Cuando se diseñan chips, los científicos e ingenieros suelen trabajar con patrones y plantillas que son bien conocidos. Un nuevo estudio publicado en Nature Communications probó un enfoque diferente: un proceso de diseño habilitado con aprendizaje profundo para crear circuitos y componentes. Utilizando inteligencia artificial (IA), investigadores de la Universidad de Princeton y el IIT Madrás demostraron un método de “diseño inverso”, donde se comienza con las propiedades deseadas y luego se hace el diseño en función de eso. Los diseños parecen funcionar muy bien, pero hay un problema: nadie sabe realmente por qué funcionan tan bien.
“Los humanos no pueden entenderlos, pero pueden funcionar mejor”, dijo Kaushik Sengupta, el investigador principal, profesor de ingeniería eléctrica e informática en Princeton.
La IA al mando
El método impulsado por IA se centró en el diseño de chips inalámbricos, que son extremadamente importantes para aplicaciones de alta frecuencia como redes 5G, sistemas de radar y tecnologías de detección avanzadas. Estos circuitos impulsan innovaciones en todo, desde sistemas de radar hasta vehículos autónomos, pero su desarrollo es notoriamente lento. Los ingenieros comenzarían con plantillas predefinidas y optimizarían o mejorarían manualmente los diseños mediante simulaciones y pruebas iterativas.
Este método requiere mucho tiempo y es desafiante. También requiere un alto grado de experiencia, lo que limita cuánto (y qué tan rápido) se puede mejorar. Aquí es donde entra en juego el nuevo estudio.
Mientras que el método anterior era de abajo hacia arriba, el nuevo enfoque es de arriba hacia abajo. Comienzas pensando en qué tipo de propiedades quieres y luego descubres cómo puedes lograrlo.
Los investigadores entrenaron redes neuronales convolucionales (CNN), un tipo de modelo de IA, para comprender la compleja relación entre la geometría de un circuito y su comportamiento electromagnético. Estos modelos pueden predecir cómo funcionará un diseño propuesto, a menudo operando en un tipo de diseño completamente diferente al que estamos acostumbrados.
El estudio mostró una variedad de casos de uso, desde antenas simples de un puerto hasta estructuras complejas de RF (radiofrecuencia) de múltiples puertos como filtros o divisores de potencia. Las antenas compactas diseñadas por IA funcionan en dos frecuencias distintas, lo que mejora el rendimiento de los dispositivos multibanda. En cuestión de minutos, sintetizó filtros con características precisas de paso de banda, una tarea que antes habría llevado días o semanas.
La capacidad de diseñar rápidamente circuitos de alto rendimiento podría acelerar los avances en telecomunicaciones, sistemas autónomos y más allá. Este enfoque permite a los ingenieros centrarse en la innovación en lugar de la optimización rutinaria. Sin embargo, quizás la parte más emocionante sean los nuevos tipos de diseños que se le ocurrieron.
Conceptos completamente nuevos
“Estamos creando estructuras que son complejas y parecen tener formas aleatorias, y cuando se conectan con circuitos, crean un rendimiento que antes era inalcanzable”, dice Sengupta. Los diseños no eran intuitivos y eran muy diferentes a los que hacía la mente humana. Sin embargo, con frecuencia ofrecían mejoras significativas.
“Los diseños clásicos, cuidadosamente, juntan estos circuitos y elementos electromagnéticos, pieza por pieza, de modo que la señal fluya de la manera que queremos que fluya en el chip. Al cambiar esas estructuras, incorporamos nuevas propiedades”, dijo Sengupta. “Antes, teníamos una forma finita de hacer esto, pero ahora las opciones son mucho más amplias”.
Este estudio marca un momento crucial en la ingeniería, donde la IA no solo acelera la innovación, sino que también expande los límites de lo posible. Los chips inalámbricos son una combinación de electrónica estándar (como los chips de computadora) y componentes electromagnéticos como antenas o divisores de señal. Si bien este estudio se centra en las frecuencias de RF y subterahercios, los principios del diseño impulsado por IA pueden extenderse a los chips de computadora o incluso a la computación cuántica.
“Hay trampas que aún requieren que los diseñadores humanos las corrijan”, dijo Sengupta. “El punto no es reemplazar a los diseñadores humanos con herramientas. El punto es mejorar la productividad con nuevas herramientas. La mente humana se utiliza mejor para crear o inventar cosas nuevas, y el trabajo más mundano y utilitario se puede delegar en estas herramientas.
Pero esto también plantea nuevas preguntas.
La caja negra
¿Qué tan cómodos nos sentimos con estos diseños que no entendemos del todo? ¿Qué sucede si algo sale mal con este diseño?
Sin duda, la IA desempeñará un papel cada vez más importante en la forma en que diseñamos cosas, y los chips no son una excepción. Sin embargo, en su mayor parte, aún no tenemos transparencia sobre cómo la IA llega a sus diseños. Esto hace que sea difícil para los ingenieros comprender o predecir completamente el comportamiento de estos circuitos en todas las condiciones. Esta naturaleza de “caja negra” podría conducir a fallas o vulnerabilidades imprevistas, particularmente en aplicaciones críticas como dispositivos médicos, vehículos autónomos o sistemas de comunicación.
Además, si surgen errores, rastrear y rectificar el problema puede resultar más complejo que en sistemas diseñados manualmente. En un nivel práctico, la dependencia excesiva de la IA puede erosionar el conocimiento y las habilidades fundamentales de los diseñadores humanos, creando una brecha en la experiencia si la tecnología falla o no está disponible. Sin duda, nos dirigimos hacia una nueva era del diseño. Esperemos que sea una en la que los humanos sigan teniendo las riendas.
Referencia de la revista: Emir Ali Karahan et al., Diseño inverso generalizado de circuitos integrados y pasivos de radiofrecuencia y subterahercios multipuerto habilitados mediante aprendizaje profundo, Nature Communications (2024). DOI: 10.1038/s41467-024-54178-1
Fuente: ZME Science.
