao những con chip này lại phải được chế tạo thủ công? Tại sao RFIC không được thiết kế bằng quy trình tổng hợp thuật toán, giống như cách CPU và GPU được tạo ra?
Thiết kế RFIC là một bài toán kỹ thuật phức tạp, trải rộng trên nhiều lĩnh vực vật lý. Các phương trình Maxwell, hoạt động trên các thang không gian và thời gian khác nhau, chi phối cách trường điện từ tương tác với các thiết bị chủ động và thụ động, vốn phải được đồng thiết kế cẩn thận để chip hoạt động. Bên cạnh đó là các định luật nhiệt động lực học, xác định cách nhiệt được tạo ra và loại bỏ trong quá trình hoạt động, cũng như cơ học của sự giãn nở và co lại do nhiệt, quyết định độ tin cậy của chip và bao bì của nó khi chịu sự thay đổi nhiệt độ.
Việc đồng thời tính toán tất cả các ràng buộc vật lý này khiến không gian thiết kế trở nên cực kỳ rộng lớn. Mỗi quyết định đều liên quan đến các ưu tiên phức tạp, thường xung đột lẫn nhau, ngăn cản việc tối ưu hóa bất kỳ yếu tố nào. Để hiểu rõ hơn vấn đề này, chúng ta hãy cùng tìm hiểu các bước liên quan, sau đó các bạn sẽ hiểu tại sao một thiết kế chip mới lại mất hàng năm trời và hàng chục đến hàng trăm triệu USD.
Phần lớn diện tích của các chip tần số vô tuyến tích hợp bị chiếm bởi các cấu trúc điện từ phức tạp. Các RFIC do con người thiết kế thường bắt đầu với các mẫu có sẵn và tuân theo một mô hình đối xứng, dễ hiểu. Nhưng khi được giải phóng khỏi các ràng buộc của các mẫu do con người tạo ra và không cần con người phải hiểu lý do đằng sau các cấu trúc điện từ, các IC khuếch đại công suất và bộ khuếch đại nhiễu thấp có thể mang những thiết kế trông thực sự "hoang dã" nhưng lại cực kỳ hiệu quả.
Hãy tưởng tượng bạn là một kỹ sư được giao nhiệm vụ thiết kế một bộ khuếch đại công suất 28 gigahertz mới cho điện thoại 5G băng tần milimet. Đây là loại RFIC giúp tăng cường tín hiệu 5G trên điện thoại của bạn và truyền chúng đến ăng-ten để trạm gốc ở xa có thể thu nhận. Bạn sẽ bắt đầu từ đâu?
Thiết kế RFIC có một số điểm chung với việc xây nhà. Giống như bản thiết kế nhà quy định số lượng phòng ngủ, phòng tắm và hành lang kết nối chúng, bản thiết kế cho một RFIC – được gọi là kiến trúc – xác định các loại yếu tố mà RFIC cần để thực hiện chức năng dự định. Thay vì các phòng, kiến trúc bao gồm, ví dụ, số lượng tầng khuếch đại mà bộ khuếch đại công suất của bạn cần. Thay vì hành lang, nó cho thấy các đường dẫn mà tín hiệu phải đi qua các tầng đó.
Bản thiết kế cho RFIC thực chất chủ yếu là "hành lang"; các thành phần thụ động, như cuộn cảm và đường truyền, chiếm nhiều diện tích hơn đáng kể so với các thành phần chủ động như bóng bán dẫn. Lý do là vì, như các bạn có thể đã trải nghiệm, các bóng bán dẫn của CPU thông thường sẽ quá nhiệt khi hoạt động ở tần số chỉ vài gigahertz. Tần số mà RFIC có thể hoạt động cao hơn một bậc độ lớn – 28 và 39 GHz cho tín hiệu 5G, 26.5 đến 40 GHz và thậm chí cao hơn cho truyền thông vệ tinh, và 77 GHz cho radar ô tô. Dưới sự tấn công này, các bóng bán dẫn của CPU sẽ hỏng.
Các bóng bán dẫn RFIC tránh được số phận này vì những con chip này quản lý năng lượng tín hiệu một cách thông minh bằng thiết kế điện từ cẩn thận. Điều này tạo thành các mạng lưới kim loại phức tạp, chiếm ưu thế trong không gian của chip. Những cấu trúc này có hình dạng hình học đều đặn, thường đối xứng, và được xây dựng tinh xảo đến mức đôi khi chúng giống như những họa tiết ren. Nhưng mặc dù chúng có thể trông như để trang trí, chúng lại rất cần thiết cho hoạt động của chip. Về mặt điện, những "hành lang" này hoạt động giống như hệ thống ống nước của chip. Giống như hệ thống ống nước, mê cung rộng lớn của các thành phần thụ động này giới hạn năng lượng điện từ chỉ ở những nơi nó nên di chuyển xung quanh chip.
Thách thức lớn trong thiết kế RFIC là ghép nối tất cả các yếu tố này lại với nhau để đảm bảo chúng hoạt động, giống như việc xây dựng một ngôi nhà từ bản thiết kế đòi hỏi các thông số kỹ thuật chính xác cho dầm chịu lực, ống nước và tường ngoài. Trên một RFIC, kiến trúc cần được hiện thực hóa bằng các bóng bán dẫn và các thành phần thụ động có thể chế tạo được về mặt vật lý, được kết nối theo một cách nhất định, để cho phép tín hiệu đi qua chip và được xử lý. Cách các thiết bị này được kết nối cục bộ là cái chúng ta gọi là cấu trúc liên kết mạch.
Để tạo ra bộ khuếch đại công suất đó, bước đầu tiên của bạn là xác định một mẫu mạch ứng cử viên: sự kết hợp của các cấu trúc sẽ đáp ứng các mục tiêu của một kiến trúc cụ thể với một cấu trúc liên kết mạch nhất định. Trong nhiều năm, các nhà nghiên cứu đã giảm bớt gánh nặng này bằng cách phát triển các mẫu thiết kế có thể tái sử dụng cho các chức năng cụ thể. Ví dụ, các mẫu gợi ý số lượng tầng khuếch đại mà một mạch cần (vì đôi khi, việc kết hợp đầu ra của hai bộ khuếch đại nhỏ hơn sẽ mang lại băng thông và hiệu suất tốt hơn so với một bộ khuếch đại lớn hơn). Và chúng gợi ý cấu hình chung của các cấu trúc thụ động nên như thế nào. Ngày nay, có một thư viện rộng lớn các mẫu như vậy.
Tuy nhiên, những mẫu này không thể đơn giản được sử dụng "có sẵn", vì mỗi mẫu đều đi kèm với những đánh đổi. Một số có độ lợi tốt hơn nhưng kém ổn định; một số có băng thông tốt hơn nhưng kém hiệu quả; một số khác lại tiết kiệm năng lượng hơn nhưng công suất đầu ra thấp hơn, và cứ thế. Hiếm khi có một lựa chọn tốt nhất rõ ràng. Để đạt được "điểm vàng" nơi tất cả các thông số khác nhau này được cân bằng một cách tối ưu, các nhà thiết kế thường sẽ bố trí nhiều phiên bản khác nhau của mạch, sử dụng trực giác và các phương pháp mà họ đã tích lũy được trong nhiều năm đào tạo.
Thách thức là các quyết định về kiến trúc, cấu trúc liên kết mạch hoặc các thành phần thụ động điện từ không thể được thực hiện riêng lẻ. Một quyết định ảnh hưởng đến những quyết định khác. Vì vậy, thiết kế một mạch RF thường có cảm giác như cố gắng đặt một tấm thảm quá khổ vào một căn phòng quá nhỏ – ấn một góc xuống, và một góc khác lại bật lên.
Ở tần số vi sóng và milimet, ngay cả một sai sót nhỏ nhất cũng là sự khác biệt giữa một con chip hoạt động và một con chip không hoạt động, và rất nhiều điều có thể xảy ra sai sót. Ví dụ, khi một sóng điện từ gặp một bóng bán dẫn – hoặc bất kỳ thành phần nào khác – đường đi của nó phải được "khớp" đúng cách với những gì tiếp theo. Nếu không, một phần năng lượng sẽ phản xạ ngược lại thay vì truyền đi. Hãy tưởng tượng bạn cố gắng nối trực tiếp một vòi cứu hỏa áp suất cao vào một ống nước vườn nhỏ. Nếu không có bộ chuyển đổi phù hợp, nước sẽ bắn ngược lại ở chỗ nối. Rất ít nước sẽ đi qua. Trong điện tử học, đây được gọi là vấn đề khớp trở kháng.
Để ngăn chặn những phản xạ đó, các kỹ sư thiết kế các bộ chuyển đổi đặc biệt, về cơ bản là các bộ điều hợp siêu nhỏ, giúp chuyển giao tín hiệu mượt mà giữa các thành phần. Trên một con chip, những bộ điều hợp này có thể phức tạp đến bất ngờ. Chúng không chỉ truyền tín hiệu đi; chúng còn có thể chia tín hiệu, kết hợp nó, hoặc phân phối nó qua nhiều đường dẫn với thời gian và cường độ được kiểm soát cẩn thận.
Khi bạn đã hoàn thành kiến trúc, "hệ thống ống nước" và mọi thứ ở giữa, thì khoảnh khắc của sự thật sẽ đến. Liệu tất cả các lựa chọn mà bạn đã điều hướng qua không gian thiết kế khổng lồ có tạo ra một RFIC đáp ứng các thông số kỹ thuật của nó không? Nếu các thông số kỹ thuật không được đáp ứng, bạn sẽ phải quay lại, hoặc làm lại cấu trúc liên kết hoặc toàn bộ kiến trúc, và lặp lại toàn bộ quá trình. Vì vậy, hãy sẵn sàng cho hàng tháng trời mô phỏng và lặp lại tốn thời gian và tài nguyên. Có lẽ bây giờ bạn đã hiểu tại sao, trong nhiều thập kỷ, một niềm tin cốt lõi đã tồn tại trong cộng đồng RFIC: "Thiết kế RF là một nghệ thuật." Người ta nói rằng chỉ một nhà thiết kế giàu kinh nghiệm – với sự hiểu biết tinh tế về cách các bộ phận tạo nên tổng thể – mới có thể nắm vững những sắc thái của thiết kế analog và RF. Thật không may, quan niệm cố hữu này đã kìm hãm những đổi mới thuật toán trong lĩnh vực này vào đúng thời điểm chúng ta cần chúng nhất. Thiết kế RFIC truyền thống, thủ công đang chạm đến giới hạn của nó khi sự phức tạp của các hệ thống này ngày càng tăng lên không ngừng.
Trong khi các nhà thiết kế RFIC tiếp tục cuộc chiến chống lại vấn đề "tấm thảm quá khổ" của họ, một loạt các phát triển thú vị đã xuất hiện trong các lĩnh vực liên quan. Trên một loạt các vấn đề khó giải quyết trước đây như gấp protein và mô hình hóa khí hậu, AI đã có thể điều hướng thành công các không gian phức tạp đa chiều. Điều này đã thúc đẩy chúng tôi tìm hiểu sâu hơn về AI cho RF. Rốt cuộc, sự phức tạp tổ hợp của việc gấp protein không khác biệt nhiều so với bản chất của không gian thiết kế trong lĩnh vực của chúng tôi.
Chúng tôi không phải là những người đầu tiên nghĩ đến việc sử dụng trí tuệ nhân tạo để tăng tốc các phần của thiết kế RFIC. Các nhà nghiên cứu trước đây đã huấn luyện các thuật toán học máy trên các mẫu mạch với hy vọng tăng tốc các quy trình tối ưu hóa thông thường. Mặc dù cách tiếp cận này chắc chắn nhanh hơn con người trong việc tối ưu hóa các mẫu, nhưng nó vẫn phụ thuộc cơ bản vào các thư viện thiết kế hiện có do con người tạo ra.
Chúng tôi không muốn điều đó. Chúng tôi muốn thoát khỏi những hạn chế của các cấu trúc liên kết được tạo sẵn. Bởi vì mặc dù kinh nghiệm và những kinh nghiệm quý báu của một nhà thiết kế là rất quan trọng để xây dựng một thiết kế hoạt động, nhưng chúng cũng đặt ra những giới hạn cơ bản cho nó. Hơn nữa, một cách tiếp cận như vậy nhất thiết sẽ yêu cầu các bước mô phỏng như một phần của chu trình tối ưu hóa, và ngay cả những mô phỏng nhanh nhất cũng sử dụng rất nhiều tài nguyên máy tính. Tệ hơn nữa, trong nhiều trường hợp tiên tiến, chẳng hạn như đối với các thiết kế băng thông rộng, không có mẫu nào hiện có.
Nhưng nếu chúng tôi không bắt đầu với các mẫu, chúng tôi có thể bắt đầu từ đâu? Mục tiêu ở đây là cho phép các thuật toán xác định – hoàn toàn từ đầu – mọi thông số cho kiến trúc, các mạch cấu thành và các thành phần thụ động điện từ. Cách tiếp cận này khác biệt cơ bản so với tối ưu hóa thông thường, vốn chỉ giới hạn trong việc xác định các thông số – như kích thước bóng bán dẫn và hình học thành phần thụ động – để tối ưu hóa các cấu trúc ban đầu do con người nghĩ ra.
Trong cách tiếp cận mới của chúng tôi, kiến trúc bắt đầu về cơ bản từ con số không và được lắp ráp dần dần thông qua các lần lặp liên tiếp. Hệ thống khám phá không gian thiết kế bằng cách tạo ra vô số sự kết hợp mạch ứng cử viên và lập bản đồ các đánh đổi hiệu suất thu được khi nó điều hướng cảnh quan này. Bởi vì quá trình này không bị ảnh hưởng bởi các lựa chọn thiết kế trước đây của con người, nó có thể tạo ra các cấu trúc liên kết mạch hoàn toàn mới, trông khác biệt rõ rệt so với những gì các nhà thiết kế con người tạo ra.
Theo một cách nào đó, cách tiếp cận này gợi nhớ đến các hệ thống AI như AlphaGo Zero, vốn đạt được hiệu suất siêu phàm không phải vì nó được huấn luyện trên các trò chơi do con người chơi mà vì nó khám phá các quy tắc bằng cách tự chơi với chính nó. Tương tự, thuật toán của chúng tôi phát triển các kiến trúc mạch mới bằng cách khám phá và đánh giá các chiến lược thiết kế của riêng nó. Khi làm như vậy, nó học cách hiểu các mạch, điện từ học và sự đồng thiết kế chặt chẽ mà chúng cần để đạt được thiết kế RFIC từ đầu đến cuối.
Để hiện thực hóa khả năng này, chúng tôi đã tiến hành qua hai giai đoạn. Đầu tiên, chúng tôi phát triển một khung học tăng cường (RL) xác định kiến trúc hệ thống tối ưu, cấu trúc liên kết mạch, các thông số thiết bị và thậm chí cả các thuộc tính của giao diện điện từ kết nối các yếu tố mạch khác nhau. Trong giai đoạn này, thuật toán định nghĩa hiệu quả cách tín hiệu nên truyền và tương tác trong toàn hệ thống.
Thuật toán được huấn luyện rất giống với cách máy tính học chơi một trò chơi. Nếu bạn cho nó chơi đủ lần, nó có thể học cách chơi tốt hơn bằng cách quan sát mối quan hệ giữa các hành động nó đã thực hiện và điểm số nó đạt được. Tương tự, tác nhân RL ở đây học cách thiết kế các mạch hiệu quả bằng cách chơi với một tập hợp các kết hợp, và theo thời gian, nó có thể lập bản đồ không gian giữa hiệu suất mạch với kiến trúc, cấu trúc liên kết và các thông số của nó. Quá trình huấn luyện này mất vài ngày đến một tuần, nhưng một khi được huấn luyện, tác nhân có thể thiết kế mạch rất nhanh.
Bước tiếp theo là xác định cấu trúc vật lý của điện từ học của IC – "hệ thống ống nước" – có thể tạo ra các thuộc tính mong muốn của các thành phần thụ động, được đặc trưng bởi một tập hợp các số liệu gọi là tham số tán xạ (S-parameters). Những tham số này đo lường xem một tín hiệu đi vào một thành phần có thực sự di chuyển về phía trước hay bị phản xạ ngược lại, bị lãng phí, như trong ví dụ trước của chúng ta với vòi cứu hỏa và ống nước vườn.
Việc suy ra cấu trúc từ các tham số tán xạ mong muốn là một ví dụ về cách tiếp cận được gọi là thiết kế ngược, xuất hiện trong nhiều lĩnh vực kỹ thuật. Trong kỹ thuật kết cấu, ví dụ, người ta có thể hợp tác với một kiến trúc sư về một mục tiêu vật lý – chẳng hạn như tạo ra các không gian nội thất lớn với trần nhà cao – và sau đó xác định cách sắp xếp các vòm hoặc trụ chống có thể hỗ trợ nó.
Trong nỗ lực làm cho các mạch do AI thiết kế dễ hiểu hơn, các kỹ sư đã học hỏi từ các AI tạo ảnh cho phép người dùng tạo ra các bức ảnh theo phong cách của các nghệ sĩ khác nhau. Ở đây, thay vì phong cách của một nghệ sĩ, người dùng có thể điều chỉnh tần số không gian của một cấu trúc điện từ. Bất kể cấu trúc có bị pixel hóa đến mức nào, nó vẫn sẽ tái tạo các đặc tính điện từ cần thiết, hay các tham số S.
Tuy nhiên, các mạch tích hợp RF đặt ra một thách thức đặc biệt cho thiết kế ngược: quá trình này phải đồng thời tính đến hành vi của mạch và phản ứng điện từ của các kết nối và các thành phần thụ động liên kết chúng với nhau. Nhưng nó phải tìm ra điều đó mà không cần nhiều lần lặp lại thủ công.
Vì vậy, chúng tôi đã thay thế trình mô phỏng mạch RF của mình bằng một trình giả lập dựa trên AI. Mô hình AI này có thể dự đoán hành vi của trường điện từ đi qua bất kỳ cấu trúc nào – ngay cả các hình dạng hai chiều hoàn toàn tùy ý – mà không cần phải tính toán vật lý cơ bản từ đầu, như các công cụ mô phỏng vẫn làm. Nó sẽ dự đoán giải pháp của các phương trình Maxwell và cho bạn biết các tham số tán xạ cho bất kỳ cấu trúc nào bạn hiển thị cho nó, mà không thực sự thực hiện các phép toán. Với một AI như vậy trong tay, những gì một bộ giải điện từ tốn thời gian thường mất hàng phút hoặc hàng giờ để hoàn thành được rút ngắn xuống còn mili giây.
Chúng tôi đã chọn xây dựng trình giả lập của mình xung quanh một mạng nơ-ron tích chập (CNN) – một mô hình học máy đã rất thành công trong xử lý hình ảnh. Các mạng như vậy có thể trích xuất các đặc điểm không gian từ bất kỳ cấu trúc nào, và hóa ra hình ảnh của một cấu trúc chứa rất nhiều thông tin không gian có thể dự đoán chính xác hiệu suất điện từ của nó. Sau đó, chúng tôi đã huấn luyện nó trên một số lượng lớn các cấu trúc pixel ngẫu nhiên có các tham số tán xạ đã được gắn nhãn.
Khi chúng tôi có RL thiết kế ngược và trình giả lập AI phù hợp, về cơ bản chúng tôi đã có một nhà thiết kế AI từ đầu đến cuối. Vì vậy, chúng tôi đã yêu cầu nó thiết kế một bộ khuếch đại công suất cho chúng tôi.
Vào năm 2023, chúng tôi đã công bố bằng chứng khái niệm này – một bộ khuếch đại công suất nhắm mục tiêu vào băng tần milimet, cụ thể là từ 30 đến 100 GHz, bao gồm hầu hết các tần số 5G và radar liên quan. Thiết kế cuối cùng đã đạt được sự kết hợp tốt nhất giữa băng thông rộng, công suất đầu ra và hiệu suất được báo cáo cho một bộ khuếch đại công suất dựa trên silicon – nghĩa là nó có thể khuếch đại một lượng lớn dữ liệu trên một dải tần số rộng – đồng thời duy trì hiệu suất kỷ lục.
Cấu trúc của các đường dẫn điện từ của IC không giống bất cứ thứ gì mà con người từng nghĩ đến. Vì AI không được huấn luyện trên các thiết kế của con người, bố cục xuất hiện trông giống như một mẫu tùy ý hoặc có lẽ là một mã QR hơn là các cấu trúc đối xứng thông thường mà chúng ta thường thấy. Một cái nhìn sâu sắc bất ngờ được tiết lộ bởi nguyên mẫu này, và nghiên cứu của chúng tôi nói chung, là không có bằng chứng nào cho thấy các mẫu mà chúng ta đã dựa vào trong lịch sử thậm chí còn gần tối ưu cho các mục tiêu thiết kế hiện đại. Không phải là một nhà thiết kế con người không bao giờ có thể đưa ra một thiết kế tốt hơn. Nhưng với việc loại bỏ các mẫu và thời gian để tổng hợp chu kỳ này đến chu kỳ khác của các mạch tối ưu hóa, giờ đây rõ ràng là tổng hợp dựa trên AI có thể phá vỡ các rào cản thiết kế truyền thống và đẩy giới hạn khả năng của RFIC.
Bộ khuếch đại 5G của chúng tôi chỉ có một cổng đầu vào và một cổng đầu ra. Việc thêm nhiều cổng đầu vào và đầu ra vào một thiết kế không hề đơn giản. Mỗi cổng ghép nối điện từ với mọi cổng khác, vì vậy các tham số tán xạ nhanh chóng tăng lên. Hai cổng cho bạn bốn tham số tán xạ. Bốn cổng, 16 tham số tán xạ. Các phép toán trở nên phức tạp rất nhanh. Liệu mô hình của chúng tôi có thể theo kịp?
Tiếp theo, chúng tôi đã huấn luyện mô hình của mình trên các lớp cấu trúc điện từ lớn hơn với nhiều cổng đầu vào và đầu ra. Vào năm 2024, chúng tôi đã công bố công trình cho thấy các mạch tích hợp đa cổng cũng không phải là vấn đề đối với các thuật toán AI này. Trong khi trước đây mô phỏng điện từ đa cổng đòi hỏi hàng ngày hoặc hàng tuần làm việc vất vả, mô hình này đã phát triển các cấu trúc mới chỉ trong vài phút. Kể từ đó, rất nhiều công trình trong lĩnh vực này của các cộng đồng nghiên cứu trên toàn cầu đã chứng minh sức mạnh của thiết kế ngược trong RFIC.
Kết hợp khung học tăng cường với thiết kế ngược, giờ đây chúng tôi có khả năng tạo ra một RFIC từ các thông số kỹ thuật cho đến một bố cục sẵn sàng để chế tạo. Cho đến nay, chúng tôi đã chứng minh điều này đúng với các RFIC từ bộ khuếch đại nhiễu thấp đến bộ khuếch đại công suất băng thông rộng và dưới terahertz. Hy vọng là điều này cũng sẽ hoạt động tốt cho các mạch khác.
Mục tiêu của chúng tôi là làm cho thiết kế RFIC tốt hơn và dễ dàng hơn, nhưng chúng tôi không muốn nó vượt quá khả năng hiểu của con người. Việc kiểm tra và gỡ lỗi chip là một quá trình dài, gian khổ, đôi khi còn hơn cả thiết kế. Các kỹ sư thường thích các IC có cấu trúc dễ hiểu, để nếu có vấn đề phát sinh, họ có thể hiểu cách chip hoạt động đủ tốt để gỡ lỗi nó.
Để tạo ra các cấu trúc dễ hiểu hơn, chúng tôi đã chuyển sang các mô hình khuếch tán, mà các bạn có thể biết đến từ khả năng đáng kinh ngạc của chúng trong việc tạo ra hình ảnh chân thực từ các lời nhắc văn bản. Tổng hợp dựa trên AI có thể phá vỡ các rào cản thiết kế truyền thống và đẩy giới hạn khả năng của RFIC.
Hãy tưởng tượng bạn vào công cụ tạo ảnh yêu thích của mình và yêu cầu nó tạo ra một bức tranh bầu trời theo phong cách của Picasso, Van Gogh hoặc Michelangelo. Bạn sẽ nhận được những hình ảnh nắm bắt được bản chất nét vẽ, cách sử dụng màu sắc và bố cục của họ. Tất cả đều là những bức tranh bầu trời, nhưng theo những phong cách khác nhau.
Thiết kế điện từ cũng tương tự ở chỗ nhiều cấu trúc có thể có phản ứng điện từ rất giống nhau. Thay vì sử dụng đầu vào văn bản, chúng tôi đã sử dụng các tham số tán xạ làm đầu vào và cấu trúc điện từ của một chip RFIC làm đầu ra. Là một phần của đầu vào cho mô hình khuếch tán, chúng tôi đã tạo ra một "núm xoay" để đặt tần số không gian của cấu trúc cuối cùng. Bằng cách xoay núm, một nhà thiết kế có thể hướng mô hình tổng hợp các cấu trúc với tần số không gian thấp (trông cổ điển và dễ hiểu), trung bình (cấu trúc giống mê cung) hoặc cao (pixel hóa hoặc hình dạng tùy ý).
Từ lời nhắc đến đầu ra, toàn bộ quá trình mất khoảng 6 phút. Với mô hình khuếch tán này, các thuật toán giờ đây có thể vừa khám phá các kiến trúc mới lạ vừa tăng tốc việc tạo ra các kiến trúc thông thường, hay còn gọi là cổ điển. Tất cả những gì một nhà thiết kế RFIC cần làm là chỉ định hầu như bất kỳ tập hợp tham số tán xạ hợp lệ nào. Miễn là chúng có thể thực hiện được về mặt vật lý theo các phương trình Maxwell, mô hình sẽ đưa ra một cấu trúc tương ứng như thể nó là một máy bán hàng tự động.
Kết quả nghiên cứu của chúng tôi đã thu hút sự chú ý của cộng đồng RF. Quy trình thiết kế truyền thống từ dưới lên rõ ràng đang bắt đầu đảo ngược.
Tuy nhiên, vẫn còn những câu hỏi: Các phương pháp này có thể tổng quát hóa đến mức nào? Chúng có thể liên tục mang lại hiệu suất thực sự cao không? Chúng ta có thể đạt đến một nơi mà AI tạo ra các thiết kế tối đa hóa mọi đánh đổi có thể tưởng tượng được, tối ưu hóa toàn diện mọi thông số đến trạng thái vật lý lý tưởng nhất của nó không? Chúng tôi muốn đưa chiến lược này vượt ra ngoài thiết kế RFIC và phát minh ra các loại mạch khác biệt so với bất cứ thứ gì con người từng làm.
Đây là những triển vọng thú vị và đầy tham vọng, nhưng chúng ta vẫn chưa đạt được điều đó. AI có thể "tạo ra những thiết kế sai lệch" dẫn đến các mạch kém chất lượng, không hoạt động. Điều này có nghĩa là các phương pháp xác minh cần phải nằm dưới sự giám sát của con người. Và, mặc dù những sai lệch này hiếm khi xảy ra, nhưng sẽ tốt hơn nếu giảm thiểu chúng.
Lịch sử cho thấy rằng để đạt được những ước mơ tương lai này sẽ cần nhiều dữ liệu hơn những gì chúng ta đã sử dụng. Trước khi tạo ra kho lưu trữ ImageNet – một kho lưu trữ 14 triệu hình ảnh đa dạng, được chú thích bởi con người – các mô hình nhận dạng hình ảnh không hoạt động tốt trong thế giới thực. Các tập dữ liệu mà chúng được huấn luyện quá nhỏ để có hiệu quả. Lượng lớn dữ liệu huấn luyện của ImageNet đã mở ra một cuộc cách mạng dẫn đến AI có thể tổng quát hóa và nhận dạng hình ảnh trong môi trường tự nhiên. Phần còn lại đã trở thành lịch sử.
Nếu mục tiêu cho thiết kế RFIC và analog là một mô hình nền tảng phổ quát – một thứ học được các định luật chi phối của điện từ học và hành vi mạch – thì chúng ta cũng cần dữ liệu. Tin tốt là dữ liệu này rất phong phú. Trên khắp thế giới, vô số kỹ sư tại các công ty và phòng thí nghiệm học thuật mô phỏng các mạch RF và cấu trúc thụ động gần như giống hệt nhau mỗi ngày. Tin xấu là tất cả đều bị khóa sau các thỏa thuận không tiết lộ thông tin.
Các hệ sinh thái mở đã thúc đẩy các lĩnh vực khác, và chúng tôi nghĩ rằng cộng đồng RFIC cũng nên làm như vậy. Đã có một số động thái hướng tới điều này. Natcast, nhà điều hành chương trình R&D của Đạo luật CHIPS và Khoa học Hoa Kỳ, lẽ ra đã củng cố cơ sở hạ tầng và đổi mới chung cho thế hệ công nghệ không dây, cảm biến và quốc phòng tiếp theo. Thật không may, cả tổ chức và chương trình mà nó điều hành đặc biệt cho học máy và RFIC đều đã bị đóng cửa.
Nhưng động lực mà nỗ lực của Natcast đã khơi dậy vẫn chưa tắt. Dựa trên công trình ban đầu của chúng tôi, các nhóm trong cộng đồng đã chứng minh những tiến bộ đáng kể. Thiết kế IC dựa trên AI là một phần của sự thay đổi công nghệ rộng lớn hơn nhiều. Từ sinh học và khoa học vật liệu đến kỹ thuật ô tô và hàng không vũ trụ, AI đang định hình lại cách các hệ thống phức tạp được hình thành và tối ưu hóa. Sự hợp tác sâu sắc hơn giữa các nhà nghiên cứu AI và các nhà thiết kế chip sẽ mở khóa toàn bộ tiềm năng của lĩnh vực này. Đây không phải là một kết luận đã được định trước, nhưng nếu chúng ta làm đúng, "thần đèn" này sẽ không ở yên trong chai.
Hãy thử hình dung về tương lai khi công nghệ này tiếp tục phát triển: xe tự lái phổ biến, liên lạc lượng tử, dịch vụ di động 6G và truyền thông vệ tinh. Tất cả những bước tiến này đều phụ thuộc vào các phiên bản chip RF mới và tiên tiến hơn. Thế nhưng, có một vấn đề lớn: trong khi việc thiết kế hầu hết các loại chip máy tính khác đã được chuẩn hóa thành một ngành khoa học rõ ràng, thì thiết kế chip RF vẫn kiên trì nằm trong lĩnh vực của nghệ thuật. Thậm chí, đó còn là một "nghệ thuật hắc ám", chỉ có thể thành thạo qua nhiều năm kinh nghiệm. Và như bất kỳ "phù thủy" nào cũng sẽ nói, nghệ thuật hắc ám có lịch trình riêng của nó, một lịch trình đang cản trở sự tiến bộ không chỉ trong thiết kế chip RF mà còn ở mọi công nghệ phụ thuộc vào nó.
Khoảng 7 năm trước, sau chiến thắng vang dội của AlphaGo trước kỳ thủ cờ vây thế giới Lee Sedol, các sinh viên của mình tại Đại học Princeton và tôi bắt đầu tự hỏi: liệu AI có thể học được "nghệ thuật" này không? Những thành công gần đây cho thấy, ở một mức độ lớn, điều đó hoàn toàn có thể. Trong vài năm qua, nhóm của chúng tôi và các nhà lãnh đạo khác trong lĩnh vực đã bắt đầu phát triển các phương pháp thuật toán dựa trên học máy để thiết kế RFIC. Một số con chip được tạo ra trông giống như tác phẩm nghệ thuật hiện đại hơn là sơ đồ mạch điện thông thường. Tuy nhiên, trong nhiều trường hợp, các nguyên mẫu vật lý này lại vượt trội hơn các mạch tiên tiến nhất về hiệu suất. Thành tựu thực sự đáng kinh ngạc là AI chỉ mất ít thời gian hơn nhiều lần để đưa ra một thiết kế hoạt động hiệu quả so với một nhà thiết kế con người.
Đây không chỉ là câu chuyện về một hoặc hai con chip RF. Thiết kế dựa trên AI có thể là tương lai của toàn bộ ngành thiết kế RF, và thậm chí còn hơn thế nữa.
Vậy tại sao những con chip này lại phải được chế tạo thủ công? Tại sao RFIC không được thiết kế bằng quy trình tổng hợp thuật toán, giống như cách CPU và GPU được tạo ra?
Thiết kế RFIC là một bài toán kỹ thuật phức tạp, trải rộng trên nhiều lĩnh vực vật lý. Các phương trình Maxwell, hoạt động trên các thang không gian và thời gian khác nhau, chi phối cách trường điện từ tương tác với các thiết bị chủ động và thụ động, vốn phải được đồng thiết kế cẩn thận để chip hoạt động. Bên cạnh đó là các định luật nhiệt động lực học, xác định cách nhiệt được tạo ra và loại bỏ trong quá trình hoạt động, cũng như cơ học của sự giãn nở và co lại do nhiệt, quyết định độ tin cậy của chip và bao bì của nó khi chịu sự thay đổi nhiệt độ.
Việc đồng thời tính toán tất cả các ràng buộc vật lý này khiến không gian thiết kế trở nên cực kỳ rộng lớn. Mỗi quyết định đều liên quan đến các ưu tiên phức tạp, thường xung đột lẫn nhau, ngăn cản việc tối ưu hóa bất kỳ yếu tố nào. Để hiểu rõ hơn vấn đề này, chúng ta hãy cùng tìm hiểu các bước liên quan, sau đó các bạn sẽ hiểu tại sao một thiết kế chip mới lại mất hàng năm trời và hàng chục đến hàng trăm triệu USD.
Phần lớn diện tích của các chip tần số vô tuyến tích hợp bị chiếm bởi các cấu trúc điện từ phức tạp. Các RFIC do con người thiết kế thường bắt đầu với các mẫu có sẵn và tuân theo một mô hình đối xứng, dễ hiểu. Nhưng khi được giải phóng khỏi các ràng buộc của các mẫu do con người tạo ra và không cần con người phải hiểu lý do đằng sau các cấu trúc điện từ, các IC khuếch đại công suất và bộ khuếch đại nhiễu thấp có thể mang những thiết kế trông thực sự "hoang dã" nhưng lại cực kỳ hiệu quả.
Hãy tưởng tượng bạn là một kỹ sư được giao nhiệm vụ thiết kế một bộ khuếch đại công suất 28 gigahertz mới cho điện thoại 5G băng tần milimet. Đây là loại RFIC giúp tăng cường tín hiệu 5G trên điện thoại của bạn và truyền chúng đến ăng-ten để trạm gốc ở xa có thể thu nhận. Bạn sẽ bắt đầu từ đâu?
Thiết kế RFIC có một số điểm chung với việc xây nhà. Giống như bản thiết kế nhà quy định số lượng phòng ngủ, phòng tắm và hành lang kết nối chúng, bản thiết kế cho một RFIC – được gọi là kiến trúc – xác định các loại yếu tố mà RFIC cần để thực hiện chức năng dự định. Thay vì các phòng, kiến trúc bao gồm, ví dụ, số lượng tầng khuếch đại mà bộ khuếch đại công suất của bạn cần. Thay vì hành lang, nó cho thấy các đường dẫn mà tín hiệu phải đi qua các tầng đó.
Bản thiết kế cho RFIC thực chất chủ yếu là "hành lang"; các thành phần thụ động, như cuộn cảm và đường truyền, chiếm nhiều diện tích hơn đáng kể so với các thành phần chủ động như bóng bán dẫn. Lý do là vì, như các bạn có thể đã trải nghiệm, các bóng bán dẫn của CPU thông thường sẽ quá nhiệt khi hoạt động ở tần số chỉ vài gigahertz. Tần số mà RFIC có thể hoạt động cao hơn một bậc độ lớn – 28 và 39 GHz cho tín hiệu 5G, 26.5 đến 40 GHz và thậm chí cao hơn cho truyền thông vệ tinh, và 77 GHz cho radar ô tô. Dưới sự tấn công này, các bóng bán dẫn của CPU sẽ hỏng.
Các bóng bán dẫn RFIC tránh được số phận này vì những con chip này quản lý năng lượng tín hiệu một cách thông minh bằng thiết kế điện từ cẩn thận. Điều này tạo thành các mạng lưới kim loại phức tạp, chiếm ưu thế trong không gian của chip. Những cấu trúc này có hình dạng hình học đều đặn, thường đối xứng, và được xây dựng tinh xảo đến mức đôi khi chúng giống như những họa tiết ren. Nhưng mặc dù chúng có thể trông như để trang trí, chúng lại rất cần thiết cho hoạt động của chip. Về mặt điện, những "hành lang" này hoạt động giống như hệ thống ống nước của chip. Giống như hệ thống ống nước, mê cung rộng lớn của các thành phần thụ động này giới hạn năng lượng điện từ chỉ ở những nơi nó nên di chuyển xung quanh chip.
Thách thức lớn trong thiết kế RFIC là ghép nối tất cả các yếu tố này lại với nhau để đảm bảo chúng hoạt động, giống như việc xây dựng một ngôi nhà từ bản thiết kế đòi hỏi các thông số kỹ thuật chính xác cho dầm chịu lực, ống nước và tường ngoài. Trên một RFIC, kiến trúc cần được hiện thực hóa bằng các bóng bán dẫn và các thành phần thụ động có thể chế tạo được về mặt vật lý, được kết nối theo một cách nhất định, để cho phép tín hiệu đi qua chip và được xử lý. Cách các thiết bị này được kết nối cục bộ là cái chúng ta gọi là cấu trúc liên kết mạch.
Để tạo ra bộ khuếch đại công suất đó, bước đầu tiên của bạn là xác định một mẫu mạch ứng cử viên: sự kết hợp của các cấu trúc sẽ đáp ứng các mục tiêu của một kiến trúc cụ thể với một cấu trúc liên kết mạch nhất định. Trong nhiều năm, các nhà nghiên cứu đã giảm bớt gánh nặng này bằng cách phát triển các mẫu thiết kế có thể tái sử dụng cho các chức năng cụ thể. Ví dụ, các mẫu gợi ý số lượng tầng khuếch đại mà một mạch cần (vì đôi khi, việc kết hợp đầu ra của hai bộ khuếch đại nhỏ hơn sẽ mang lại băng thông và hiệu suất tốt hơn so với một bộ khuếch đại lớn hơn). Và chúng gợi ý cấu hình chung của các cấu trúc thụ động nên như thế nào. Ngày nay, có một thư viện rộng lớn các mẫu như vậy.
Tuy nhiên, những mẫu này không thể đơn giản được sử dụng "có sẵn", vì mỗi mẫu đều đi kèm với những đánh đổi. Một số có độ lợi tốt hơn nhưng kém ổn định; một số có băng thông tốt hơn nhưng kém hiệu quả; một số khác lại tiết kiệm năng lượng hơn nhưng công suất đầu ra thấp hơn, và cứ thế. Hiếm khi có một lựa chọn tốt nhất rõ ràng. Để đạt được "điểm vàng" nơi tất cả các thông số khác nhau này được cân bằng một cách tối ưu, các nhà thiết kế thường sẽ bố trí nhiều phiên bản khác nhau của mạch, sử dụng trực giác và các phương pháp mà họ đã tích lũy được trong nhiều năm đào tạo.
Thách thức là các quyết định về kiến trúc, cấu trúc liên kết mạch hoặc các thành phần thụ động điện từ không thể được thực hiện riêng lẻ. Một quyết định ảnh hưởng đến những quyết định khác. Vì vậy, thiết kế một mạch RF thường có cảm giác như cố gắng đặt một tấm thảm quá khổ vào một căn phòng quá nhỏ – ấn một góc xuống, và một góc khác lại bật lên.
Ở tần số vi sóng và milimet, ngay cả một sai sót nhỏ nhất cũng là sự khác biệt giữa một con chip hoạt động và một con chip không hoạt động, và rất nhiều điều có thể xảy ra sai sót. Ví dụ, khi một sóng điện từ gặp một bóng bán dẫn – hoặc bất kỳ thành phần nào khác – đường đi của nó phải được "khớp" đúng cách với những gì tiếp theo. Nếu không, một phần năng lượng sẽ phản xạ ngược lại thay vì truyền đi. Hãy tưởng tượng bạn cố gắng nối trực tiếp một vòi cứu hỏa áp suất cao vào một ống nước vườn nhỏ. Nếu không có bộ chuyển đổi phù hợp, nước sẽ bắn ngược lại ở chỗ nối. Rất ít nước sẽ đi qua. Trong điện tử học, đây được gọi là vấn đề khớp trở kháng.
Để ngăn chặn những phản xạ đó, các kỹ sư thiết kế các bộ chuyển đổi đặc biệt, về cơ bản là các bộ điều hợp siêu nhỏ, giúp chuyển giao tín hiệu mượt mà giữa các thành phần. Trên một con chip, những bộ điều hợp này có thể phức tạp đến bất ngờ. Chúng không chỉ truyền tín hiệu đi; chúng còn có thể chia tín hiệu, kết hợp nó, hoặc phân phối nó qua nhiều đường dẫn với thời gian và cường độ được kiểm soát cẩn thận.
Khi bạn đã hoàn thành kiến trúc, "hệ thống ống nước" và mọi thứ ở giữa, thì khoảnh khắc của sự thật sẽ đến. Liệu tất cả các lựa chọn mà bạn đã điều hướng qua không gian thiết kế khổng lồ có tạo ra một RFIC đáp ứng các thông số kỹ thuật của nó không? Nếu các thông số kỹ thuật không được đáp ứng, bạn sẽ phải quay lại, hoặc làm lại cấu trúc liên kết hoặc toàn bộ kiến trúc, và lặp lại toàn bộ quá trình. Vì vậy, hãy sẵn sàng cho hàng tháng trời mô phỏng và lặp lại tốn thời gian và tài nguyên. Có lẽ bây giờ bạn đã hiểu tại sao, trong nhiều thập kỷ, một niềm tin cốt lõi đã tồn tại trong cộng đồng RFIC: "Thiết kế RF là một nghệ thuật." Người ta nói rằng chỉ một nhà thiết kế giàu kinh nghiệm – với sự hiểu biết tinh tế về cách các bộ phận tạo nên tổng thể – mới có thể nắm vững những sắc thái của thiết kế analog và RF. Thật không may, quan niệm cố hữu này đã kìm hãm những đổi mới thuật toán trong lĩnh vực này vào đúng thời điểm chúng ta cần chúng nhất. Thiết kế RFIC truyền thống, thủ công đang chạm đến giới hạn của nó khi sự phức tạp của các hệ thống này ngày càng tăng lên không ngừng.
Trong khi các nhà thiết kế RFIC tiếp tục cuộc chiến chống lại vấn đề "tấm thảm quá khổ" của họ, một loạt các phát triển thú vị đã xuất hiện trong các lĩnh vực liên quan. Trên một loạt các vấn đề khó giải quyết trước đây như gấp protein và mô hình hóa khí hậu, AI đã có thể điều hướng thành công các không gian phức tạp đa chiều. Điều này đã thúc đẩy chúng tôi tìm hiểu sâu hơn về AI cho RF. Rốt cuộc, sự phức tạp tổ hợp của việc gấp protein không khác biệt nhiều so với bản chất của không gian thiết kế trong lĩnh vực của chúng tôi.
Chúng tôi không phải là những người đầu tiên nghĩ đến việc sử dụng trí tuệ nhân tạo để tăng tốc các phần của thiết kế RFIC. Các nhà nghiên cứu trước đây đã huấn luyện các thuật toán học máy trên các mẫu mạch với hy vọng tăng tốc các quy trình tối ưu hóa thông thường. Mặc dù cách tiếp cận này chắc chắn nhanh hơn con người trong việc tối ưu hóa các mẫu, nhưng nó vẫn phụ thuộc cơ bản vào các thư viện thiết kế hiện có do con người tạo ra.
Chúng tôi không muốn điều đó. Chúng tôi muốn thoát khỏi những hạn chế của các cấu trúc liên kết được tạo sẵn. Bởi vì mặc dù kinh nghiệm và những kinh nghiệm quý báu của một nhà thiết kế là rất quan trọng để xây dựng một thiết kế hoạt động, nhưng chúng cũng đặt ra những giới hạn cơ bản cho nó. Hơn nữa, một cách tiếp cận như vậy nhất thiết sẽ yêu cầu các bước mô phỏng như một phần của chu trình tối ưu hóa, và ngay cả những mô phỏng nhanh nhất cũng sử dụng rất nhiều tài nguyên máy tính. Tệ hơn nữa, trong nhiều trường hợp tiên tiến, chẳng hạn như đối với các thiết kế băng thông rộng, không có mẫu nào hiện có.
Nhưng nếu chúng tôi không bắt đầu với các mẫu, chúng tôi có thể bắt đầu từ đâu? Mục tiêu ở đây là cho phép các thuật toán xác định – hoàn toàn từ đầu – mọi thông số cho kiến trúc, các mạch cấu thành và các thành phần thụ động điện từ. Cách tiếp cận này khác biệt cơ bản so với tối ưu hóa thông thường, vốn chỉ giới hạn trong việc xác định các thông số – như kích thước bóng bán dẫn và hình học thành phần thụ động – để tối ưu hóa các cấu trúc ban đầu do con người nghĩ ra.
Trong cách tiếp cận mới của chúng tôi, kiến trúc bắt đầu về cơ bản từ con số không và được lắp ráp dần dần thông qua các lần lặp liên tiếp. Hệ thống khám phá không gian thiết kế bằng cách tạo ra vô số sự kết hợp mạch ứng cử viên và lập bản đồ các đánh đổi hiệu suất thu được khi nó điều hướng cảnh quan này. Bởi vì quá trình này không bị ảnh hưởng bởi các lựa chọn thiết kế trước đây của con người, nó có thể tạo ra các cấu trúc liên kết mạch hoàn toàn mới, trông khác biệt rõ rệt so với những gì các nhà thiết kế con người tạo ra.
Theo một cách nào đó, cách tiếp cận này gợi nhớ đến các hệ thống AI như AlphaGo Zero, vốn đạt được hiệu suất siêu phàm không phải vì nó được huấn luyện trên các trò chơi do con người chơi mà vì nó khám phá các quy tắc bằng cách tự chơi với chính nó. Tương tự, thuật toán của chúng tôi phát triển các kiến trúc mạch mới bằng cách khám phá và đánh giá các chiến lược thiết kế của riêng nó. Khi làm như vậy, nó học cách hiểu các mạch, điện từ học và sự đồng thiết kế chặt chẽ mà chúng cần để đạt được thiết kế RFIC từ đầu đến cuối.
Để hiện thực hóa khả năng này, chúng tôi đã tiến hành qua hai giai đoạn. Đầu tiên, chúng tôi phát triển một khung học tăng cường (RL) xác định kiến trúc hệ thống tối ưu, cấu trúc liên kết mạch, các thông số thiết bị và thậm chí cả các thuộc tính của giao diện điện từ kết nối các yếu tố mạch khác nhau. Trong giai đoạn này, thuật toán định nghĩa hiệu quả cách tín hiệu nên truyền và tương tác trong toàn hệ thống.
Thuật toán được huấn luyện rất giống với cách máy tính học chơi một trò chơi. Nếu bạn cho nó chơi đủ lần, nó có thể học cách chơi tốt hơn bằng cách quan sát mối quan hệ giữa các hành động nó đã thực hiện và điểm số nó đạt được. Tương tự, tác nhân RL ở đây học cách thiết kế các mạch hiệu quả bằng cách chơi với một tập hợp các kết hợp, và theo thời gian, nó có thể lập bản đồ không gian giữa hiệu suất mạch với kiến trúc, cấu trúc liên kết và các thông số của nó. Quá trình huấn luyện này mất vài ngày đến một tuần, nhưng một khi được huấn luyện, tác nhân có thể thiết kế mạch rất nhanh.
Bước tiếp theo là xác định cấu trúc vật lý của điện từ học của IC – "hệ thống ống nước" – có thể tạo ra các thuộc tính mong muốn của các thành phần thụ động, được đặc trưng bởi một tập hợp các số liệu gọi là tham số tán xạ (S-parameters). Những tham số này đo lường xem một tín hiệu đi vào một thành phần có thực sự di chuyển về phía trước hay bị phản xạ ngược lại, bị lãng phí, như trong ví dụ trước của chúng ta với vòi cứu hỏa và ống nước vườn.
Việc suy ra cấu trúc từ các tham số tán xạ mong muốn là một ví dụ về cách tiếp cận được gọi là thiết kế ngược, xuất hiện trong nhiều lĩnh vực kỹ thuật. Trong kỹ thuật kết cấu, ví dụ, người ta có thể hợp tác với một kiến trúc sư về một mục tiêu vật lý – chẳng hạn như tạo ra các không gian nội thất lớn với trần nhà cao – và sau đó xác định cách sắp xếp các vòm hoặc trụ chống có thể hỗ trợ nó.
Trong nỗ lực làm cho các mạch do AI thiết kế dễ hiểu hơn, các kỹ sư đã học hỏi từ các AI tạo ảnh cho phép người dùng tạo ra các bức ảnh theo phong cách của các nghệ sĩ khác nhau. Ở đây, thay vì phong cách của một nghệ sĩ, người dùng có thể điều chỉnh tần số không gian của một cấu trúc điện từ. Bất kể cấu trúc có bị pixel hóa đến mức nào, nó vẫn sẽ tái tạo các đặc tính điện từ cần thiết, hay các tham số S.
Tuy nhiên, các mạch tích hợp RF đặt ra một thách thức đặc biệt cho thiết kế ngược: quá trình này phải đồng thời tính đến hành vi của mạch và phản ứng điện từ của các kết nối và các thành phần thụ động liên kết chúng với nhau. Nhưng nó phải tìm ra điều đó mà không cần nhiều lần lặp lại thủ công.
Vì vậy, chúng tôi đã thay thế trình mô phỏng mạch RF của mình bằng một trình giả lập dựa trên AI. Mô hình AI này có thể dự đoán hành vi của trường điện từ đi qua bất kỳ cấu trúc nào – ngay cả các hình dạng hai chiều hoàn toàn tùy ý – mà không cần phải tính toán vật lý cơ bản từ đầu, như các công cụ mô phỏng vẫn làm. Nó sẽ dự đoán giải pháp của các phương trình Maxwell và cho bạn biết các tham số tán xạ cho bất kỳ cấu trúc nào bạn hiển thị cho nó, mà không thực sự thực hiện các phép toán. Với một AI như vậy trong tay, những gì một bộ giải điện từ tốn thời gian thường mất hàng phút hoặc hàng giờ để hoàn thành được rút ngắn xuống còn mili giây.
Chúng tôi đã chọn xây dựng trình giả lập của mình xung quanh một mạng nơ-ron tích chập (CNN) – một mô hình học máy đã rất thành công trong xử lý hình ảnh. Các mạng như vậy có thể trích xuất các đặc điểm không gian từ bất kỳ cấu trúc nào, và hóa ra hình ảnh của một cấu trúc chứa rất nhiều thông tin không gian có thể dự đoán chính xác hiệu suất điện từ của nó. Sau đó, chúng tôi đã huấn luyện nó trên một số lượng lớn các cấu trúc pixel ngẫu nhiên có các tham số tán xạ đã được gắn nhãn.
Khi chúng tôi có RL thiết kế ngược và trình giả lập AI phù hợp, về cơ bản chúng tôi đã có một nhà thiết kế AI từ đầu đến cuối. Vì vậy, chúng tôi đã yêu cầu nó thiết kế một bộ khuếch đại công suất cho chúng tôi.
Vào năm 2023, chúng tôi đã công bố bằng chứng khái niệm này – một bộ khuếch đại công suất nhắm mục tiêu vào băng tần milimet, cụ thể là từ 30 đến 100 GHz, bao gồm hầu hết các tần số 5G và radar liên quan. Thiết kế cuối cùng đã đạt được sự kết hợp tốt nhất giữa băng thông rộng, công suất đầu ra và hiệu suất được báo cáo cho một bộ khuếch đại công suất dựa trên silicon – nghĩa là nó có thể khuếch đại một lượng lớn dữ liệu trên một dải tần số rộng – đồng thời duy trì hiệu suất kỷ lục.
Cấu trúc của các đường dẫn điện từ của IC không giống bất cứ thứ gì mà con người từng nghĩ đến. Vì AI không được huấn luyện trên các thiết kế của con người, bố cục xuất hiện trông giống như một mẫu tùy ý hoặc có lẽ là một mã QR hơn là các cấu trúc đối xứng thông thường mà chúng ta thường thấy. Một cái nhìn sâu sắc bất ngờ được tiết lộ bởi nguyên mẫu này, và nghiên cứu của chúng tôi nói chung, là không có bằng chứng nào cho thấy các mẫu mà chúng ta đã dựa vào trong lịch sử thậm chí còn gần tối ưu cho các mục tiêu thiết kế hiện đại. Không phải là một nhà thiết kế con người không bao giờ có thể đưa ra một thiết kế tốt hơn. Nhưng với việc loại bỏ các mẫu và thời gian để tổng hợp chu kỳ này đến chu kỳ khác của các mạch tối ưu hóa, giờ đây rõ ràng là tổng hợp dựa trên AI có thể phá vỡ các rào cản thiết kế truyền thống và đẩy giới hạn khả năng của RFIC.
Bộ khuếch đại 5G của chúng tôi chỉ có một cổng đầu vào và một cổng đầu ra. Việc thêm nhiều cổng đầu vào và đầu ra vào một thiết kế không hề đơn giản. Mỗi cổng ghép nối điện từ với mọi cổng khác, vì vậy các tham số tán xạ nhanh chóng tăng lên. Hai cổng cho bạn bốn tham số tán xạ. Bốn cổng, 16 tham số tán xạ. Các phép toán trở nên phức tạp rất nhanh. Liệu mô hình của chúng tôi có thể theo kịp?
Tiếp theo, chúng tôi đã huấn luyện mô hình của mình trên các lớp cấu trúc điện từ lớn hơn với nhiều cổng đầu vào và đầu ra. Vào năm 2024, chúng tôi đã công bố công trình cho thấy các mạch tích hợp đa cổng cũng không phải là vấn đề đối với các thuật toán AI này. Trong khi trước đây mô phỏng điện từ đa cổng đòi hỏi hàng ngày hoặc hàng tuần làm việc vất vả, mô hình này đã phát triển các cấu trúc mới chỉ trong vài phút. Kể từ đó, rất nhiều công trình trong lĩnh vực này của các cộng đồng nghiên cứu trên toàn cầu đã chứng minh sức mạnh của thiết kế ngược trong RFIC.
Kết hợp khung học tăng cường với thiết kế ngược, giờ đây chúng tôi có khả năng tạo ra một RFIC từ các thông số kỹ thuật cho đến một bố cục sẵn sàng để chế tạo. Cho đến nay, chúng tôi đã chứng minh điều này đúng với các RFIC từ bộ khuếch đại nhiễu thấp đến bộ khuếch đại công suất băng thông rộng và dưới terahertz. Hy vọng là điều này cũng sẽ hoạt động tốt cho các mạch khác.
Mục tiêu của chúng tôi là làm cho thiết kế RFIC tốt hơn và dễ dàng hơn, nhưng chúng tôi không muốn nó vượt quá khả năng hiểu của con người. Việc kiểm tra và gỡ lỗi chip là một quá trình dài, gian khổ, đôi khi còn hơn cả thiết kế. Các kỹ sư thường thích các IC có cấu trúc dễ hiểu, để nếu có vấn đề phát sinh, họ có thể hiểu cách chip hoạt động đủ tốt để gỡ lỗi nó.
Để tạo ra các cấu trúc dễ hiểu hơn, chúng tôi đã chuyển sang các mô hình khuếch tán, mà các bạn có thể biết đến từ khả năng đáng kinh ngạc của chúng trong việc tạo ra hình ảnh chân thực từ các lời nhắc văn bản. Tổng hợp dựa trên AI có thể phá vỡ các rào cản thiết kế truyền thống và đẩy giới hạn khả năng của RFIC.
Hãy tưởng tượng bạn vào công cụ tạo ảnh yêu thích của mình và yêu cầu nó tạo ra một bức tranh bầu trời theo phong cách của Picasso, Van Gogh hoặc Michelangelo. Bạn sẽ nhận được những hình ảnh nắm bắt được bản chất nét vẽ, cách sử dụng màu sắc và bố cục của họ. Tất cả đều là những bức tranh bầu trời, nhưng theo những phong cách khác nhau.
Thiết kế điện từ cũng tương tự ở chỗ nhiều cấu trúc có thể có phản ứng điện từ rất giống nhau. Thay vì sử dụng đầu vào văn bản, chúng tôi đã sử dụng các tham số tán xạ làm đầu vào và cấu trúc điện từ của một chip RFIC làm đầu ra. Là một phần của đầu vào cho mô hình khuếch tán, chúng tôi đã tạo ra một "núm xoay" để đặt tần số không gian của cấu trúc cuối cùng. Bằng cách xoay núm, một nhà thiết kế có thể hướng mô hình tổng hợp các cấu trúc với tần số không gian thấp (trông cổ điển và dễ hiểu), trung bình (cấu trúc giống mê cung) hoặc cao (pixel hóa hoặc hình dạng tùy ý).
Từ lời nhắc đến đầu ra, toàn bộ quá trình mất khoảng 6 phút. Với mô hình khuếch tán này, các thuật toán giờ đây có thể vừa khám phá các kiến trúc mới lạ vừa tăng tốc việc tạo ra các kiến trúc thông thường, hay còn gọi là cổ điển. Tất cả những gì một nhà thiết kế RFIC cần làm là chỉ định hầu như bất kỳ tập hợp tham số tán xạ hợp lệ nào. Miễn là chúng có thể thực hiện được về mặt vật lý theo các phương trình Maxwell, mô hình sẽ đưa ra một cấu trúc tương ứng như thể nó là một máy bán hàng tự động.
Kết quả nghiên cứu của chúng tôi đã thu hút sự chú ý của cộng đồng RF. Quy trình thiết kế truyền thống từ dưới lên rõ ràng đang bắt đầu đảo ngược.
Tuy nhiên, vẫn còn những câu hỏi: Các phương pháp này có thể tổng quát hóa đến mức nào? Chúng có thể liên tục mang lại hiệu suất thực sự cao không? Chúng ta có thể đạt đến một nơi mà AI tạo ra các thiết kế tối đa hóa mọi đánh đổi có thể tưởng tượng được, tối ưu hóa toàn diện mọi thông số đến trạng thái vật lý lý tưởng nhất của nó không? Chúng tôi muốn đưa chiến lược này vượt ra ngoài thiết kế RFIC và phát minh ra các loại mạch khác biệt so với bất cứ thứ gì con người từng làm.
Đây là những triển vọng thú vị và đầy tham vọng, nhưng chúng ta vẫn chưa đạt được điều đó. AI có thể "tạo ra những thiết kế sai lệch" dẫn đến các mạch kém chất lượng, không hoạt động. Điều này có nghĩa là các phương pháp xác minh cần phải nằm dưới sự giám sát của con người. Và, mặc dù những sai lệch này hiếm khi xảy ra, nhưng sẽ tốt hơn nếu giảm thiểu chúng.
Lịch sử cho thấy rằng để đạt được những ước mơ tương lai này sẽ cần nhiều dữ liệu hơn những gì chúng ta đã sử dụng. Trước khi tạo ra kho lưu trữ ImageNet – một kho lưu trữ 14 triệu hình ảnh đa dạng, được chú thích bởi con người – các mô hình nhận dạng hình ảnh không hoạt động tốt trong thế giới thực. Các tập dữ liệu mà chúng được huấn luyện quá nhỏ để có hiệu quả. Lượng lớn dữ liệu huấn luyện của ImageNet đã mở ra một cuộc cách mạng dẫn đến AI có thể tổng quát hóa và nhận dạng hình ảnh trong môi trường tự nhiên. Phần còn lại đã trở thành lịch sử.
Nếu mục tiêu cho thiết kế RFIC và analog là một mô hình nền tảng phổ quát – một thứ học được các định luật chi phối của điện từ học và hành vi mạch – thì chúng ta cũng cần dữ liệu. Tin tốt là dữ liệu này rất phong phú. Trên khắp thế giới, vô số kỹ sư tại các công ty và phòng thí nghiệm học thuật mô phỏng các mạch RF và cấu trúc thụ động gần như giống hệt nhau mỗi ngày. Tin xấu là tất cả đều bị khóa sau các thỏa thuận không tiết lộ thông tin.
Các hệ sinh thái mở đã thúc đẩy các lĩnh vực khác, và chúng tôi nghĩ rằng cộng đồng RFIC cũng nên làm như vậy. Đã có một số động thái hướng tới điều này. Natcast, nhà điều hành chương trình R&D của Đạo luật CHIPS và Khoa học Hoa Kỳ, lẽ ra đã củng cố cơ sở hạ tầng và đổi mới chung cho thế hệ công nghệ không dây, cảm biến và quốc phòng tiếp theo. Thật không may, cả tổ chức và chương trình mà nó điều hành đặc biệt cho học máy và RFIC đều đã bị đóng cửa.
Nhưng động lực mà nỗ lực của Natcast đã khơi dậy vẫn chưa tắt. Dựa trên công trình ban đầu của chúng tôi, các nhóm trong cộng đồng đã chứng minh những tiến bộ đáng kể. Thiết kế IC dựa trên AI là một phần của sự thay đổi công nghệ rộng lớn hơn nhiều. Từ sinh học và khoa học vật liệu đến kỹ thuật ô tô và hàng không vũ trụ, AI đang định hình lại cách các hệ thống phức tạp được hình thành và tối ưu hóa. Sự hợp tác sâu sắc hơn giữa các nhà nghiên cứu AI và các nhà thiết kế chip sẽ mở khóa toàn bộ tiềm năng của lĩnh vực này. Đây không phải là một kết luận đã được định trước, nhưng nếu chúng ta làm đúng, "thần đèn" này sẽ không ở yên trong chai.
