想像一下，如果沒有過去三十年來的無線技術進步，你的生活會是什麼樣子？你的行李不見了嗎？真可惜 AirTags 還沒發明。航空公司代表承諾會打電話通知最新進度，所以你只能在廚房電話旁耐心等待，因為當時還沒有平價手機。等待期間，你只能聽收音機，因為串流服務尚未出現。更不用說，許多電影情節也會因此被破壞。

這只是無線技術如何影響你日常生活的冰山一角。它對供應鏈、基礎設施和經濟運作方式的影響更是翻天覆地。所有這些都離不開無線射頻積體電路（RFIC），它們讓我們的設備能夠不著痕跡地收發資訊。

現在，想像一下這項技術的進一步發展將帶來什麼：普及的自駕車、量子通訊、6G 行動服務和衛星通訊。持續的發展將取決於更先進的新一代射頻晶片。但問題就在這裡。儘管全球大多數運算晶片的設計已標準化為一門科學，射頻設計卻頑固地停留在藝術領域。甚至是一種「黑魔法」，只有經過多年經驗才能掌握。任何魔法師都會告訴你，黑魔法有自己的步調。而這個步調不僅阻礙了射頻晶片設計的進步，也拖慢了所有依賴它的其他技術。

大約七年前，在 AlphaGo 擊敗世界圍棋冠軍李世乭之後，我和普林斯頓大學的學生們開始思考：AI 是否也能學會這門藝術？最近的成功表明，在很大程度上，這是可行的。在過去幾年中，我們的團隊和該領域的其他領導者已經開始開發由機器學習驅動的射頻積體電路（RFIC）設計演算法方法。

其中一些設計出的晶片看起來更像是現代藝術，而非傳統電路佈局。然而，在許多情況下，這些實體原型在性能上超越了最先進的電路。然而，真正的成就在於，AI 構思出一個可行設計所需的時間，比人類設計師少了幾個數量級。這不僅僅是一兩個射頻晶片的問題。AI 輔助設計可能是所有射頻設計的未來，甚至更多。

那麼，為什麼這些晶片都必須手工打造？為什麼射頻積體電路不能像 CPU 和 GPU 那樣，透過演算法合成過程來設計？射頻積體電路的設計是一項跨越多個物理領域的工程實踐。馬克士威方程式在不同的空間和時間尺度下運作，支配著電磁場如何與主動和被動元件相互作用，這些元件必須精心協同設計才能使晶片正常運作。

除此之外，還有熱力學定律，它決定了運作時如何產生和散熱，以及熱膨脹和收縮的力學原理，這些都影響著晶片及其封裝在溫度變化下的可靠性。同時考慮所有這些物理限制，使得設計空間變得幾乎不可能處理。每一個決策都涉及複雜且經常相互衝突的優先事項，阻礙了任何單一目標的優化。為了更好地理解這個問題，讓我們一步步探討其設計過程，之後你就會明白為什麼一個新的晶片設計需要數年時間和數千萬到數億美元的成本。

無線射頻積體電路的大部分面積都被複雜的電磁結構所佔據。人類設計的 RFIC，例如這個寬頻功率放大器 [1]，通常從模板開始，並遵循對稱且易於理解的模式。但如果擺脫了人類設計模板的限制，以及人類需要理解電磁結構原理的需求，功率放大器 IC [2–5] 和低雜訊放大器 [6] 就能呈現出看似狂野卻高效的設計。SENGUPTA 實驗室。

假設你是一名工程師，被指派設計一款用於 5G 毫米波手機的全新 28 GHz 功率放大器。（這是一種 RFIC，用於增強手機上的 5G 訊號，並將其傳輸到天線，以便遠處的基地台接收）。你會從何開始？

RFIC 設計與蓋房子有些共同點。就像房屋藍圖規定了要建造的臥室和浴室數量以及連接它們的走廊一樣，RFIC 的藍圖，稱為「架構」，確立了 RFIC 為實現其預期功能所需的元件類型。舉例來說，架構中包含的不是房間，而是你的功率放大器所需的放大級數。它顯示的不是走廊，而是訊號通過這些級數必須經過的路徑。RFIC 的藍圖實際上大部分是「走廊」；電感器和傳輸線等被動元件佔用的空間遠多於電晶體等主動元件。

原因如下。你可能自己也經歷過，一般的 CPU 電晶體在面對僅數 GHz 的工作頻率時就會過熱。RFIC 的工作頻率高出一個數量級，5G 訊號為 28 和 39 GHz，衛星通訊為 26.5 至 40 GHz 甚至更高，汽車雷達則為 77 GHz。在這種猛烈衝擊下，CPU 的電晶體將會失效。

RFIC 電晶體之所以能避免這種命運，是因為這些晶片透過精密的電磁設計巧妙地管理訊號能量。這體現為錯綜複雜的金屬元件網路，它們佔據了晶片的大部分空間。這些結構幾何規則，通常對稱，且構造精巧，有時甚至像蕾絲花邊一樣。但儘管它們看起來像裝飾品，卻對晶片的功能至關重要。從電氣角度來看，這些「走廊」更像是晶片的管線系統。就像管線一樣，這個龐大的被動元件迷宮將電磁能量限制在晶片內部應傳輸的特定位置。

RFIC 設計的主要挑戰在於將所有這些元件組合起來，確保它們正常運作，就像根據房屋藍圖建造房子需要精確的承重樑、管道和外牆規格一樣。在 RFIC 上，架構需要透過物理上可製造的電晶體和被動元件來實現，這些元件必須精確連接，才能讓訊號通過晶片並進行處理。這些元件在局部連接的方式，我們稱之為電路的「拓撲」。

那麼，要製作那個功率放大器，你的第一步是確定一個候選電路模板：這是能以特定電路拓撲實現特定架構目標的結構組合。多年來，研究人員透過開發用於特定功能的可重複使用設計模板，減輕了你的負擔。例如，模板會建議電路需要多少個放大級（因為有時，結合兩個較小放大器的輸出，會比單一較大放大器帶來更好的頻寬和效率）。它們還會建議被動結構的總體配置。如今，存在著一個龐大的此類模板庫。

然而，這些模板不能直接拿來即用，因為每個都伴隨著權衡。有些以犧牲穩定性為代價換取更好的增益；有些以犧牲效率為代價換取更好的頻寬；還有一些則以犧牲輸出功率為代價換取更高的能源效率，諸如此類。很少有明確的最佳選擇。為了達到所有這些不同參數平衡到最佳和諧的「甜蜜點」，設計師通常會利用他們多年訓練中累積的直覺和方法，佈局多個不同版本的電路。

挑戰在於，關於架構、電路拓撲或電磁被動元件的決策不能單獨進行。一個決策會影響其他決策。因此，設計射頻電路常常感覺就像試圖將一張過大的地毯塞進一個太小的房間，按下一角，另一角又會翹起來。

在微波和毫米波頻率下，即使是最小的失誤，也可能導致晶片無法運作，而且任何環節都可能出錯。例如，當電磁波遇到電晶體或任何其他元件時，其傳播路徑必須與接下來的元件「匹配」。如果不匹配，部分能量會向後反射，而不是向前流動。想像一下，試圖將一根高壓消防水帶直接連接到一根細小的花園水管。如果沒有正確的轉接頭，水會在接合處向後噴濺。很少有水能通過。在電子學中，這稱為「阻抗匹配問題」。

為了防止這些反射，工程師會設計特殊的過渡結構，本質上是微觀的轉接頭，以平順元件之間的訊號傳遞。在晶片上，這些轉接頭可能出奇地複雜。它們不僅僅是傳遞訊號；它們還可以分割、組合或將訊號以精確控制的時序和強度分佈到多條路徑上。

一旦你完成了架構、管線和所有中間環節，就到了關鍵時刻。你在龐大設計空間中做出的所有選擇，是否產生了一個符合規格的 RFIC？如果規格不符，你將不得不回頭，重新設計拓撲或整個架構，並重複整個過程。因此，請準備好數月耗時耗資源的模擬和迭代。也許你現在明白，為什麼幾十年來，RFIC 業界一直堅信：「射頻設計是一門藝術。」

據說，只有經驗豐富的設計師，憑藉對各部分如何構成整體的精湛理解，才能掌握類比和射頻設計的精妙之處。不幸的是，這種根深蒂固的觀念長期以來阻礙了該領域的演算法創新，而這正是我們最需要它們的時候。隨著這些系統的複雜性不可避免地增長，傳統的手工 RFIC 設計正達到其極限。

當 RFIC 設計師繼續與他們的「過大地毯」問題搏鬥時，相關學科出現了一系列有趣的發展。在蛋白質摺疊和氣候建模等一系列先前難以解決的問題中，AI 已經能夠成功地駕馭多維複雜空間。這激勵我們更深入地研究 AI 在射頻領域的應用。畢竟，蛋白質摺疊的組合複雜性與我們領域的設計空間本質上沒有太大不同。

我們並不是第一個想到利用人工智慧來加速 RFIC 設計部分環節的人。研究人員先前曾訓練機器學習演算法處理電路模板，希望能加速正常的優化過程。雖然這種方法在優化模板方面無疑比人類更快，但它仍然根本上依賴於人類發明的現有設計庫。我們不想要那樣。我們希望擺脫預製拓撲的限制。因為儘管設計師的經驗和來之不易的啟發式方法對於建立一個可行的設計至關重要，但它們也對其施加了根本性的限制。此外，這種方法必然需要模擬