Чип, который выглядит как разводы кофе
Вы даёте нейросети задание: спроектируй радиочастотный чип для 5G. Через час она выдаёт мешанину из кривых линий, странных петель и несимметричных блоков. Похоже на абстрактную картину или на то, что получится, если дать Paint'у построить схему под кислотой. Инженер в шоке — это же нельзя собрать. Но симуляция говорит: чип работает на 30% лучше, чем любой ручной проект. Добро пожаловать в новую реальность, где AI-проектирование радиочипов переворачивает всё, что мы знали о схемотехнике.
Исследователи из Принстона (июнь 2026) показали: модели на основе diffusion и reinforcement learning создают топологии RFIC, которые на 40% компактнее и на 25% энергоэффективнее аналогов, разработанных экспертами. Но ключевой момент — эти схемы невозможно повторить вручную. Потому что человеческий мозг застрял в шаблонах: транзисторы в ряд, дорожки под 45 градусов, симметрия. ИИ плевать на эстетику. Ему нужно, чтобы сигнал шёл с минимальными потерями — и он находит путь, который физически идеален, но интуитивно кажется «сломанным».
Как нейросеть рисует то, что человек не может вообразить
Технически это работает так: берётся diffusion model (та же архитектура, что рисует котиков, но адаптированная под электромагнитные симуляции). Модель обучается на миллионах вариантов топологий и их характеристиках — пропускная способность, шум, площадь. Затем reinforcement learning подкручивает параметры, итеративно приближая схему к оптимуму. Выход — цепь, которую отправляют в производство. Звучит просто, но на практике требуется гигантская вычислительная мощность. Компании вроде Synopsys и Cadence уже встраивают такие алгоритмы в свои EDA-инструменты.
В июне 2026 года Applied Materials объявила о партнёрстве с Google Cloud для развёртывания diffusion-моделей на специализированных TPU — время проектирования одного RF-блока сократилось с 3 месяцев до 12 часов.
Но есть нюанс. ИИ генерирует то, что симулятор считает оптимальным. А симулятор — это модель реальности, а не сама реальность. Провал ИИ в генерации кода показал: если модель учится на неполных данных, результат может быть катастрофическим — чип размером с участок. С радиочипами та же беда: нестандартная топология может работать идеально в симуляции, но при физическом изготовлении вылезут паразитные эффекты, которые модель не учитывала. Поэтому каждая сгенерированная схема проходит верификацию в реальных условиях — и только тогда идёт в серию.
Инженеры, готовьтесь к сюрпризам
Первая реакция профессионалов — «это не может работать». Потом они видят тесты и замолкают. Потом пытаются понять, как это функционирует, и снова замолкают — потому что не могут. ИИ оперирует такими комбинациями размещения и соединений, которые не укладываются ни в одну методичку. Например, один из чипов, спроектированных для 6G, использует фрактальные структуры, которые распределяют тепло неравномерно — но именно это даёт необходимую добротность. Человек никогда бы так не сделал, потому что «так не принято».
Не советую так делать, если не хотите получить на симуляции красивые цифры, а на тестовом стенде — дым. Верификация — это всё. Даже если ИИ на 99% уверен в схеме, последний процент может сжечь лабораторию.
Любопытно, что этот подход — обратное проектирование с помощью AI — перекликается с другими методиками. Например, метод «Принудительных связей» для креативного мозгового штурма использует похожий приём: заставить ИИ генерировать то, что человек не может придумать сам. Только здесь ставки выше — не идеи для стартапа, а кремний, который пойдёт в миллионы устройств. Если вы инженер и хотите разобраться, как такие технологии вписываются в современную инженерию, стоит посмотреть на курсы, где дают практические навыки работы с AI. Например, AI-креатор: создаём контент с помощью нейросетей от Skillbox — не про чипы, но базовые принципы генерации и валидации те же.
6G, квантовые коммуникации и конец эпохи чертежей
Сейчас главное поле битвы — миллиметровый диапазон (30-300 ГГц) для 6G и начальные эксперименты с квантовыми точками. Там классические подходы заканчиваются: паразитные ёмкости, скин-эффект, диэлектрические потери становятся настолько критичны, что ручной расчёт практически невозможен. AI-проектирование — единственный способ получить рабочую топологию за разумное время. К 2028 году, если верить прогнозам TSMC, больше половины всех RFIC будут хотя бы частично спроектированы нейросетями. Но произойдёт ли это? Зависит от того, как быстро инженеры научатся доверять схемам, которые выглядят как «баги», но работают как фичи.
Лучше не ждать, пока индустрия переварит эту идею сама. AI-Accelerated Engineer: как стать разработчиком, которого ускорят нейросети — вот тренд, который уже здесь. Если вы не готовы перепроверять за ИИ его безумные топологии, за вас это сделают конкуренты. А те инженеры, которые смогут эффективно валидировать и адаптировать AI-схемы, станут новыми рок-звёздами полупроводниковой индустрии.
