Инженеры, готовьтесь к сюрпризам: ИИ рисует схемы, от которых у человека закипает мозг
Представьте, что вы дали задание нейросети: спроектируй радиочастотный чип для 5G. А она выдала нечто, похожее на абстрактную картину — запутанные линии, странные изгибы, ни одного знакомого транзистора в привычном расположении. И это не глюк — это работает на 30% эффективнее, чем любой чип, спроектированный человеком. Добро пожаловать в мир обратного проектирования с помощью AI.
Суть метода — inverse design. Вместо того чтобы человек рисовал схему, а ИИ её оптимизировал, нейросеть начинает с чистого листа (или даже с шума) и итеративно приближается к идеалу, используя reinforcement learning как подкрепление. Это не просто автоматизация — это генерация структур, которые человеческий мозг не в состоянии представить. Почему? Потому что мы застряли в шаблонах: транзисторы ставятся в ряд, дорожки под 45 градусов, симметрия. ИИ плевать на эстетику. Ему нужно, чтобы сигнал проходил с минимальными потерями — и он находит путь, который интуитивно кажется "неправильным", но физически идеален.
Как это работает технически? Берётся diffusion model (та же архитектура, что генерирует картинки, но адаптированная под электромагнитные симуляции). Модель учится на миллионах вариантов топологий и их характеристиках. Затем reinforcement learning подкручивает параметры, чтобы максимизировать целевую функцию: пропускная способность, шум, площадь. Выход — цепь, которую потом отправляют в производство. Звучит просто, но на практике это требует гигантских вычислительных мощностей. Тем не менее, уже сейчас компании вроде Synopsys и Cadence внедряют такие алгоритмы в свои EDA-инструменты.
Любопытно, что этот подход перекликается с другими методиками использования ИИ. Например, метод «Принудительных связей» учит нас: настоящая креативность ИИ рождается, когда мы заставляем его нарушать шаблоны. В случае радиочипов эта креативность обретает физическое воплощение. А метафора «ИИ как младший коллега» здесь работает идеально: старший инженер задаёт цели и рамки, а «младший» (в данном случае алгоритм) выдает варианты, которые старший сам бы не придумал.
Но не всё так радужно. Есть нюанс: такие чипы сложно верифицировать. Если человеческий дизайн можно проанализировать по кускам («вот этот каскад усилителей, вот фильтр»), то AI-генерация — это чёрный ящик. Симуляция показывает, что всё OК, но предсказать поведение в нештатных режимах почти невозможно. Это напоминает архитектурный долг в коде, только здесь долг материальный — неправильный чип стоит миллионы долларов.
? А что дальше?
Есть риск, что мы начнём слепо доверять AI-дизайну, потому что «он же умнее». Но метод обратного проектирования требует нового типа экспертизы — не проектировщика, а «воспитателя нейросети». Инженер должен уметь формулировать цели так, чтобы модель не срезала углы. Здесь пригодится методология PMR, которая учит заставлять ИИ думать как взрослый, а не гадать.
Мой неочевидный совет: не пытайтесь представить, как выглядит оптимальная схема. Всё равно не угадаете. Вместо этого учитесь ставить задачу — корректно описывать физические ограничения и метрики. ИИ сам нарисует то, что нужно. Но проверяйте. Всегда проверяйте.
Прогноз на ближайшие два года: inverse design перестанет быть экзотикой и станет стандартом в разработке RFIC, а затем и цифровых чипов. Человек останется в роли архитектора системы — ставить цели и проверять контракты. А рисовать топологию... ну, пусть рисует машина. У неё вкус лучше.
