دانشگاه پرینستون طراحی تراشه‌های رادیویی را با هوش مصنوعی خودکار کرد

تخصص در طراحی سخت‌افزار بی‌سیم تا امروز شبیه به یک «هنر سیاه» بود که فقط تعداد کمی از مهندسان خبره بر آن تسلط داشتند. تصور کنید می‌خواهید جریان ترافیک یک شهر بزرگ را بدون داشتن هیچ نقشه‌ای و فقط با حدس و خطا ترسیم کنید؛ مهندسان الکترونیک برای طراحی چیدمان‌های رادیویی دقیقاً با چنین دشواری‌ای روبه‌رو بودند.

به نقل از گزارش ۲۹ جولای ۲۰۲۶ در spectrum.ieee.org، محققان دانشگاه پرینستون (Princeton University) توانسته‌اند فرآیند خلق مدارهای مجتمع فرکانس رادیویی (RFICs) را با استفاده از یادگیری تقویتی (Reinforcement Learning) و طراحی معکوس خودکار کنند. این سیستم می‌تواند چیدمان‌های بسیار دقیق تراشه‌ها را از صفر تولید کند و نیاز به طراحی دستی و زمان‌بر را حذف نماید.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی بهینه‌سازی سخت‌افاری مدل‌های لبه اشاره کردیم، حذف مداخلات انسانی در لایه‌های فیزیکی تراشه، کلید رسیدن به سرعت‌های عملیاتی جدید است. طبق مستندات این پژوهش، تیم پرینستون از دو مکانیزم اصلی برای این جهش استفاده کرده است:

• یادگیری تقویتی و طراحی معکوس: این سیستم — مثل کودکی که با آزمون و خطا یاد می‌گیرد کدام تکه پازل در کجا قرار می‌گیرد — از داده‌های موجود می‌آموزد تا پیش‌بینی کند هر تغییر در چیدمان، چه تأثیری بر عملکرد نهایی تراشه دارد.
• مدل انتشار (Diffusion Model) — شبیه به هنرمندی که از میان یک توده ابری از نویز، یک تصویر دقیق و شفاف می‌سازد — برای تولید سریع چیدمان‌های بدیع و قابل‌فهم توسط انسان به کار رفته است که رکوردهای جدید عملکردی را ثبت کرده‌اند.

این تغییر رویکرد، صنعت را از چرخه‌های تکرار دست‌ساز و خسته‌کننده دور می‌کند. با بهره‌گیری از این مدل‌ها، محققان می‌توانند چیدمان‌هایی بسازند که سرعت‌های فوق‌بالا و تأخیر بسیار کمی دارند؛ ویژگی‌هایی که برای سخت‌افزارهای نسل بعدی حیاتی هستند.

برای توسعه‌دهندگان سخت‌افزار، این یعنی سد ورود به بازار تجهیزات بی‌سیم تخصصی در حال فروپاشی است. تبدیل «هنر» دستی به «الگوریتم» تولید، اجازه می‌دهد چرخه‌های آزمایش و خطا که پیش‌تر غیرممکن بود، اکنون در زمان کوتاهی طی شوند. این اتفاق عملاً خط تولید تحقیق و توسعه (R&D) برای هر دستگاهی که بر پردازش سیگنال‌های فرکانس‌بالا متکی است را شتاب می‌بخشد.

با این حال، پژوهشگران به یک وابستگی حیاتی اشاره کرده‌اند: هوش مصنوعی برای تسلط کامل بر رفتارهای الکترومغناطیسی، به مجموعه‌داده‌های مشترک و بزرگی از طراحی تراشه‌ها نیاز دارد. بدون یک اکوسیستم باز برای این داده‌ها، توانایی مدل‌ها برای تعمیم دادن دانش خود به انواع مختلف سخت‌افزارهای بی‌سیم محدود خواهد ماند.

این پیشرفت مستقیماً بر گسترش شبکه‌های 5G، پایداری ارتباطات ماهواره‌ای و زمان واکنش حسگرهای خودروهای خودران اثر می‌گذارد. در همین راستا، تلاش برای دستیابی به پهنای باند بالاتر در رباتیک صنعتی، منجر به طراحی ماژول‌های Wi-Fi 7 برای جایگزینی 5G سلولی شده است تا بهره‌وری ارتباطات بی‌سیم افزایش یابد. هوش مصنوعی با بهینه‌سازی چیدمان فیزیکی تراشه، اتلاف سیگنال را کاهش داده و بازده انرژی را بالا می‌برد.

گام بعدی شما

• اگر در حوزه سخت‌افزار فعالیت می‌کنید، ظهور مجموعه‌داده‌های متن‌باز RF را دنبال کنید زیرا موتور اصلی پذیرش صنعتی این فناوری هستند.
• بر روی ابزارهای «طراحی معکوس» در لایه‌های فیزیکی متمرکز شوید تا از اتوماسیون سخت‌افزاری در محصولات خود بهره ببرید.
• بررسی کنید که آیا مدل‌های انتشار می‌توانند در سایر بخش‌های طراحی PCB نیز جایگزین روش‌های سنتی شوند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه چگونه هوش مصنوعی معماری حافظه‌ها را تغییر می‌دهد، به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.