AIがRFIC設計の「黒魔術」を学ぶ
(spectrum.ieee.org)- RFICは5G、自動車レーダー、衛星通信のような無線技術の基盤だが、電磁気・熱・パッケージング信頼性を同時に満たす必要があり、手作業中心の難題のままである
- Princetonの研究チームは人間の設計テンプレートを出発点にせず、強化学習と逆設計を組み合わせて、アーキテクチャ・回路トポロジー・素子パラメータ・電磁インターフェースをゼロから探索した
- AIベースのエミュレータは、任意の2次元電磁構造に対する散乱パラメータをミリ秒単位で予測し、従来の電磁ソルバーによる分〜時間単位の反復を大幅に削減する
- 2023年には30〜100GHzミリ波電力増幅器で、当時のシリコンベース電力増幅器として 帯域幅・出力・効率の組み合わせ が最良の結果を示し、2024年にはmultiport IC構造も分単位で生成した
- AIは動作しない回路を作ることもあるため、検証には人間の監督が必要であり、汎用モデルを目指すにはNDAに縛られたRFIC・アナログ設計データを共有する オープンなエコシステム が必要である
RFIC設計が「黒魔術」のままである理由
- RFICは機器が無線で情報を送受信するための中核回路であり、自動運転車、量子通信、6G、衛星通信の発展も、より高度なRFチップに依存している
- CPUやGPUの設計は標準化された科学に近づいてきた一方で、RF設計は長年の経験で身につける 手作業ベースの技術 という性格が強い
- RFIC設計は複数の物理領域を同時に扱う
- マクスウェル方程式 は、電磁場が能動・受動素子と相互作用する方法を支配する
- 熱力学は、動作中に熱がどのように発生し除去されるかを左右する
- 熱膨張と収縮は、チップとパッケージが温度変化の中で安定して耐えられるかに関係する
- すべての物理的制約を同時に考慮しなければならないため、設計空間は非常に大きく、ある性能指標を高めると別の指標が悪化する トレードオフ がしばしば生じる
従来のRFIC設計フローとボトルネック
- 5Gミリ波ハンドセット向けの 28GHz電力増幅器 を設計するには、まず回路アーキテクチャとトポロジーを決めなければならない
- RFICアーキテクチャは家の設計図のように、必要な構成要素と信号経路を定める
- 電力増幅器では、増幅段数が重要な要素になる
- RFIC面積の大半は、トランジスタよりもインダクタや伝送線路のような 受動素子 と電磁構造が占める
- 5G信号は28GHzと39GHz、衛星通信は26.5〜40GHz以上、自動車レーダーは77GHzで動作し、RFICはこうした高周波で信号エネルギーを精密な電磁構造によって制御する
- 信号経路が次の構成要素とうまく合わないと、エネルギーが前に進まず後方へ反射される インピーダンス整合 の問題が生じる
- エンジニアは構成要素間に微細な遷移構造を設計して反射を減らす
- この構造は信号伝送だけでなく、分割、結合、多経路分配にも使える
- 仕様を満たせなければ、トポロジーやアーキテクチャを再修正してシミュレーションを繰り返す必要があり、新しいチップ設計には数年と数千万〜数億ドルがかかることもある
テンプレートを超えるAI設計アプローチ
- 従来研究では、機械学習を回路テンプレート最適化に活用してきたが、それでも人間が作った 既存設計ライブラリ に依存していた
- Princetonの研究チームの目標は、事前に用意されたトポロジーなしに、アーキテクチャ、構成回路、電磁受動構造のすべてのパラメータをアルゴリズムがゼロから決めることだった
- この方式は従来の最適化とは出発点が異なる
- 従来方式は、人間が作った構造の中でトランジスタサイズや受動素子形状のようなパラメータを調整する
- 新方式は、ほぼ空の状態に近い出発点から候補回路の組み合わせを作り、性能トレードオフをマッピングしながら設計空間を探索する
- アプローチは AlphaGo Zero のように、人間の事例をなぞるのではなく、自律的な探索と評価によって設計戦略を発展させる
- アルゴリズムは回路、電磁気、そしてその間の 協調設計 を学習し、end-to-end RFIC設計を目指す
強化学習と逆設計の組み合わせ
- 第1段階は 強化学習 フレームワークで、最適なシステムアーキテクチャ、回路トポロジー、素子パラメータ、電磁インターフェース特性を決定する
- 強化学習エージェントはゲームを学ぶコンピュータのように複数の組み合わせを試し、行動とスコアの関係を観察しながら、より良い回路を見つけていく
- 学習には 数日から1週間 かかる
- 学習が終わると、その後は回路を非常に高速に設計できる
- 第2段階は、望ましい散乱パラメータを生み出す物理的な電磁構造を見つける 逆設計 である
- 散乱パラメータは、信号が構成要素に入ったとき前方へ進むのか、後方へ反射されるのかを測定する
- 構造工学で目標空間を作るためにアーチや支持構造を探す方法に似ている
- RFIC逆設計は、回路動作とインターコネクト・受動素子の電磁応答を同時に満たさなければならないため、反復的な手作業探索だけでは解決が難しい
AIエミュレータが減らした電磁設計の反復
- 研究チームはRF回路シミュレータをAIベースの エミュレータ に置き換えた
- このモデルは任意の2次元構造を入力として受け取り、マクスウェル方程式を直接計算せずに散乱パラメータを予測する
- 従来の電磁ソルバーで分〜時間かかっていた作業を ミリ秒 単位に短縮する
- エミュレータは画像処理に強い畳み込みニューラルネットワークをベースに構築された
- 構造画像には、電磁性能を予測できる空間情報が含まれている
- 研究チームは、散乱パラメータがラベル付けされた多数のランダムなピクセル構造でモデルを学習させた
- 強化学習ベースの逆設計とAIエミュレータを組み合わせて end-to-end AI designer を構成し、電力増幅器設計に適用した
人間とは異なるRFアーキテクチャの結果
- 2023年に公開された 概念実証 は、30〜100GHzミリ波帯の電力増幅器を対象としている
- この範囲は、関連する5Gおよびレーダー周波数の大半を含む
- 最終設計は、当時のシリコンベース電力増幅器の中でwide bandwidth、output power、efficiencyの組み合わせが最も優れており、record efficiencyも維持した
- 生成された電磁経路は、人間が一般に考える規則的・対称的な構造とは異なり、ランダムパターンやQRコードのように見えた
- この結果は、歴史的に使われてきたテンプレートが現代の設計目標に対して最適に近いとは限らないことを示している
- その後、研究チームは入出力ポート数の多い構造へとモデルを拡張した
- 2ポートでは散乱パラメータ4個、4ポートでは16個となり、複雑さは急速に増加する
- 2024年の multiport integrated circuits 研究では、AIアルゴリズムがmultiport構造も扱えることを示した
- 以前はmultiport電磁シミュレーションに数日または数週間が必要だったが、このモデルは新しい構造を分単位で進化させる
- 強化学習フレームワークと逆設計を組み合わせ、仕様から fabrication-ready layout まで生成するフローを示し、低雑音増幅器、subterahertz、broadband power amplifiers に適用した
解釈可能なAI設計
- RFICのテストとデバッグは設計と同じくらい長くかかる、あるいはそれ以上に難しいことがあるため、エンジニアは問題が起きたときに理解して修正できる 解釈可能な構造 を好む
- 研究チームは画像生成AIで使われる diffusion models をRFIC構造生成に適用した
- テキストプロンプトの代わりに散乱パラメータを入力として使い、RFICの電磁構造を出力として生成する
- 空間周波数ダイヤル を入力に含めることで、設計者が出力構造の形態を制御できるようにした
- 低い空間周波数: 古典的で解釈しやすい形態
- 中程度の空間周波数: 迷路のような構造
- 高い空間周波数: ピクセル化された、あるいはランダム形状に近い構造
- プロンプトから出力までの全工程は約 6分 で、マクスウェル方程式のもとで物理的に実現可能な散乱パラメータであれば、対応する構造を生成できる
残る限界とデータ課題
- AIベースの設計方式はRFコミュニティの関心を集め、従来のbottom-up設計フローを覆し始めている
- まだ解決されていない問いが残っている
- 手法はどこまで一般化できるのか
- 安定して高い性能を出せるのか
- 可能なすべてのトレードオフを全体的に最適化できるのか
- RFICを超えて、人間が作ったことのない他の回路まで発明できるのか
- AIは動作しない悪い回路を生成する hallucination を起こす可能性があり、検証には引き続き人間の監督が必要である
- 汎用的なfoundational modelを作るには、電磁気と回路動作の支配法則を学習するための大規模データが必要である
- ImageNetは、1,400万枚の多様で人手ラベル付きの画像により、画像認識モデルの一般化を可能にした事例である
- RFICとアナログ設計でも、同程度の規模と多様性を持つデータが必要になる
- データは世界中の企業や研究室のシミュレーションに大量に存在するが、その大半は NDA の背後に閉じ込められている
- Natcast は U.S. CHIPS and Science Act’s R&D program を運営し、次世代の無線、センシング、防衛技術のための共有インフラとイノベーションを強化できたはずだが、組織と機械学習・RFIC関連の プログラム は終了した
- RFIC分野がAI研究者とチップ設計者の協力を広げ、オープンなエコシステムを作れば、AIベースIC設計の潜在力をさらに大きく活用できる
1件のコメント
Hacker News のコメント
昔の遺伝的アルゴリズム探索を思い出す。推測して検証する方式はかなり強力になり得るし、とくに途中でエージェントによるガイドを入れられるならなおさらだ。
https://en.wikipedia.org/wiki/Evolved_antenna
出発点としては: https://sci-hub.ru/storage/moscow/4324/11d145b2c2c3ab320f70b...
真の理論はどこか美しく優雅であるべきだというよくある期待が、今後1世紀持ちこたえるのか気になる。実際の自然現象は、実は機械にしか扱えず推論できない、ひどくごちゃごちゃした方程式の塊で最もよく説明されるのだとしたらどうだろうと思うし、それはかなり悲しい気がする。
物理学者が「完全な球形の牛」を仮定するという冗談もこの文脈だし、実のところ「数学の不合理な有効性」というエッセイの核心もこれに近い。数学的近似が世界をあれほどよく説明すること自体が、不合理なほど驚くべきことだという話だ。
オッカムの剃刀は有用なヒューリスティックだが、より単純な説明へと私たちを偏らせもする。
AI設計の優れた用途の一つは特許汚染だ。AIで大量の変形設計を作ってウェブサイトに公開しておき、後で特許が出てきたら重なる部分を使って無効化するか、少なくとも範囲を狭められる。特許の一般化は先行技術によって制限されるからだ。
その後、地域の TEDx イベントで自分の論理を説明してある程度注目を集めたが [1]、法律解説者たちは、裁判官はこれよりはるかに微細な違いを日常的に区別しているとして冷ややかだったと記憶している。それでもかわいい試みではあった。
[0] https://allthemusic.info/
[1] https://m.youtube.com/watch?v=sJtm0MoOgiU and
https://www.the-independent.com/tech/music-copyright-algorit...
少しもどかしい。AIが多くのことをできるのは確かだが、LLMとモンテカルロ、遺伝的アルゴリズム、エキスパートシステム、その他の統計的な魔術のような伝統的機械学習を混ぜ続けることで、すでに定着している道徳的に中立な機械学習の活動と、LLM・Stable Diffusion への懸念をあまりに攻撃的にひとまとめにしている。
そしておそらく、それが意図なのかもしれないとも思う。
何かで大きな進歩があったと言いたいとき、SFが人間の成果を予言するというポピュラーサイエンス的理解につなげるのは、労力が少なく効果の大きい方法だ。人々を興奮させることが最優先なら、正確に伝えることが目的ではない。
「人間には想像すらできなかった」というのは誇張に見える。それでも機械学習アルゴリズムが総当たり探索で誰も試していないチップ設計に到達でき、その一部が私たちにとって有用であり得る、というのは十分ありそうに思える。コンピュータがやるにはかなり合理的なことだ
記事から読み取れることのひとつは、こうした進歩を生み出すために、検証済みのチップ設計の基本構成ブロックを捨てる必要があったという点だ。普通のコーディングにも同じことが当てはまるのか気になる。AIコーディングの驚くべき革新は、実はRustとPythonに阻まれているのだろうか。AIツールには、可能な限り最も低いレベルでそのままコーディングさせるべきなのだろうか？
この古い記事を思い出した: https://www.damninteresting.com/on-the-origin-of-circuits/
インターネットで見つけた小さな宝物のひとつ
近くの別コメントで実験室で育った設計の堅牢性の話が出ていたが、Damn Interestingの記事で最も興味深かった部分も、進化したプログラムが学習に使われたたったひとつの物理的なFPGAから切り離せなかったという事実だった。今回のRFIC学習モデルはシミュレータを使うので、シミュレータが動く物理ハードウェアの特性が学習から十分に隔離されていて、異なるハードウェアでシミュレータを動かしても設計が同じように振る舞うのか気になる
より明白な疑問は、シミュレータ上で進化した設計が実際の物理ハードウェアでも期待どおりに動作する見込みがあるのかということだ。後者についての私の直感は「ない」寄りだが、それでも興味深い研究に見えるし、FPGAで実際に何が起きていたのかをきちんと理解することが、強化学習を本当に扱うための前提条件なのかもしれないとよく思う
この記事を投稿してくれてうれしいし、この分野に関連するほかのお気に入りがあれば送ってほしい
最大の疑問は、こうした設計がどれほど堅牢なのかだ
論文では実デバイスの測定値が予測とよく一致することは示していたが、本文でそれを明示的に扱っている箇所は見つけられなかった。また、提示されている一部のシステムには従来型に設計されたサブブロックが含まれており、そちらが一部の役割を担っている可能性もある
もしかすると自分の仕事を狙っているように見えて、つい斜に構えているだけかもしれないし、あるいは私たちにそう思わせたいのかもしれない
実際に勝つのは、製造・環境のばらつきやモデルの限界にも耐えられる単純なアイデアだと思う。フィードバックや対称性のようなものだ。ところがここで示されているのは、その反対に近い。回路パラメータをブラインド最適化したことが何度かあるが、結局「ここには対称性が必要なんだな」や「ここにはもっと帯域幅が必要なんだな」といった、見落としていた単純なアイデアに気づくと完全に腑に落ちた。だから、この構造の数ピクセルだけをいじれば、もっと単純な何かが見えてくるのではないかと気になる
そしてお約束として「進化アンテナ」にも触れておくべきだ
本文によると、AIの役割は最適化過程で電磁界シミュレータを置き換え、構造の挙動を推定することで、これはシミュレーションより何桁も速いという
もっともらしく聞こえるが、それを信じるには、AIの学習に使われたものと大きく異なる幾何構造について、AIの推定と実測の差を見たい。また、AIモデルの速度を具体的にどのシミュレータと比較したのかも見たい
電磁界と電子回路には、精度と速度をトレードオフする複数のシミュレーション手法がある。だからAI推論が、より高速で低精度なシミュレーションより必ずはるかに短い時間で済むとは確信できない。そうしたシミュレーションのほうが、AIの推定より正確で信頼できる場合もある
すでに先に言われているので、「かなり単純なアイデアに気づく」という話に関連してひとつ付け加えると、こうしたコンピュータ支援設計の大きな利点のひとつは「innovization」[1]だと思う。ややぎこちない用語だが、こうしたシステムが特定のプロセスへのより深い理解へ導いてくれるのが要点だ。実際に経験するとかなり面白い感覚だ
[1]: https://dl.acm.org/doi/10.1145/1143997.1144266
この記事で説明されている手法は新しくない。科学者たちは数十年前から、遺伝的アルゴリズムで、誰も理解していないがよく動くアンテナを設計していた
そこまで魔法のようなことではない。記事でも述べているように、RFIC設計は一般的なRFエンジニアリングをはるかに超えて、設計者の知識と経験に大きく依存する黒魔術に近く、数十年前ならスーパーコンピュータ級だったであろうモデリング・設計ツールの助けを借りている
AIにできるのは、可能なあらゆる結果を幅優先で探索し、その後で性能が最も良いものを選ぶことだ。人間が「この経路は良さそうだから、もっと掘ってみよう」とするやり方とは違う