AI设计射频芯片，超乎人类设想

如果过去三十年无线技术从未取得任何突破，我们的生活会变成什么样。行李丢了？可惜AirTags还未问世。航空公司工作人员承诺有消息会来电通知，你只能守着家用固定电话漫长等候——当年还没有平价手机。等待期间，你只能被动收听收音机里的节目，流媒体服务更是无从谈起。更不用说无数影视剧情都会因此彻底改写。

这仅仅只是无线技术渗透日常生活的冰山一角。它重塑了全球供应链、基础设施体系，彻底改变了世界经济的运行模式。而这一切变革的根基，是射频集成电路。正是这类芯片，让我们各类设备能够无声无息地收发数据。

我们再畅想一下这项技术未来的发展图景：大规模自动驾驶车辆、量子通信、6G移动通信、卫星通信。行业持续向前发展，离不开性能更先进、迭代更新的新一代射频芯片。

但这里存在一个行业痛点：全球绝大多数计算芯片的设计流程早已标准化，形成一套成熟完整的工程体系；射频设计却始终难以标准化，更像是一门靠经验打磨的技艺，甚至被称作“玄学”，只有长年深耕的从业者才能熟练掌握。就像各类秘术都有自身的修炼周期，射频芯片漫长的设计周期，不仅制约射频行业自身发展，更拖累所有依赖射频芯片的下游技术落地。

约七年前，AlphaGo围棋战胜李世石后，我们就萌生了一个想法：人工智能是否也能掌握射频设计这门技艺？近年来一系列研究成果证明，人工智能在很大程度上完全可以做到。过去数年，我们团队与业内其他顶尖研究团队，陆续开发出基于机器学习的射频集成电路算法设计方案。人工智能生成的部分芯片版图，视觉观感更像现代艺术图案，而非传统电路布局。但大量实物流片验证显示，这类芯片多项性能指标均超越当下商用顶级电路。而这项技术真正的核心价值在于：AI完成一套可用设计所需的时间，比人类设计师缩短好几个数量级。

这绝非只适用于一两款射频芯片。人工智能赋能设计，或将成为射频全品类芯片的未来，甚至辐射更多硬件设计领域。

射频集成电路设计：一门难以标准化的“玄学”

为什么射频芯片至今大多依靠人工手工设计？为什么射频集成电路不能像CPU、GPU一样，依靠算法自动综合完成设计？

射频集成电路设计是一项跨多物理场的综合性工程。麦克斯韦方程组描述不同时空尺度下电磁场与有源、无源器件的耦合关系，芯片要实现既定功能，有源器件与无源器件必须协同一体化设计。除此之外，热力学定律决定芯片工作时热量的产生与散热效率；热胀冷缩力学特性，则直接影响芯片与封装在高低温环境下的工作可靠性。

设计过程需要同步兼顾全部物理约束条件，导致可选择的设计空间极其庞大。每一项设计决策都会产生相互冲突的性能取舍，很难实现全部指标同步最优。

我们拆解完整设计流程，你就能理解：一款全新射频芯片研发动辄耗时数年，研发成本动辄数千万乃至上亿美元。

举个例子：工程师接到需求，为5G毫米波手机研发一款28吉赫兹功率放大器（这类射频芯片负责放大手机5G信号，经由天线发射，供远端基站接收），该从何处着手？

射频集成电路设计和建房有几分相似。房屋图纸会规定卧室、卫生间数量与连通走廊；射频芯片的“图纸”被称为架构，定义实现功能所需的各类电路单元。房屋的房间对应放大器的放大级数，走廊则对应信号传输通路。但射频芯片的图纸里，绝大部分面积都是“走廊”：电感、传输线这类无源器件占用的面积，远大于晶体管等有源器件。

背后原因不难理解：普通CPU晶体管仅在几吉赫兹工作频率下就极易过热失效；而射频芯片工作频率高出一个数量级——5G信号28/39吉赫兹、卫星通信覆盖26.5~40吉赫兹甚至更高、车载雷达达77吉赫兹。如果直接使用CPU晶体管，在如此高频下会直接损毁。

射频芯片晶体管能够稳定工作，核心依靠精密电磁设计管控信号能量，芯片上布满错综复杂的金属无源网络。这类结构几何规整、大多呈对称样式，纹路细密如蕾丝雕纹，看似只是装饰，实则是芯片正常工作的核心。

从电学角度看，这些“信号走廊”如同芯片内部的管路系统。这套庞大复杂的无源网络，能约束电磁能量仅在预设通路内传输。

射频设计最大难点，就是整合所有器件并保障协同工作，如同建房时承重梁、管线、外墙尺寸必须严格依照图纸施工。射频芯片架构必须依托可实际流片制造的晶体管与无源器件搭建，器件间连接方式决定信号传输与处理路径，这种器件局部连接方式，我们称之为电路拓扑。

射频集成电路完整设计流程

设计前文提到的功率放大器，第一步是选定适配的电路模板：组合一套能够匹配既定架构、对应特定拓扑结构的电磁单元。多年来科研人员积累了大量可复用功能模板，减轻工程师负担。例如模板会给出放大器级数参考（两级小型放大器组合，带宽与效率往往优于单级大功率放大器），同时给出无源结构基础布局方案，目前行业已有庞大模板库。

但模板无法直接拿来即用，每套模板都存在性能取舍：部分增益高但稳定性差；部分带宽优异但效率偏低；还有部分功耗低但输出功率不足，几乎不存在各项指标完美均衡的模板。想要找到各项参数平衡、性能最优的“黄金平衡点”，设计师只能依靠多年积累的经验直觉，绘制多版电路布局逐一调试。

更大的难题在于：架构、电路拓扑、电磁无源结构三者无法拆分优化，任一参数调整都会联动其余模块。设计射频电路，好比把大地毯硬塞进狭小房间——按平一处边角，另一处就会凸起。

微波、毫米波频段下，细微设计偏差都会直接导致芯片功能失效，潜在问题层出不穷。比如电磁波传输至晶体管或其他器件时，前后通路必须做好阻抗匹配；匹配失效会造成能量反向反射，正向传输信号大幅衰减。类比生活场景：高压消防水管直接接驳细园艺水管，缺少适配接头会导致接口大量回水，水流很难向前输送。电子领域内，该问题被称为阻抗失配。

为抑制信号反射，工程师会设计微型过渡匹配结构，相当于芯片内部的微型转接头，平滑器件间信号传输。这类匹配结构设计复杂度极高，不只是简单传导信号，还可实现信号分路、合路，精准控制多路信号的时序与功率。

完成架构、无源传输网络等全部基础设计后，便进入验证环节：这套在庞大设计空间中反复权衡得出的射频芯片，能否满足全部指标？一旦参数不达标，只能推倒重来，重新调整拓扑甚至整套架构，完整流程再次迭代。这意味着长达数月、耗费巨量算力资源的仿真调试循环。

这也能解释为什么射频行业数十年来流传一句共识：“射频设计是一门手艺活”。业内普遍认为，只有经验丰富的设计师，才能凭借对器件整体耦合关系的手工化理解，拿捏模拟与射频设计的细微特性。遗憾的是，这种固化认知长期阻碍行业算法化创新，而当下行业恰恰急需标准化工具。随着射频系统复杂度持续攀升，传统人工手工设计模式已经抵达性能与成本瓶颈。

人工智能赋能射频集成电路设计

当射频工程师持续和“地毯塞房间”式的多指标冲突难题博弈时，其他相关学科迎来多项突破性进展。人工智能已成功攻克蛋白质折叠、气候模拟等传统多维复杂难题，这给了我们深入研究AI射频设计的动力。归根结底，蛋白质折叠的组合复杂度，和射频芯片庞大的设计空间具备高度相似性。

我们并非首个尝试用人工智能加速射频设计的团队。此前已有研究团队利用机器学习算法训练电路模板，缩短常规优化周期。这套方案对比人工调试确实提速，但底层依旧依赖人类预先设计的模板库，存在先天局限。

传统机器学习优化仅依托人类成熟电路模板；我们希望彻底摆脱预制拓扑结构的束缚。设计师积累的经验与经验法则虽能保证电路可用，却也会限制性能上限。同时传统优化循环必须穿插仿真步骤，即便是最快仿真工具，也会消耗海量算力。更关键的是宽带射频等前沿场景，本就没有现成模板可供套用。

既然不能依托模板，那设计该从何起步？

我们的核心目标：让算法完全从零生成架构、单元电路、电磁无源器件的全部参数。该思路和传统优化存在本质区别：传统优化仅能调整人类预先设计好的结构参数（晶体管尺寸、无源器件几何外形等）；而我们的方案架构从零搭建，通过多轮迭代逐步完善。系统会生成海量候选电路组合，遍历设计空间并记录各类性能取舍关系。全程不受人类过往设计思路干扰，能够生成和人工版图风格截然不同的全新电路拓扑。

这套思路借鉴了AlphaGo Zero等人工智能模型：它并非学习人类棋谱，而是依靠自我对弈吃透规则，最终棋力超越人类。同理，我们的算法自主探索、评估各类设计方案，自主理解电路原理与电磁耦合逻辑，实现射频芯片端到端全自动设计。

射频集成电路逆向设计方案

整套技术分为两大阶段落地：

第一阶段搭建强化学习（RL）框架，自主确定最优系统架构、电路拓扑、器件参数，以及连通各类电路单元的电磁界面特性。该阶段算法自主定义信号在系统内的传输、耦合逻辑。

这套强化学习模型训练逻辑和AI下棋高度相似：大量重复试错后，模型会根据操作与最终得分的对应关系优化策略。本项目中的强化学习智能体，通过海量电路组合试错学习优质电路方案，逐步建立电路性能与架构、拓扑、参数之间的映射关系。完整训练周期为数天至一周，训练完成后，模型生成电路速度极快。

第二阶段推导芯片电磁无源网络物理结构，实现目标散射参数。散射参数用于衡量信号经过器件时正向传输效率、反向反射损耗，对应前文消防水管回水案例。

根据目标散射参数反推器件结构，是工程领域通用的逆向设计思路。举个结构工程例子：建筑师先提出需求——打造层高充足的大跨度室内空间，再反向推导拱架、扶壁的排布方案以实现承重。

射频集成电路给逆向设计带来独特挑战：算法必须同步兼顾电路特性、互连与无源器件的电磁响应，同时避免低效人工迭代。

为此我们用人工智能仿真器替代传统射频电路仿真工具。该模型无需像传统仿真软件从头求解底层物理方程，就能预判任意二维不规则电磁结构的电磁场传输特性，直接输出对应散射参数。传统电磁求解器耗时数分钟至数小时的计算任务，AI仿真器仅需毫秒级完成。

仿真器基于卷积神经网络搭建，该模型在图像处理领域成效卓著，能够提取结构空间特征；电磁版图的几何图案本身包含充足空间信息，可精准预判电磁性能。我们使用海量标注散射参数的随机像素化版图完成模型训练。

整合强化学习逆向框架与AI高速仿真器后，我们搭建出端到端全自动AI芯片设计平台，并使用该平台研发功率放大器完成概念验证。

打破常规的全新射频架构

2023年，我们发布毫米波功率放大器验证成果，工作频段覆盖30~100吉赫兹，囊括主流5G与车载雷达频率区间。这款硅基放大器同时实现超大带宽、高输出功率、高能量效率，创下同期硅基功放综合性能纪录，可在宽频范围内高速放大信号，能效指标刷新行业水平。

芯片内部电磁传输通路布局完全跳出人类固有设计思维。AI未学习任何人工版图，最终生成的图案毫无对称规整感，视觉上更像随机像素纹理或二维码，而非传统射频版图。

这款原型与系列研究带来一个颠覆性结论：行业沿用多年的标准模板，远未达到现代设计需求下的性能最优解。并非人类设计师无法做出更好方案，但摆脱模板束缚、算法无限迭代优化后，AI综合设计方案显然能突破传统设计天花板，挖掘射频芯片性能极限。

我们研发的5G功放仅单输入、单输出端口；多端口芯片设计难度大幅提升，每个端口都会和其余端口产生电磁耦合，散射参数数量呈指数增长：双端口对应4组散射参数，四端口直接增至16组，计算复杂度急剧上升。我们的模型能否应对这类场景？

后续我们使用大量多端口电磁结构数据集训练模型，2024年发布成果证实，该算法完全适配多端口集成电路。以往多端口电磁仿真需耗费数天乃至数周算力，这套模型仅用几分钟就能生成全新优化结构。此后全球各地科研团队相继跟进，大量论文证实逆向设计在射频集成电路领域的巨大潜力。

结合强化学习框架与逆向设计技术，我们如今可从芯片指标出发，直接输出可流片加工的完整版图。目前该方案已在低噪声放大器、太赫兹频段、宽带功率放大器等多款射频芯片上验证落地，后续有望拓展至全部射频电路品类。

提升AI版图可解读性

我们研发AI设计工具的初衷，是简化、优化射频设计流程，而非做出人类完全无法看懂的电路。芯片测试与故障调试周期漫长，难度有时甚至高于设计本身。工程师更倾向结构逻辑清晰的版图，一旦芯片出现故障，能够快速定位电路原理、完成排错。

为生成逻辑更易懂的版图，我们引入扩散模型——也就是当下文字生成图像主流模型。

图像生成工具可按照毕加索、梵高、米开朗基罗等不同画家风格绘制天空，画面内核一致、艺术表现形式不同；电磁设计同理，多种不同结构可实现近乎相同的电磁响应。

我们将散射参数作为模型输入，射频芯片电磁版图作为输出；在扩散模型输入端增设空间频率调节滑块。工程师拖动滑块，即可控制模型输出三类版图：低空间频率（传统规整结构，便于人工解读）、中等空间频率（迷宫式复杂布线）、高空间频率（像素化不规则图案）。

整套从指标输入到版图输出流程仅需6分钟。依托扩散模型，算法既能生成颠覆性全新架构，也能快速产出行业通用传统版图。

射频工程师仅需输入一套符合麦克斯韦方程组、物理上可实现的散射参数，模型就能像自动售货机一样，直接输出匹配性能的电磁结构版图。

AI射频设计的行业未来

我们团队的研究成果已经获得全球射频行业广泛关注，传统自下而上人工设计流程正在迎来反转。

但领域内仍存在诸多待解问题：这套算法方案泛化能力如何？能否稳定持续输出顶级性能芯片？未来能否实现全局多指标协同最优，同步平衡全部性能取舍、把每一项参数调至理论最优状态？我们希望把这套设计思路拓展至射频之外，创造人类从未设计过的全新电路架构。

这类前景振奋人心，但行业距离成熟落地仍有距离。人工智能可能生成物理上无法实现、存在缺陷的无效版图，因此芯片验证环节必须保留人工审核；虽然无效设计出现概率较低，但仍需进一步降低模型误生成概率。

参考图像识别行业发展历程，想要实现行业愿景，我们还需要海量训练数据。在ImageNet数据集（1400万张人工标注图片）问世前，图像识别模型在真实场景表现极差，训练数据集规模不足以支撑泛化能力；海量标注数据催生图像AI革命，才有如今通用识图模型。

射频、模拟电路领域若想研发通用基础大模型，吃透电磁与电路底层规律，同样离不开大规模数据集。

行业利好在于：全球企业、实验室工程师每天都在仿真大量高度相似的射频电路与无源结构，数据供给充足；现存问题是绝大多数数据受保密协议约束，无法公开流通。

开放生态已经推动多个技术赛道快速发展，射频集成电路行业同样需要开放共享体系。此前美国《芯片与科学法案》旗下研发项目运营机构Natcast，本计划搭建共享研发基础设施，赋能下一代无线、传感、国防技术；遗憾的是，该机构及其专门面向机器学习+射频芯片的研发项目均已关停。

但Natcast催生的行业发展势头并未消退。依托我们早期研究成果，全球各大科研团队已取得大量亮眼突破。AI自动化芯片设计，是跨领域技术变革的一环：从生物、材料科学到汽车、航空航天工程，人工智能正在重构复杂系统的研发、优化模式。人工智能研究人员与芯片设计师深度协同，才能彻底释放赛道全部潜力。行业前景尚无定论，但如果我们走对发展路线，这项技术的潜力将彻底释放，无法再被局限。