AIが人間には想像もできない無線チップを設計
AI Is Designing Radio Chips That Humans Couldn't Even Imagine (spectrum.ieee.org)
要約
5Gや自動運転車、衛星通信といった無線技術の進歩を妨げてきた無線周波数集積回路(RFIC)の設計は、複雑な「秘術」とされてきました。しかし、プリンストン大学の研究者たちは、強化学習と逆設計を利用してRFICをゼロから迅速に作成することに成功しています。AIによって設計されたこれらのチップは、人間のデザイナーが数桁も少ない時間で機能する設計を考案できる上、既存の最先端回路を性能面で凌駕しています。
全文翻訳
RFIC設計の暗黒芸術
要約
- RFIC設計は、5G、自動運転車、衛星通信などの無線技術の進歩を妨げる複雑な「暗黒芸術」です。
- プリンストン大学の研究者は、強化学習と逆設計を用いて、ゼロからRFICを迅速に作成します。
- ディフュージョンモデルは、新規または人間が解釈可能なRFレイアウトを高速に生成し、記録的な性能を達成し、設計時間を劇的に短縮します。
- 将来の進歩には、AIが普遍的な電磁気学と回路の挙動を学習できるよう、大規模で共有されたチップ設計データセットとオープンなエコシステムが必要です。
少し時間を取って、過去30年間の無線技術の進歩なしの生活を想像してみてください。
荷物をなくしましたか? AirTagが発明されていなかったのは残念です。航空会社の担当者は更新情報を電話で知らせると約束しましたが、安価な携帯電話がないため、キッチンの電話で長い間待つことになります。ストリーミングサービスがないため、ラジオで流れているものしか聞けません。それは、数々の 映画 の プロットが台無しになっていたことさえ言及していません。
これは、無線技術があなたの日常生活にどれほど影響を与えているかのほんの一部にすぎません。サプライチェーン、インフラ、経済の運営方法に与えた影響は、世界を変えるものでした。
これらすべては、すべてのデバイスが目立たずに情報を送受信できるようにする高周波集積回路(RFIC)なしには不可能です。
さて、この技術のさらなる進化が何をもたらすかを想像してみてください。広範な自動運転車、量子通信、6Gモバイルサービス、そして衛星通信です。継続的な進歩は、今日のRFチップのより新しく、より高度なバージョンに依存します。
しかし、そこに問題があります。世界のほとんどのコンピューティングチップの設計は科学として標準化されているのに対し、RF設計は頑固なまでに芸術の領域に留まっています。それは暗黒芸術であり、長年の経験を通してのみ習得されるものです。魔術師が言うように、暗黒芸術は独自のスケジュールを守ります。そしてそのスケジュールは、RFチップ設計だけでなく、それに依存する他のすべての技術の進歩を妨げています。
約7年前、AlphaGoが囲碁の世界チャンピオン李世石に勝利した後、プリンストンの私の学生たちと私は疑問に思い始めました。AIもこの芸術を学ぶことができるのだろうか? 最近の成功は、それが大部分可能であることを示唆しています。過去数年間、私たちのグループやこの分野の他のリーダーは、RFIC設計のための機械学習駆動型アルゴリズム手法を開発し始めています。結果として得られたチップの中には、現代アートのように見えるものもあります。しかし多くの場合、物理的なプロトタイプは性能において最先端の回路を凌駕しました。しかし、真の成果は、AIが人間の設計者よりも桁違いに短い時間で動作する設計を考案できたことです。
これは1つか2つのRFチップの話ではありません。AIによる設計は、すべてのRF設計、そしておそらくそれ以上の未来となる可能性があります。
では、なぜこれらのチップはすべて手作業で作成されなければならないのでしょうか? なぜCPUやGPUのように、RFICはアルゴリズム合成プロセスで設計されないのでしょうか?
RFICの設計は、複数の物理領域にまたがるエンジニアリングの演習です。マクスウェルの方程式は、異なる空間的および時間的スケールで作用し、チップが機能するために慎重に共同設計されなければならない能動的および受動的デバイスと電磁場がどのように相互作用するかを支配します。これらと並行して、動作中に熱がどのように生成され除去されるかを決定する熱力学の法則、および温度変化によるチップとそのパッケージの信頼性を決定する熱膨張と収縮の力学があります。
これらが課すすべての物理的制約を同時に考慮すると、設計空間はほぼ不可能に大きくなります。すべての決定は複雑な優先順位を伴い、しばしば互いに競合するため、いずれかの最適化を防ぎます。
問題をよりよく理解するために、関与するステップを順を追って説明します。その後、単一の新しいチップ設計に何年も、そして数千万から数億ドルかかる理由がよりよくわかるでしょう。
[画像: カラフルなマイクロチップダイのクローズアップ、複雑な回路と接続パッドを示す]
[画像: 密集したパターン化されたコンポーネントを持つ、光る金色のマイクロチップ回路のクローズアップ。]
[画像: 複雑な金色の回路パターンとパッドを持つマイクロチップダイのクローズアップ。]
[画像: 暗い背景に複雑な金色の回路パターンを持つ、パターン化されたマイクロチップダイのクローズアップ]
[画像: 暗い背景に複雑な金色のマイクロチップ回路パターンのクローズアップ]
[画像: 番号付きフレーム「6」を持つ複雑な金色のマイクロチップ回路の顕微鏡ビュー。]高周波集積回路の面積の大部分は、複雑な電磁構造によって占められています。このブロードバンドパワーアンプ[1]のような人間が設計したRFICは、テンプレートから始まり、対称的で理解可能なパターンに従います。しかし、人間が設計したテンプレートの制約や、人間が電磁構造の原理を理解する必要性から解放されたパワーアンプIC[2–5]や低ノイズアンプ[6]は、真に奇妙に見えるが効率的な設計を採用することができます。SENGUPTA LAB
5Gミリ波ハンドセット用の新しい28ギガヘルツパワーアンプを設計するエンジニアになったとしましょう。(これは、携帯電話の5G信号を増幅し、アンテナに送信して遠くの基地局で受信できるようにするRFICの一種です)。どこから始めますか?
RFIC設計は、家を建てることといくつかの共通点があります。家の設計図が、建てる寝室とバスルームの数、それらを繋ぐ廊下を決定するように、RFICの設計図(アーキテクチャと呼ばれます)は、RFICが意図した機能を果たすために必要な要素の種類を確立します。部屋の代わりに、アーキテクチャには、例えば、パワーアンプが必要とする増幅段の数が含まれます。廊下の代わりに、それらの段を通過する必要がある信号の経路を示します。
RFICの設計図は、実際にはほとんどが廊下です; インダクタや伝送線路のような受動素子は、トランジスタのような能動素子よりもはるかに多くのスペースを占めます。
理由は次のとおりです。おそらくご自身でも経験したことがあるでしょうが、典型的なCPUのトランジスタは、わずか数ギガヘルツの動作周波数に直面すると過熱します。RFICが動作できる周波数は、5G信号で28および39 GHz、衛星通信で26.5〜40 GHz、さらにそれ以上、そして自動車レーダーで77 GHzと、1桁以上高くなります。この猛攻の下では、CPUのトランジスタは故障するでしょう。
RFICトランジスタは、これらのチップが慎重な電磁設計で信号エネルギーを巧みに管理するため、この運命を回避します。これは、チップのスペースを支配する金属要素の複雑なネットワークの形をとります。これらの構造は幾何学的に規則的で、しばしば対称的であり、非常に精巧に構築されているため、レースのようなフィリグリーに似ていることもあります。しかし、装飾的に見えるかもしれませんが、チップの機能に不可欠です。
電気的に言えば、これらの「廊下」はチップの配管のように機能します。 配管のように、この広範な受動素子の迷路は、チップの周りを移動すべき場所にのみ電磁エネルギーを閉じ込めます。
RFIC設計における主な課題は、これらのすべての要素を組み合わせて、それらが機能することを保証することです。これは、設計図から家を建設する際に、耐荷重梁、配管、外壁の正確な仕様が必要であるのと同様です。RFICでは、アーキテクチャは物理的に製造可能なトランジスタと受動コンポーネントで実現され、信号がチップを通過して処理されるように適切に接続される必要があります。これらのデバイスがローカルに接続される方法を、回路のトポロジーと呼びます。
RFIC設計プロセス
そのパワーアンプを作成するために、最初のステップは候補となる回路テンプレートを特定することです。これは、特定の回路トポロジーを持つ特定のアーキテクチャの目標を満たす構造の組み合わせです。長年にわたり、研究者は特定の機能のための再利用可能な設計テンプレートを開発することで、あなたの負担を軽減してきました。例えば、テンプレートは、回路が必要とする増幅段の数を示唆しています(なぜなら、2つのより小さなアンプの出力を組み合わせると、単一のより大きなアンプよりも優れた帯域幅と効率が得られる場合があるからです)。そして、受動構造の一般的な構成を提案します。今日では、このようなテンプレートの広範なライブラリがあります。
しかし、これらはそのままでは使用できません。なぜなら、それぞれにトレードオフがあるからです。一部は安定性を犠牲にしてゲインが高くなります。一部は効率を犠牲にして帯域幅が広くなります。さらに、他のものは出力電力を犠牲にしてエネルギー効率が高くなります。明確な最良の選択肢はめったにありません。
これらすべて異なるパラメータが最適な調和にバランスの取れた「スイートスポット」に到達するために、設計者は通常、長年のトレーニングで習得した直感と方法を使用して、回路のいくつかの異なるバージョンをレイアウトします。
課題は、アーキテクチャ、回路トポロジー、または電磁受動素子に関する決定を別々に行うことができないことです。1つの決定が他の決定に影響を与えます。そのため、RF回路の設計は、しばしば、大きすぎるカーペットを小さすぎる部屋に敷き詰めようとするような感覚になります。一方の角を押すと、もう一方の角が持ち上がります。
マイクロ波およびミリ波周波数では、わずかなミスステップでも、動作するチップと動作しないチップの違いになります。そして、数多くのことが起こり得ます。例えば、電磁波がトランジスタ(または他のコンポーネント)に遭遇すると、それが移動する経路は次に続くものに適切に「整合」されなければなりません。そうでない場合、エネルギーの一部は前方に流れるのではなく後方に反射されます。高圧の消火ホースを細い庭のホースに直接接続しようとするのを想像してみてください。適切なアダプターがないと、接合部で水が後方に飛び散ります。ほとんど何も通過しません。エレクトロニクスでは、これはインピーダンス整合問題と呼ばれます。
これらの反射を防ぐために、エンジニアは特別な遷移部(基本的に微細なアダプター)を設計し、コンポーネント間のハンドオフをスムーズにします。チップ上では、これらのアダプターは驚くほど複雑になることがあります。それらは単に信号を通過させるだけでなく、信号を分割、結合、または複数のパスに慎重に制御されたタイミングと強度で分配することもできます。
アーキテクチャ、配管、およびその間のすべてを行った後、真実の瞬間が訪れます。膨大な設計空間をナビゲートして行ったすべての選択が、仕様を満たすRFICをもたらしましたか? 仕様が満たされない場合は、トポロジーまたはアーキテクチャ全体をやり直すために戻り、プロセス全体を繰り返す必要があります。したがって、数ヶ月の時間とリソースを大量に消費するシミュレーションと反復の準備をしてください。おそらく、なぜ数十年間、RFICコミュニティで「RF設計は芸術である」という中心的な信念が根強く残っているのかがわかるでしょう。アナログおよびRF設計の微妙な点をマスターできるのは、経験豊富な設計者、つまりピースが全体を構成する方法について職人的な理解を持つ者だけだと言われていました。残念ながら、この根深い考え方は、最も必要とされている時期に、この分野でのアルゴリズム革新を長らく妨げてきました。これらのシステムの複雑さが容赦なく増大するにつれて、従来の職人的なRFIC設計はその限界に達しています。
RFIC設計のためのAI
RFIC設計者が「大きすぎるカーペット」問題との戦いを続ける一方で、関連分野では興味深い進歩が次々と現れました。タンパク質フォールディングや気候モデリングのような、これまで解決不可能だったさまざまな問題に対して、AIは多次元の複雑な空間をうまくナビゲートすることができました。これにより、RF分野へのAIの応用をさらに深く探求する意欲が湧きました。結局のところ、タンパク質フォールディングの組み合わせ複雑性は、私たちのドメインにおける設計空間の性質とそれほど違いはありません。
RFIC設計の一部を高速化するために人工知能を使用することを最初に考えたのは私たちではありませんでした。研究者たちは以前、回路テンプレートで機械学習アルゴリズムをトレーニングし、通常の最適化プロセスを高速化することを期待していました。このアプローチは、テンプレートの最適化において人間よりも間違いなく高速でしたが、依然として根本的には人間によって発明された既存の設計ライブラリに依存していました。
私たちはそれを望んでいませんでした。私たちは、既製のトポロジーの制約から解放されたいと思っていました。なぜなら、設計者の経験と苦労して得たヒューリスティクスは、動作する設計を構築するために不可欠であると同時に、それに根本的な制限も課すからです。さらに、そのようなアプローチは必然的に最適化サイクルの部分としてシミュレーションステップを必要とし、最も高速なシミュレーションでさえ多くの計算リソースを使用します。さらに悪いことに、多くの高度なケース、例えばブロードバンド設計などでは、既存のテンプレートがありません。
しかし、テンプレートから始めないなら、どこから始められるでしょうか?
ここでの目標は、アーキテクチャ、構成回路、および電磁受動素子のすべてのパラメータを、アルゴリズムが完全にゼロから決定できるようにすることでした。このアプローチは、人間が考案した構造を最適化するパラメータ(トランジスタの寸法や受動コンポーネントのジオメトリなど)を決定することに限定される従来の最適化とは根本的に異なります。
私たちの新しいアプローチでは、アーキテクチャは本質的に何もない状態から始まり、 successive iterations を通して段階的に組み立てられます。システムは、無数の候補回路の組み合わせを生成し、このランドスケープをナビゲートしながら結果のパフォーマンスのトレードオフをマッピングすることにより、設計空間を探索します。このプロセスは以前の人間による設計上の選択によって偏っていないため、人間が設計した回路とは著しく異なる、完全に新規な回路トポロジーを生成できます。
ある意味で、このアプローチは、人間によってプレイされたゲームのデータに基づいてトレーニングされたのではなく、自分自身と対戦することでルールを探索したため、超人的なパフォーマンスを達成したAlphaGo ZeroのようなAIシステムをエコーしています。同様に、私たちのアルゴリズムは、独自の設計戦略を探索および評価することにより、新しい回路アーキテクチャを開発します。そうすることで、回路、電磁気学、そしてRFICのエンドツーエンド設計を達成するために必要な密接な共同設計を理解することを学びます。
RFICのための逆設計
この能力を実現するために、私たちは2段階で進めました。まず、最適なシステムアーキテクチャ、回路トポロジー、デバイスパラメータ、さらには異なる回路要素を接続する電磁インターフェイスのプロパティさえも決定する強化学習(RL)フレームワークを開発しました。この段階で、アルゴリズムは効果的に信号がシステム全体でどのように伝播し相互作用するかを定義します。
アルゴリズムは、コンピューターがゲームをプレイすることを学ぶのと非常によく似た方法でトレーニングされます。十分にプレイさせれば、取った行動とその達成したスコアの関係を観察することで、よりうまくプレイすることを学ぶことができます。同様に、ここでのRLエージェントは、一連の組み合わせでプレイすることにより効果的な回路を設計することを学び、時間とともに、回路パフォーマンスとそのアーキテクチャ、トポロジー、およびパラメータ間の空間をマッピングできます。このトレーニングには数日から1週間かかりますが、一度トレーニングされると、エージェントは非常に高速に回路を設計できます。
次のステップは、受動要素の望ましい特性を作成できるICの電磁気の物理構造(配管)を決定することでした。これは、散乱パラメータと呼ばれる一連のメトリックによって特徴付けられます。これらは、コンポーネントに入る信号が実際に前方に移動するかどうか、または以前の消火ホースと庭のホースの例のように無駄に後方に反射されるかどうかを測定します。
望ましい散乱パラメータから構造を導出することは、工学の多くの分野に現れる逆設計と呼ばれるアプローチの例です。例えば、構造工学では、建築家と協力して、高い天井を持つ大きな屋内空間を作成するなどの物理的な目標を設定し、それを支えることができるアーチやバットレスの配置を決定することがあります。
電磁ネットワークのための生成AI
[画像: Sパラメータ曲線と、古典的、迷路状、ピクセル化された構造をリンクする図。]AI設計の回路をより理解しやすくするために、エンジニアはユーザーがさまざまなアーティストのスタイルで絵を作成できる画像生成AIからヒントを得ました。ここでは、アーティストのスタイルではなく、ユーザーは電磁構造の空間周波数を調整できます。構造がどれだけピクセル化されていても、必要な電磁特性、つまりSパラメータは再現されます。Chris Philpot
しかし、RF集積回路は逆設計に特有の課題を提示します。このプロセスは、回路の挙動と、それらを接続するインターコネクトおよび受動要素の電磁応答を同時に考慮しなければなりません。しかし、職人的な反復をあまり行わずにそれを理解する必要があります。
そこで、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ました。このAIモデルは、シミュレーションツールが行うように、根本的な物理学をゼロから計算することなく、任意の構造(完全に任意な2次元形状でさえも)を通過する電磁場の挙動を予測できます。それはマクスウェルの方程式の解を予測し、実際に数学を行わなくても、それに見せたどんな構造の散乱パラメータも教えてくれます。このようなAIがあれば、時間のかかる電磁ソルバーが通常数分または数時間かけて達成することを、ミリ秒に短縮できます。
エミュレータを畳み込みニューラルネットワークを中心に構築することを選択しました。これは画像処理で驚くほど成功している機械学習モデルです。このようなネットワークは、どんな構造からでも空間的特徴を抽出でき、構造の画像には、その電磁性能を正確に予測できる多くの空間情報が含まれていることが判明しました。次に、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化構造でトレーニングしました。
逆設計RLと適切なAIエミュレータを備えたら、実質的にエンドツーエンドのAI設計者を手に入れました。そこで、パワーアンプの設計を依頼しました。
非従来型のRFアーキテクチャ
2023年、この概念実証を発表しました。これは、30〜100 GHzのミリ波帯をターゲットとしたパワーアンプで、ほとんどの関連する5Gおよびレーダー周波数帯をカバーしています。最終設計は、シリコンベースのパワーアンプとして、当時報告されていた広い帯域幅、出力電力、および効率の最良の組み合わせを達成しました(つまり、記録的な効率を維持しながら、広い周波数帯域にわたって大量のデータを増幅できる)。
ICの電磁経路の構造は、人間が決して考えないようなものでした。AIは人間の設計でトレーニングされていないため、出現したレイアウトは、私たちが慣れ親しんでいる規則的で対称的な構造よりも、ランダムなパターンやQRコードのように見えました。
このプロトタイプと私たちの研究全般によって明らかになった予期せぬ洞察の1つは、私たちが歴史的に頼っ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いう証拠がまったくないということです。人間の設計者がより良い設計を思いつくことができないということではありません。しかし、テンプレートと、最適化された回路のサイクルごとに合成する時間を排除することで、AI駆動の合成が従来の設計障壁を打ち破り、RFIC機能の限界を押し広げることができることは明らかです。
私たちの5Gアンプには、入力ポートと出力ポートが1つずつしかありませんでした。設計に複数の入出力ポートを追加することは簡単ではありません。すべてのポートは他のすべてのポートと電磁的に結合するため、散乱パラメータは急速に増加します。2つのポートは4つの散乱パラメータを提供します。4つのポートは16の散乱パラメータです。数学は急速に醜くなります。私たちのモデルは追いつけるでしょうか?
次に、多数の入出力ポートを持つより大きなクラスの電磁構造でモデルをトレーニングしました。2024年、マルチポート集積回路もこれらのAIアルゴリズムにとって問題ないことを示す研究を発表しました。以前は数日または数週間かかっていたマルチポート電磁シミュレーションが、このモデルは数分で新しい構造を進化させました。それ以来、世界中の研究コミュニティによるこの分野での多数の研究が、RFICにおける逆設計の力を実証しています。
強化学習フレームワークと逆設計を組み合わせることで、仕様から製造準備の整ったレイアウトまでRFICを作成する能力を得ました。これまでのところ、低ノイズアンプからサブテラヘルツおよびブロードバンドパワーアンプまで、さまざまなRFICでこれが真実であることを示しています。これが他の回路でも同様にうまく機能することを願っています。
AI設計の解釈可能性を高める
私たちの目標はRFIC設計をより良く、より簡単にすることでしたが、人間の理解を超えたものにしたくはありませんでした。チップのテストとデバッグは、設計よりもさらに長く困難なプロセスになることもあります。エンジニアは、問題が発生した場合にチップがどのように機能するかを十分に理解してデバッグできるように、解釈可能な構造を持つICを好むことがよくあります。
より解釈可能な構造を作成するために、テキストプロンプトからリアルな画像を生成する驚異的な能力で知られているディフュージョンモデルに目を向けました。
AI駆動の合成は、従来の設計障壁を打ち破り、RFIC機能の限界を押し広げることができます。
お気に入りの画像生成エンジンにアクセスして、ピカソ、ゴッホ、またはミケランジェロのスタイルで空の絵を作成するように依頼したと想像してください。それらの筆遣い、色の使い方、フレーミングのエッセンスを捉えた画像が得られます。すべて空の絵ですが、異なるスタイルです。
電磁設計も同様で、複数の構造が非常に似た電磁応答を持つことができます。テキスト入力の代わりに、散乱パラメータを入力として使用し、RFICチップの電磁構造を出力として使用しました。ディフュージョンモデルへの入力の一部として、最終構造の空間周波数を設定するダイヤルを作成しました。ダイヤルを回すことで、設計者はモデルに低(古典的で解釈可能)、中(迷路状)、または高(ピクセル化または任意形状)の空間周波数を持つ構造を合成するように指示できます。
プロンプトから出力まで、プロセス全体で約6分かかりました。このディフュージョンモデルにより、アルゴリズムは新しいアーキテクチャを発見すると同時に、従来のいわゆる古典的なアーキテクチャの作成を加速することもできます。
RFIC設計者が行う必要があるのは、事実上任意の有効な散乱パラメータセットを指定することだけです。それらがマクスウェルの方程式の下で物理的に実現可能である限り、モデルは自動販売機のように対応する構造をポップアウトします。
AI駆動RFIC設計の未来
私たちの調査結果は、RFコミュニティの注目を集めています。従来のボトムアップ設計プロセスは明らかに逆転し始めています。
しかし、まだ疑問は残っています。これらの方法はどの程度一般化可能でしょうか? それらは一貫して真に高いパフォーマンスを提供できるでしょうか? あらゆるトレードオフを最大化し、すべてのパラメータを最も理想的な物理状態に全体的に最適化する設計をAIが生成する場所に到達できるでしょうか? この戦略をRFIC設計を超えて、人間がこれまで行ったことのない他の種類の回路を発明したいと考えています。
これらはエキサイティングで野心的な見通しですが、まだそこには到達していません。AIは、動作しない悪い回路を生成する幻覚(hallucination)を起こす可能性があります。これは、検証方法を人間の監督下に置く必要があることを意味します。そして、幻覚はまれですが、その発生を減らすことは依然として良いことです。
歴史は、これらの未来の夢を実現するには、私たちが使用しているよりもはるかに多くのデータが必要であることを示唆しています。ImageNetリポジトリ(1400万の多様な、人間によって注釈付けされた画像のレポジトリ)が作成される前は、画像認識モデルは現実世界でうまく機能しませんでした。トレーニングされたデータセットは効果するには小さすぎました。ImageNetの膨大なトレーニングデータは、AIが一般化して実際の画像を認識できるようになる革命をもたらしました。残りは歴史です。
RFICおよびアナログ設計の目標が普遍的な基盤モデル(電磁気学と回路の挙動を支配する法則を学習するもの)である場合、データも必要です。
良いニュースは、このデータが豊富にあることです。世界中の企業や学術研究室の無数のエンジニアが、毎日ほぼ同一のRF回路と受動構造をシミュレーションしています。悪いニュースは、それらがすべて機密保持契約の背後でロックされていることです。
オープンなエコシステムは他の分野を推進してきました。そして、RFICコミュニティも同様に行うべきだと考えています。これに向けていくつかの動きがありました。Natcast(米国CHIPSおよび科学法のR&Dプログラムのオペレーター)は、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ストラクチャとイノベーションを強化するはずでした。残念ながら、組織と、機械学習およびRFICのために特別に運営されていたプログラムの両方が閉鎖されました。
しかし、Natcastの取り組みが巻き起こした勢いは衰えていません。私たちの初期の仕事に基づいて、コミュニティ全体のグループがすでに目覚ましい進歩を実証しています。AI駆動のIC設計は、より広範な技術シフトの一部です。生物学や材料科学から、自動車や航空宇宙工学まで、AIは複雑なシステムがどのように構想され最適化されるかを再形成しています。AI研究者とチップ設計者間のより深い協力が、この分野の潜在能力を最大限に引き出すでしょう。それは決して決まったことではありませんが、これを正しく行えば、このジンはボトルから出たままにはならないでしょう。