Οι ερευνητές μηχανικής έχουν δείξει ότι η τεχνητή νοημοσύνη (ΤΝ) μπορεί να σχεδιάσει πολύπλοκες ασύρματες τσιπ σε λίγες ώρες—μια εργασία που συνήθως απαιτεί εβδομάδες από τους ανθρώπους. Οι σχεδιασμοί τσιπ που παράγονται από την ΤΝ όχι μόνο επέδειξαν μεγαλύτερη αποδοτικότητα αλλά υιοθέτησαν και μια θεμελιωδώς διαφορετική μεθοδολογία—μία που πιθανότατα δεν θα συμπέραινε ένας ανθρώπινος σχεδιαστής κυκλωμάτων. Οι ερευνητές κατέγραψαν τα αποτελέσματά τους σε μια μελέτη που δημοσιεύθηκε στις 30 Δεκεμβρίου 2024, στο περιοδικό Nature Communications. Αυτή η έρευνα επικεντρώθηκε σε ασύρματα τσιπ χιλιοστομετρικών κυμάτων (mm-Wave), τα οποία θέτουν σημαντικές προκλήσεις για τους κατασκευαστές λόγω της πολυπλοκότητάς τους και της ανάγκης για μινιμαλισμό. Αυτά τα τσιπ είναι απαραίτητα στοιχεία των μόντεμ 5G, τα οποία είναι πλέον τυπικά σε smartphones. Αυτή τη στιγμή, οι κατασκευαστές εξαρτώνται από έναν συνδυασμό ανθρώπινης εξειδίκευσης, προσαρμοσμένων σχεδίων κυκλωμάτων και καθορισμένων προτύπων. Κάθε νέα σχεδίαση υποβάλλεται σε μια μακρά διαδικασία βελτιστοποίησης που βασίζεται σε δοκιμές και σφάλματα, συχνά λόγω της περίπλοκης φύσης των τσιπ που μπορεί να είναι δύσκολα πλήρως κατανοητά για τους ανθρώπους. Αυτό έχει ως αποτέλεσμα μια συντηρητική, επαναληπτική προσέγγιση που βασίζεται σε προηγούμενες επιτυχίες. Ωστόσο, στη συγκεκριμένη μελέτη, οι ερευνητές από το Princeton Engineering και το Ινδικό Ινστιτούτο Τεχνολογίας υπέθεσαν ότι τα μοντέλα ΤΝ με βαθιά μάθηση θα μπορούσαν να εφαρμόσουν μια στρατηγική αντίστροφου σχεδιασμού—μία που καθορίζει το επιθυμητό αποτέλεσμα και επιτρέπει στον αλγόριθμο να συμπεράνει τις απαραίτητες εισροές και παραμέτρους. Η ΤΝ αντιμετωπίζει κάθε τσιπ ως μια συνοχή και όχι ως μια συλλογή υπάρχοντων συστατικών που απαιτούν συναρμολόγηση. Ως εκ τούτου, οι παραδοσιακοί σχεδιασμοί τσιπ, οι οποίοι συχνά περιέχουν αναποτελεσματικότητες και είναι κακώς κατανοητοί, απορρίπτονται. Το μέλλον του σχεδιασμού τσιπ; Στη μελέτη αυτή, οι παραγόμενες δομές "φαίνονται τυχαία σχηματισμένες, " εξήγησε ο κύριος συγγραφέας Kaushik Sengupta, καθηγητής ηλεκτρολόγου και υπολογιστικού μηχανικού στο Princeton.

"Οι άνθρωποι δεν μπορούν να τις κατανοήσουν πλήρως. " Όταν η ομάδα του Sengupta κατασκεύασε τα τσιπ, ανακάλυψε ότι οι σχεδιασμοί που παρήχθηκαν από την ΤΝ πέτυχαν επίπεδα απόδοσης που υπερέβησαν αυτά υφιστάμενων μοντέλων. Αν και αυτά τα ευρήματα υποδεικνύουν ότι η ΤΝ θα μπορούσε ενδέχεται να αναλάβει το σχεδιασμό τέτοιων πολύπλοκων τσιπ, ο Sengupta τόνισε ότι υπάρχουν προκλήσεις που απαιτούν την παρέμβαση ανθρώπινων σχεδιαστών. Ειδικότερα, πολλοί από τους σχεδιασμούς που παρήχθησαν από τον αλγόριθμο αντιμετώπισαν αποτυχίες—παρόμοια με τις "παραισθήσεις" που παρατηρούνται με τα τρέχοντα εργαλεία γενετικής ΤΝ. "Ο στόχος δεν είναι να αντικαταστήσουμε τους ανθρώπινους σχεδιαστές με εργαλεία, " παρατήρησε ο Sengupta. "Αφορά την αύξηση της παραγωγικότητας μέσω νέων εργαλείων. " Η ταχεία εξέλιξη των επαναληπτικών σχεδίων ανοίγει επίσης νέες προοπτικές. Ορισμένα σχέδια τσιπ μπορεί να επικεντρωθούν στην ενεργειακή αποδοτικότητα, ενώ άλλα δίνουν προτεραιότητα στην απόδοση ή σε διευρυμένα φάσματα συχνοτήτων. Καθώς τα ασύρματα τσιπ γίνονται όλο και πιο σημαντικά, τροφοδοτούμενα από μια αυξανόμενη ζήτηση για μινιμαλισμό, αυτή η έρευνα αντιπροσωπεύει μια αξιόλογη πρόοδο. Ο Sengupta πρότεινε ότι αν η μέθοδός τους μπορούσε να εφαρμοστεί σε άλλες πτυχές του σχεδιασμού κυκλωμάτων, θα μπορούσε να επαναστατήσει τον τρόπο που αναπτύσσονται τα ηλεκτρονικά στο μέλλον. "Αυτό είναι απλώς η αρχή όσων έρχονται σε αυτόν τον τομέα. "