AI Creëert Radiochipontwerpen Die Mensen Zich Niet Konden Voorstellen
Princeton University (Sengupta Lab)
Onderzoekers van Princeton hebben AI geleerd om radiofrequentie geïntegreerde schakelingen (RFIC's) te ontwerpen met behulp van bekrachtigingsleren, reverse engineering en generatieve modellen. De nieuwe aanpak maakt het mogelijk om chips met recordprestaties te maken in uren in plaats van maanden, waarbij sommige ontwerpen op abstracte kunst lijken maar toch beter presteren dan door mensen gemaakte tegenhangers.
Een team van onderzoekers van de Princeton University onder leiding van professor Kaushik Sengupta heeft machine learning-methoden ontwikkeld voor het ontwerpen van radiofrequentie-integrated circuits (RFIC's), cruciale componenten voor 5G-apparaten, autonoom vervoer en satellietcommunicatie. Traditioneel worden RFIC's beschouwd als een 'donkere kunst': het ontwerpen ervan vereist jarenlange ervaring en neemt jaren in beslag, terwijl de ontwikkelingskosten oplopen tot tientallen en honderden miljoenen dollars. De wetenschappers pasten reinforcement learning en inverse design toe om automatisch RFIC-topologieën vanaf nul te synthetiseren, zonder gebruik te maken van bestaande sjablonen. Daarnaast gebruikten ze diffusiemodellen die ongebruikelijke maar effectieve elektromagnetische structuren kunnen genereren, die qua prestaties de beste door mensen gemaakte exemplaren overtreffen. De ontwerptijd is met ordes van grootte verkort: van maanden naar uren. Voor verdere vooruitgang zijn echter open datasets en ecosystemen nodig, zodat AI de universele wetten van elektromagnetisme en het gedrag van schakelingen kan leren.
Bron: IEEE Spectrum AI —
origineel