인공지능이 인간조차 상상할 수 없었던 무선 통신 칩을 설계하고 있다 AI Is Designing Radio Chips That Humans Couldn’t Even Imagine

AI Is Designing Radio Chips That Humans Couldn’t Even Imagine

RFIC design is a complex “dark art” that limits progress in wireless technologies like 5G, autonomous vehicles, and satellite communications.

Princeton researchers use reinforcement learning and inverse design to rapidly create RFICs from scratch.

Diffusion models rapidly generate novel or human-interpretable RF layouts, achieving record performance and drastically reducing design time.

Future progress needs large, shared chip design datasets and open ecosystems so AI can learn universal electromagnetic and circuit behaviors.

https://spectrum.ieee.org/ai-radio-chip-design?itm_source=homepage&itm_medium=hero&itm_campaign=hero-2026-06-25&itm_content=hero1

인공지능이 인간조차 상상할 수 없었던 무선 통신 칩을 설계하고 있다.

이해력과 미적 감각에서 벗어난 AI는 더 빠르게 디자인합니다.

RFIC 설계는 5G, 자율 주행 차량, 위성 통신과 같은 무선 기술의 발전을 저해하는 복잡한 " 미지의 영역 "입니다.

프린스턴 연구진은 강화 학습과 역설계를 활용하여 RFIC를 처음부터 신속하게 제작합니다.

확산 모델은 새롭 거나 사람이 이해하기 쉬운 RF 레이아웃을 신속하게 생성하여 기록적인 성능을 달성하고 설계 시간을 획기적으로 단축합니다.

미래의 발전을 위해서는 인공지능이 보편적인 전자기 및 회로 동작을 학습할 수 있도록 대규모의 공유 칩 설계 데이터 세트와 개방형 생태계가 필요합니다.

잠시 시간을 내어 지난 30년간의 무선 기술 발전이 없었다면 어땠을지 상상해 보세요.

짐을 잃어버리셨나요? 에어태그가 발명되었다면 얼마나 좋았을까요. 항공사 직원이 상황을 알려주겠다고 전화하겠다고 했으니, 부엌 전화기 옆에서 한참을 기다려야 할 겁니다. 여기에는 값싼 휴대전화가 없거든요. 기다리는 동안에는 라디오에서 나오는 음악이나 들어야 할 거예요. 스트리밍 서비스도 없으니까요. 게다가 영화 줄거리가 망쳐 질 뻔한 것도 한몫 하겠죠.

이는 무선 기술이 우리의 일상생활에 미치는 영향 중 극히 일부분에 불과합니다. 무선 기술은 공급망, 인프라, 그리고 경제 운영 방식에 엄청난 변화를 가져왔습니다.

이 모든 것은 우리 기기들이 눈에 띄지 않게 정보를 송수신할 수 있도록 해주는 무선 주파수 집적 회로가 없었다면 불가능했을 것입니다.

이제 이 기술의 발전이 가져올 미래를 상상해 보세요. 자율주행 차량의 광범위한 보급 , 양자 통신 , 6G 이동통신 서비스 , 위성 통신 등이 가능해질 것입니다. 이러한 발전의 지속적인 추진력은 현재의 RF 칩보다 더욱 새롭고 발전된 버전에 달려 있습니다.

하지만 문제는 바로 여기에 있습니다. 전 세계 대부분의 컴퓨터 칩 설계는 하나의 과학 분야로 표준화된 반면, RF 설계는 ​​여전히 예술의 영역에 머물러 있습니다. 마치 오랜 경험을 통해서만 숙달할 수 있는 신비로운 마법과도 같습니다. 마법사라면 누구나 알겠지만, 신비로운 마법은 정해진 시간표대로 진행됩니다. 그리고 이러한 시간표는 RF 칩 설계뿐만 아니라 RF 칩 설계에 의존하는 모든 기술의 발전을 저해하고 있습니다.

약 7년 전, 알파고가 세계 바둑 챔피언 이세돌을 꺾은 후 , 프린스턴 대학 의 제 학생들 과 저는 인공지능에게도 이러한 기술을 가르칠 수 있을지 궁금해하기 시작했습니다. 최근의 성공 사례들은 상당 부분 가능하다는 것을 시사합니다. 지난 몇 년 동안 저희 연구팀을 비롯한 이 분야의 선도적인 연구진들은 RFIC(무선 주파수 집적 회로) 설계를 위한 머신러닝 기반 알고리즘 개발에 착수했습니다. 그 결과물 중 일부는 회로 배치라기보다는 현대 미술 작품처럼 보이기도 합니다. 하지만 많은 경우, 실제 프로토타입은 성능 면에서 최첨단 회로를 능가했습니다. 그러나 진정한 성과는 인공지능이 인간 설계자보다 훨씬 짧은 시간 안에 작동하는 설계를 도출해냈다는 점입니다.

이것은 한두 개의 RF 칩에 관한 이야기가 아닙니다. AI 기반 설계는 모든 RF 설계의 미래가 될 수 있으며, 어쩌면 그 이상의 의미를 가질 수도 있습니다.

RFIC 설계의 어두운 기술

그렇다면 왜 이 칩들은 모두 수작업으로 제작되어야 할까요? CPU나 GPU처럼 알고리즘 합성 과정을 통해 RFIC를 설계하지 않는 이유는 무엇일까요?

RFIC 설계는 여러 물리적 영역에 걸친 엔지니어링 작업입니다. 다양한 공간적, 시간적 스케일에서 작용하는 맥스웰 방정식은 전자기장이 능동 및 수동 소자와 상호 작용하는 방식을 지배하며, 칩이 제대로 작동하려면 이러한 소자들을 신중하게 공동 설계해야 합니다. 이와 더불어, 작동 중 열이 발생하고 제거되는 방식을 결정하는 열역학 법칙과 칩 및 패키징이 온도 변화에 얼마나 안정적으로 견딜 수 있는지를 좌우하는 열팽창 및 수축 역학도 고려해야 합니다.

AI가 RFIC 설계에 문제를 일으킬 수 있다

무선 주파수 집적 회로 설계에는 인간의 직관과 여러 번의 반복적인 최적화 단계가 필요합니다. 맥스웰 방정식에 대한 이해를 통해 인공지능이 이러한 과정을 단축하고 신속하게 설계를 도출하도록 학습시키는 것이 목표입니다.

느린 인간 칩 설계 단계와 더 빠른 AI 기반 프로세스를 비교하는 흐름도무선 주파수 집적 회로 설계에는 인간의 직관과 여러 번의 반복적인 최적화 단계가 필요합니다. 맥스웰 방정식에 대한 이해를 통해 인공지능이 이러한 과정을 단축하고 신속하게 설계를 도출하도록 학습시키는 것이 목표입니다.

이러한 물리적 제약 조건을 모두 동시에 고려하면 설계 공간이 거의 불가능할 정도로 넓어집니다. 모든 결정에는 서로 상충하는 복잡한 우선순위가 수반되므로 어느 하나도 최적화하기 어렵습니다.

이 문제를 더 잘 이해하기 위해 관련 단계를 하나씩 살펴보겠습니다. 그러면 새로운 칩 하나를 설계하는 데 왜 수년이 걸리고 수천만 달러에서 수억 달러에 이르는 비용이 드는지 더 잘 이해하게 될 것입니다.

무선 주파수 집적 회로(RFIC) 분야의 대부분은 복잡한 전자기 구조로 이루어져 있습니다. 이 광대역 전력 증폭기[1]와 같은 사람이 설계한 RFIC는 템플릿에서 시작하여 대칭적이고 이해하기 쉬운 패턴을 따릅니다. 그러나 사람이 설계한 템플릿의 제약과 전자기 구조의 원리를 사람이 이해할 필요성에서 벗어나면 전력 증폭기 IC[2–5]와 저잡음 증폭기[6]는 훨씬 더 독창적이면서도 효율적인 설계를 구현할 수 있습니다. SENGUPTA LAB

당신이 5G 밀리미터파 휴대폰용 28GHz 전력 증폭기를 설계하는 엔지니어라고 가정해 봅시다 . (이것은 휴대폰의 5G 신호를 증폭하여 멀리 떨어진 기지국에서 수신할 수 있도록 안테나로 전송하는 RFIC의 한 종류입니다.) 어디서부터 시작해야 할까요?

RFIC 설계는 주택 건축과 몇 가지 공통점이 있습니다. 주택 설계도가 침실과 욕실의 개수, 그리고 그것들을 연결하는 복도의 위치를 ​​정하는 것처럼, RFIC 설계도(아키텍처)는 RFIC가 의도된 기능을 수행하는 데 필요한 요소들의 종류를 정의합니다. 방 대신, 예를 들어 전력 증폭기에 필요한 증폭 단계의 수를 아키텍처에 포함시키고, 복도 대신 신호가 이러한 단계를 통과해야 하는 경로를 보여줍니다.

RFIC의 설계도는 사실상 대부분 복도형 구조입니다 . 인덕터나 전송선과 같은 수동 소자가 트랜지스터와 같은 능동 소자보다 훨씬 더 많은 공간을 차지하기 때문입니다.

이유는 다음과 같습니다. 아마 직접 경험해 보셨겠지만, 일반적인 CPU의 트랜지스터는 몇 기가헤르츠 정도의 작동 주파수에서도 과열됩니다. RFIC가 작동할 수 있는 주파수는 이보다 한 자릿수 더 높습니다. 5G 신호는 28~39GHz, 위성 통신은 26.5~40GHz 이상, 자동차 레이더는 77GHz까지 사용됩니다. 이러한 높은 주파수에서 CPU의 트랜지스터는 고장날 수밖에 없습니다.

RFIC 트랜지스터는 신호 에너지를 정교한 전자기 설계로 관리하기 때문에 이러한 운명을 피할 수 있습니다. 이러한 설계는 칩 표면의 대부분을 차지하는 복잡한 금속 소자 네트워크 형태로 나타납니다. 이 구조는 기하학적으로 규칙적이고 종종 대칭적이며, 매우 정교하게 만들어져 때로는 섬세한 레이스처럼 보이기도 합니다. 하지만 이러한 구조가 장식적으로 보일지라도, 칩의 기능에는 필수적입니다.

전기적인 관점에서 보면, 이러한 "통로"는 칩의 배관과 더 유사한 역할을 합니다 . 배관처럼, 이 광범위한 수동 소자의 미로 같은 구조는 전자기 에너지가 칩 내부에서 이동해야 할 곳에만 머물도록 합니다.

RFIC 설계의 주요 과제는 이러한 모든 요소를 ​​조합하여 제대로 작동하도록 하는 것입니다. 마치 설계도를 보고 집을 지을 때 하중을 지탱하는 보, 배관, 외벽에 대한 정확한 사양이 요구되는 것과 같습니다. RFIC에서는 물리적으로 제작 가능한 트랜지스터와 수동 부품을 사용하여 회로를 구현하고, 신호가 칩을 통과하여 처리될 수 있도록 정확하게 연결해야 합니다. 이러한 소자들의 연결 방식을 회로 토폴로지라고 합니다.

RFIC 설계 프로세스

따라서 전력 증폭기를 제작하려면 먼저 적합한 회로 템플릿을 찾아야 합니다. 특정 회로 토폴로지를 가진 특정 아키텍처의 목표를 달성할 수 있는 구조 조합을 찾는 것입니다. 수년에 걸쳐 연구자들은 특정 기능을 위한 재사용 가능한 설계 템플릿을 개발하여 이러한 부담을 덜어주었습니다. 예를 들어, 템플릿은 회로에 필요한 증폭 단계 수를 제안합니다(때로는 두 개의 작은 증폭기 출력을 결합하는 것이 하나의 큰 증폭기보다 더 나은 대역폭과 효율을 얻을 수 있기 때문입니다). 또한 수동 구조의 일반적인 구성이 어떠해야 하는지도 제안합니다. 오늘날 이러한 템플릿은 방대한 라이브러리에 존재합니다.

하지만 이러한 제품들은 각각 장단점이 있기 때문에 단순히 기성품으로 사용할 수는 없습니다. 어떤 제품은 안정성을 희생하는 대신 이득이 더 좋고, 어떤 제품은 효율성을 희생하는 대신 대역폭이 더 넓으며, 또 어떤 제품은 출력 전력을 희생하는 대신 에너지 효율이 더 높습니다. 따라서 명확하게 최적의 선택이라고 할 수 있는 경우는 드뭅니다.

이러한 다양한 매개변수들이 최적의 조화를 이루는 "최적의 지점"에 도달하기 위해 설계자들은 일반적으로 수년간의 훈련을 통해 습득한 직관과 방법을 사용하여 여러 가지 다른 버전의 회로를 설계합니다.

문제는 회로 아키텍처, 회로 토폴로지 또는 전자기 수동 소자에 대한 결정을 개별적으로 내릴 수 없다는 점입니다. 하나의 결정이 다른 결정에 영향을 미칩니다. 따라서 RF 회로를 설계하는 것은 마치 너무 큰 카펫을 너무 작은 방에 억지로 끼워 넣으려는 것과 같습니다. 한쪽 모서리를 누르면 다른 모서리가 튀어나오는 것처럼 말입니다.

마이크로파 및 밀리미터파 주파수 대역에서는 아주 작은 오차라도 칩의 작동 여부를 결정짓는 요인이 될 수 있으며, 다양한 문제가 발생할 수 있습니다. 예를 들어, 전자기파가 트랜지스터나 다른 부품에 도달할 때, 파동이 이동하는 경로는 다음에 오는 부분과 적절하게 "매칭"되어야 합니다. 그렇지 않으면 에너지의 일부가 앞으로 흐르지 않고 뒤로 반사됩니다. 고압 소방 호스를 가는 정원 호스에 직접 연결하려고 하는 상황을 상상해 보세요. 적절한 어댑터가 없으면 물이 연결 부위에서 뒤로 튀어 오를 것입니다. 앞으로 흐르는 물은 극히 적을 것입니다. 전자공학에서는 이를 임피던스 매칭 문제라고 합니다.

이러한 신호 반사를 방지하기 위해 엔지니어들은 구성 요소 간의 신호 전달을 원활하게 하는 특수 전환부, 즉 미세한 어댑터를 설계합니다. 칩 상에서 이러한 어댑터는 놀라울 정도로 정교할 수 있습니다. 단순히 신호를 전달하는 것뿐만 아니라, 신호를 분할하거나, 결합하거나, 여러 경로로 분배하면서 타이밍과 강도를 정밀하게 제어할 수도 있습니다.

아키텍처 설계, 회로 구성, 그리고 그 사이의 모든 과정을 마치고 나면 마침내 진실의 순간이 찾아옵니다. 방대한 설계 공간을 탐색하며 내린 모든 선택이 사양을 충족하는 RFIC를 만들어냈을까요? 사양을 충족하지 못하면 토폴로지를 다시 설계하거나 전체 아키텍처를 재설계하고 모든 과정을 반복해야 합니다. 따라서 수개월에 걸친 시간과 자원이 소모되는 시뮬레이션과 반복 작업에 대비해야 합니다. 수십 년 동안 RFIC 업계에서 "RF 설계는 ​​예술이다"라는 핵심 신념이 지속되어 온 이유를 이제 이해하실 수 있을 것입니다. 숙련된 설계자, 즉 전체를 구성하는 요소들의 원리를 장인 정신으로 이해하는 사람만이 아날로그 및 RF 설계의 미묘한 차이를 마스터할 수 있다는 믿음이었습니다. 하지만 안타깝게도 이러한 뿌리 깊은 관념은 우리가 가장 필요로 하는 바로 이 시점에 알고리즘 혁신을 오랫동안 가로막아 왔습니다. 시스템의 복잡성이 끊임없이 증가함에 따라 전통적인 장인 정신에 기반한 RFIC 설계 방식은 한계에 다다르고 있습니다.

RFIC 설계를 위한 AI

RFIC 설계자들이 "과도하게 큰 카펫" 문제와의 싸움을 계속하는 동안, 관련 분야에서는 흥미로운 발전들이 나타났습니다. 단백질 접힘 이나 기후 모델링 과 같이 이전에는 해결하기 어려웠던 다양한 문제들에서 인공지능 (AI)이 다차원의 복잡한 공간을 성공적으로 탐색해냈습니다. 이는 우리에게 RF 분야에서 AI를 더 깊이 연구할 동기를 부여했습니다. 결국, 단백질 접힘의 조합적 복잡성은 우리 분야의 설계 공간의 특성과 크게 다르지 않기 때문입니다.

RFIC 설계의 일부 과정을 가속화하기 위해 인공지능을 활용하자는 아이디어는 우리가 처음 생각해낸 것은 아닙니다. 연구원들은 기존의 최적화 과정을 가속화하기 위해 회로 템플릿을 기반으로 머신러닝 알고리즘을 학습시켜 왔습니다. 이러한 접근 방식은 템플릿 최적화 측면에서 인간보다 확실히 빨랐지만, 근본적으로는 인간이 만든 기존 설계 라이브러리에 의존한다는 한계가 있었습니다.

우리는 그런 방식을 원하지 않았습니다. 미리 만들어진 토폴로지의 제약에서 벗어나고 싶었습니다. 설계자의 경험과 오랜 시간 축적된 경험적 노하우는 작동하는 설계를 구축하는 데 매우 중요하지만, 동시에 근본적인 한계를 설정하기도 합니다. 게다가, 그러한 접근 방식은 최적화 과정의 일부로 시뮬레이션 단계를 필연적으로 요구하며, 가장 빠른 시뮬레이션조차도 상당한 컴퓨팅 자원을 소모합니다. 더 심각한 것은, 광대역 설계와 같은 많은 고급 사례에서는 기존 템플릿조차 존재하지 않는다는 점입니다.

머신러닝 시스템은 마치 인공지능이 바둑과 같은 게임을 배우는 것처럼 RFIC 설계의 전 과정을 학습합니다. 본질적으로, 시스템은 설계 과정을 게임처럼 여기고 스스로의 노력의 결과를 통해 학습하는 것입니다

하지만 템플릿 없이 시작한다면 어디서부터 시작할 수 있을까요?

이 연구의 목표는 알고리즘이 아키텍처, 구성 회로 및 전자기 수동 소자에 대한 모든 매개변수를 완전히 처음부터 결정할 수 있도록 하는 것이었습니다. 이러한 접근 방식은 트랜지스터 크기 및 수동 소자 형상과 같이 인간이 처음 설계한 구조를 최적화하는 데 필요한 매개변수를 결정하는 데 국한된 기존 최적화 방식과는 근본적으로 다릅니다.

새로운 접근 방식에서 아키텍처는 본질적으로 아무것도 없는 상태에서 시작하여 연속적인 반복 과정을 통해 점진적으로 구축됩니다. 이 시스템은 수많은 후보 회로 조합을 생성하고 그 결과로 발생하는 성능상의 장단점을 분석함으로써 설계 공간을 탐색합니다. 이 과정은 기존의 인간 설계 선택에 영향을 받지 않기 때문에 인간 설계자가 만든 것과는 확연히 다른 완전히 새로운 회로 구조를 생성할 수 있습니다.

어떤 면에서 이 접근 방식은 알파고 제로 와 같은 AI 시스템을 떠올리게 합니다. 알파고 제로 는 인간이 둔 게임을 학습해서가 아니라 스스로와 대결하며 규칙을 탐구함으로써 인간을 초월하는 성능을 달성했습니다. 마찬가지로, 저희 알고리즘은 자체 설계 전략을 탐색하고 평가함으로써 새로운 회로 아키텍처를 개발합니다. 이러한 과정을 통해 회로, 전자기학, 그리고 RFIC의 엔드투엔드 설계를 달성하는 데 필요한 긴밀한 공동 설계에 대한 이해를 학습합니다.

RFIC를 위한 역설계

이러한 기능을 구현하기 위해 두 단계에 걸쳐 진행했습니다. 첫째, 최적의 시스템 아키텍처, 회로 토폴로지, 소자 파라미터, 심지어 서로 다른 회로 소자를 연결하는 전자기 인터페이스의 특성까지 결정하는 강화 학습 (RL) 프레임워크를 개발했습니다. 이 단계에서 알고리즘은 시스템 전체에 걸쳐 신호가 어떻게 전파되고 상호 작용해야 하는지를 효과적으로 정의합니다.

이 알고리즘은 컴퓨터가 게임을 배우는 방식과 매우 유사하게 학습합니다. 충분한 횟수로 게임을 플레이하게 하면, 컴퓨터는 자신이 취한 행동과 얻은 점수 사이의 관계를 관찰하여 더 나은 플레이를 학습할 수 있습니다. 이와 마찬가지로, 이 RL 에이전트는 다양한 조합을 시도해 보면서 효율적인 회로를 설계하는 방법을 학습하고, 시간이 지남에 따라 회로 성능과 아키텍처, 토폴로지, 매개변수 사이의 관계를 파악할 수 있습니다. 이러한 학습에는 며칠에서 일주일 정도 소요되지만, 일단 학습이 완료되면 에이전트는 매우 빠르게 회로를 설계할 수 있습니다.

다음 단계는 IC의 전자기적 물리적 구조, 즉 원하는 특성을 구현할 수 있는 배관 구조를 결정하는 것이었습니다. 이러한 수동 소자의 특성은 산란 파라미터라는 일련의 측정 기준으로 정의됩니다. 산란 파라미터는 소자에 입력된 신호가 실제로 앞으로 나아가는지, 아니면 뒤로 반사되어 낭비되는지를 측정합니다. 이는 앞서 소방호스와 정원호스의 예에서 설명한 것과 같습니다.

원하는 산란 매개변수로부터 구조를 도출하는 것은 역설계라고 불리는 접근 방식의 한 예이며, 이는 여러 공학 분야에서 나타납니다. 예를 들어 구조 공학에서는 건축가와 협력하여 높은 천장을 가진 넓은 실내 공간을 만드는 것과 같은 물리적 목표를 설정한 다음, 이를 지지할 수 있는 아치나 버팀벽의 배치를 결정할 수 있습니다.

AI가 설계한 회로를 더 쉽게 이해할 수 있도록 하기 위해 엔지니어들은 사용자가 다양한 예술가의 스타일로 그림을 그릴 수 있도록 하는 이미지 생성 AI에서 아이디어를 얻었습니다. 여기서는 예술가의 스타일 대신 사용자가 전자기 구조의 공간 주파수를 설정할 수 있습니다. 구조의 픽셀화 정도와 관계없이 필요한 전자기적 특성, 즉 S-파라미터를 재현할 수 있습니다. (크리스 필팟)

하지만 RF 집적 회로는 역설계에 있어 특별한 어려움을 제기합니다. 회로 동작과 회로를 연결하는 인터커넥트 및 수동 소자의 전자기적 응답을 동시에 고려해야 하기 때문입니다. 하지만 이러한 조건을 충족하기 위해서는 수많은 수작업적 반복 과정을 거쳐서는 안 됩니다.

그래서 우리는 기존의 RF 회로 시뮬레이터를 AI 기반 에뮬레이터로 교체했습니다. 이 AI 모델은 시뮬레이션 도구처럼 처음부터 물리 법칙을 계산할 필요 없이, 완전히 임의의 2차원 형상을 포함한 모든 구조물을 통과하는 전자기장의 거동을 예측할 수 있습니다. 실제 계산 없이도 맥스웰 방정식의 해를 예측하고, 어떤 구조물을 보여주더라도 산란 매개변수를 알려줄 수 있습니다. 이러한 AI를 활용하면, 기존 전자기 해석기가 몇 분 또는 몇 시간씩 걸리던 작업을 단 몇 밀리초 만에 완료할 수 있습니다.

우리는 합성곱 신경망(Convolutional Neural Network)을 기반으로 에뮬레이터를 구축하기로 했습니다 . 합성곱 신경망은 이미지 처리에 매우 효과적인 머신러닝 모델입니다. 이러한 네트워크는 어떤 구조물에서든 공간적 특징을 추출할 수 있으며, 구조물의 이미지에는 전자기적 성능을 정확하게 예측할 수 있는 많은 공간 정보가 담겨 있다는 사실이 밝혀졌습니다. 우리는 산란 매개변수가 레이블링된 수많은 무작위 픽셀화 구조물 데이터를 사용하여 이 네트워크를 학습시켰습니다.

역설계 강화 학습(RL)과 적절한 AI 에뮬레이터를 확보한 후, 사실상 엔드 투 엔드 AI 설계 도구를 갖게 되었습니다 . 그래서 우리는 그 도구에게 전력 증폭기를 설계해 달라고 요청했습니다.

비전통적인 RF 아키텍처

2023년, 저희는 밀리미터파 대역, 특히 30~100GHz 대역(5G 및 레이더 관련 주파수 대부분 포함)을 겨냥한 전력 증폭기 개념 증명(proof of concept)을 발표했습니다. 최종 설계는 당시 실리콘 기반 전력 증폭기 중 가장 우수한 대역폭, 출력 전력 및 효율성을 달성했습니다. 즉, 광범위한 주파수 대역에서 대량의 데이터를 증폭하면서도 최고 수준의 효율성을 유지할 수 있었습니다.

IC의 전자기 경로 구조는 인간이 상상할 수 있는 어떤 것과도 달랐습니다. 인공지능은 인간의 설계에 대한 학습을 ​​받지 않았기 때문에, 생성된 레이아웃은 우리가 일반적으로 보는 대칭 구조보다는 임의적인 패턴이나 QR 코드처럼 보였습니다.

이 프로토타입과 저희 연구 전반에서 드러난 예상치 못한 통찰 중 하나는, 우리가 과거에 의존해왔던 템플릿들이 현대적인 설계 목표에 최적이라는 증거가 전혀 없다는 것입니다. 인간 설계자가 더 나은 설계를 내놓을 수 없다는 뜻은 아닙니다. 하지만 템플릿을 제거하고 최적화된 회로를 반복적으로 합성하는 과정을 거치면서, AI 기반 합성이 기존의 설계 장벽을 허물고 RFIC의 성능을 한 단계 끌어올릴 수 있다는 것이 분명해졌습니다.

저희 5G 증폭기는 입력 포트 하나와 출력 포트 하나만 가지고 있었습니다. 설계에 입력과 출력을 추가하는 것은 간단한 일이 아닙니다. 모든 포트는 다른 모든 포트와 전자기적으로 결합하기 때문에 산란 파라미터가 빠르게 증가합니다. 포트가 두 개이면 산란 파라미터가 네 개가 되고, 네 개이면 열여섯 개가 됩니다. 계산이 금방 복잡해집니다. 저희 모델이 이러한 문제를 해결할 수 있을까요?

다음으로, 우리는 입력 및 출력 포트가 많은 더 큰 규모의 전자기 구조 클래스에 대해 모델을 학습시켰습니다. 2024년, 우리는 다중 포트 집적 회로 역시 이러한 AI 알고리즘에 문제가 되지 않는다는 것을 보여주는 연구 결과를 발표했습니다. 이전에는 다중 포트 전자기 시뮬레이션에 며칠 또는 몇 주가 걸리던 작업이, 이 모델을 사용하면 단 몇 분 만에 새로운 구조를 생성할 수 있었습니다. 그 이후로 전 세계 연구 커뮤니티에서 이 분야의 수많은 연구를 통해 RFIC에서 역설계의 강력한 성능이 입증되었습니다.

강화 학습 프레임워크와 역설계 기법을 결합함으로써, 이제 사양서부터 제작 준비가 완료된 레이아웃 까지 RFIC를 설계할 수 있게 되었습니다 . 지금까지 저잡음 증폭기부터 서브테라헤르츠 및 광대역 전력 증폭기 에 이르기까지 다양한 RFIC에 대해 이 기법이 적용 가능함을 입증했습니다 . 앞으로 다른 회로에도 이 기법이 효과적으로 적용될 수 있기를 기대합니다.

AI 디자인을 해석 가능하게 만들기

우리의 목표는 RFIC 설계를 더 좋고 쉽게 만드는 것이었지만, 사람이 이해할 수 없는 수준으로 복잡하게 만들고 싶지는 않았습니다. 칩 테스트와 디버깅은 설계보다 더 길고 힘든 과정일 때도 있습니다. 엔지니어들은 문제가 발생했을 때 칩의 작동 원리를 충분히 이해하고 디버깅할 수 있도록, IC의 구조가 이해하기 쉬운 것이 좋다고 생각하는 경우가 많습니다.

보다 해석하기 쉬운 구조를 만들기 위해 우리는 확산 모델을 활용했습니다 . 확산 모델은 텍스트 입력으로부터 사실적인 이미지를 생성하는 놀라운 능력으로 잘 알려져 있습니다.

AI 기반 합성 기술은 기존 설계 장벽을 허물고 RFIC 기능의 한계를 뛰어넘을 수 있습니다.

좋아하는 이미지 생성 엔진에 피카소, 반 고흐, 또는 미켈란젤로 스타일로 하늘 그림을 그려달라고 요청한다고 상상해 보세요. 그러면 그들의 붓놀림, 색채 사용, 구도의 본질을 담아낸 이미지를 얻게 될 것입니다. 모두 하늘을 그린 그림이지만, 스타일은 다를 뿐입니다.

전자기 설계는 여러 구조가 매우 유사한 전자기적 반응을 보일 수 있다는 점에서 유사합니다. 텍스트 입력 대신 산란 매개변수를 입력으로, RFIC 칩의 전자기 구조를 출력으로 사용했습니다. 확산 모델 의 입력 중 하나로 최종 구조의 공간 주파수를 설정하는 다이얼을 만들었습니다 . 설계자는 이 다이얼을 돌려 낮은(고전적인 모양이며 해석 가능한), 중간(미로 같은 구조), 또는 높은(픽셀화되거나 임의 모양의) 공간 주파수를 가진 구조를 합성하도록 모델을 제어할 수 있습니다.

프롬프트 입력부터 결과 출력까지 전체 과정은 약 6분이 소요되었습니다. 이 확산 모델을 통해 알고리즘은 이제 새로운 아키텍처를 발견할 뿐만 아니라 기존의 소위 고전적인 아키텍처 생성 속도를 높일 수 있습니다 .

RFIC 설계자는 사실상 유효한 산란 매개변수 세트를 지정하기만 하면 됩니다. 맥스웰 방정식에 따라 물리적으로 실현 가능한 한, 모델은 마치 자판기처럼 그에 상응하는 구조를 뚝딱 만들어냅니다.

AI 기반 RFIC 설계의 미래

우리의 조사 결과는 RF 커뮤니티의 주목을 받았습니다. 전통적인 상향식 설계 방식이 분명히 역전되기 시작했습니다.

하지만 여전히 의문점이 남아 있습니다. 이러한 방법들은 얼마나 일반화될 수 있을까요? 진정으로 높은 성능을 꾸준히 제공할 수 있을까요? 인공지능이 모든 가능한 절충점을 극대화하고 모든 매개변수를 가장 이상적인 물리적 상태로 총체적으로 최적화하는 설계를 만들어낼 수 있을까요? 우리는 이 전략을 RFIC 설계를 넘어 인간이 지금까지 만들어낸 그 어떤 것과도 다른 새로운 종류의 회로를 발명하고자 합니다.

이러한 전망은 흥미롭고 야심차지만, 아직 그 단계에는 이르지 못했습니다. 인공지능은 제대로 작동하지 않는 회로를 만들어내는 설계를 엉뚱하게 만들어낼 수도 있습니다. 따라서 검증 방법은 여전히 ​​인간의 감독 하에 있어야 합니다. 또한, 이러한 엉뚱한 설계는 드물지만, 발생 빈도를 줄이는 것은 여전히 ​​바람직합니다.

역사는 미래에 대한 이러한 꿈을 실현하려면 우리가 지금까지 사용해 온 것보다 훨씬 더 많은 데이터가 필요하다는 것을 시사합니다. 1,400만 개의 다양하고 사람이 직접 주석을 단 이미지로 구성된 ImageNet 저장소가 만들어지기 전에는 이미지 인식 모델이 실제 환경에서 제대로 작동하지 못했습니다. 모델 학습에 사용된 데이터 세트가 너무 작아서 효과적이지 못했기 때문입니다. ImageNet의 방대한 학습 데이터는 일반화 능력을 갖추고 실제 환경에서 이미지를 인식할 수 있는 인공지능의 등장을 이끌어내는 혁명을 일으켰습니다. 그 이후의 이야기는 모두가 아는 바와 같습니다.

RFIC 및 아날로그 설계의 목표가 전자기학 및 회로 동작의 지배 법칙을 학습하는 보편적인 기본 모델을 구축하는 것이라면, 데이터 또한 필요합니다.

다행인 점은 이러한 데이터가 풍부하다는 것입니다. 전 세계 수많은 기업과 연구소의 엔지니어들이 매일 거의 동일한 RF 회로와 수동 구조를 시뮬레이션하고 있습니다. 하지만 안타깝게도 이 모든 데이터는 기밀 유지 계약에 묶여 공개되지 않고 있습니다.

개방형 생태계는 다른 분야를 발전시켜 왔으며, RFIC 커뮤니티도 마찬가지로 발전해야 한다고 생각합니다. 실제로 그러한 움직임이 있었습니다. 미국 CHIPS 및 과학법의 연구 개발 프로그램을 운영했던 Natcast는 차세대 무선, 센싱 및 방위 기술을 위한 공유 인프라와 혁신을 강화할 계획이었습니다. 그러나 안타깝게도 해당 기관과 머신러닝 및 RFIC 관련 프로그램 모두 폐쇄되었습니다.

하지만 냇캐스트의 노력이 불러일으킨 추진력은 사그라들지 않았습니다. 우리의 초기 연구를 바탕으로, 커뮤니티 전반의 여러 그룹들이 이미 놀라운 발전을 이루어냈습니다. AI 기반 IC 설계는 훨씬 더 광범위한 기술적 변화의 일부입니다. 생물학, 재료 과학에서부터 자동차 및 항공우주 공학에 이르기까지, AI는 복잡한 시스템을 구상하고 최적화하는 방식을 재편하고 있습니다. AI 연구자와 칩 설계자 간의 긴밀한 협력은 이 분야의 잠재력을 최대한 발휘하게 할 것입니다. 결코 기정사실은 아니지만, 우리가 제대로만 한다면 이 놀라운 변화는 가만히 있지 않을 것입니다.