【導讀】在論文預發表平臺上發布的一篇文章稱，由創天科技、清華大學、西安電子科技大學和杭州電子科技大學聯合提出了一種新的神經網絡架構Relational Induction Neural Network（RINN），可以讓人工智能（AI）自行設計微波集成電路。目前，這篇論文正在接受《Nature Communications》的評審。
論文介紹稱，這個全新的神經網絡架構名叫“關系歸納神經網絡”，它能夠總結和歸納微波集成電路內在的電磁規律，并自己學會設計和調試。論文給出的結果顯示，該神經網絡設計微波集成電路的水平堪比人類專業工程師。
相信看到這里業界的朋友們會和當初小編一樣吃驚。正如論文里披露，創天科技表示雖然Google AlphaGo已經是AI的里程碑，但下圍棋與微波集成電路相比，仍然是一個非常簡單的問題，因為微波集成電路（MWIC）的解空間更大，結構也更為復雜，因此實現其自動設計一直以來都被視為人工智能領域的一大難題。
微波集成電路是在電路板上采用特定的工藝制造大量高精度微米納米級的電路，電路之間存在復雜的電磁效應，微觀下的微小的擾動往往會帶來宏觀特性的巨大差異。圍棋的動作空間約為10-250，集成電路的狀態空間超過10-10000。
微波集成電路是人類工程師的智力勞動，是智慧、經驗和直覺碰撞出的產物。對于工程師來說，設計過程需要利用計算機輔助設計工具發現問題、解決問題進而尋找最優解決方案，這個過程繁瑣而枯燥，需要通過綜合各種方案分析、設計、優化去逼近最優解決方案。因此，如何使人類工程師徹底擺脫這項繁瑣的優化設計工作，是一項非常有意義的挑戰。
AI是如何設計微波集成電路
AI能學會設計集成電路，靠的是一個“基于聚類和異步的優勢行動者評論家算法模型”。文章介紹道，該模型包含兩部分——聚類算法和強化學習神經網絡模型。其中，聚類算法用來對網格化的集成電路的設計動作進行劃分，即將集成電路的多個設計動作聚成幾個典型的動作類，類似于經驗豐富的集成電路模型設計師對模型的參數化設置；強化學習模型則基于聚類算法劃分的典型動作簇作為策略網絡輸出的動作類別，預測當前集成電路模型的設計動作，然后再由價值網絡評估該設計動作的好壞，以找出最優策略，從而達到自動設計微波集成電路的技術功效。
“我們設計了一個稱為關系歸納神經網絡的架構，它可以快速有效地學習集成電路內部數據之間的規律，從而達到設計任意復雜集成電路的目的。”研究人員表示，在其方案中，集成電路形狀被定義為一組參數化網格，當每個網格發生變化時，由標準的CAE軟件包計算出結果，然后使用聚類算法對這些結果的變化進行分類，最后交由強化學習神經網絡進行決策。
圖1：RINN架構。a, 聚類算法的數據集，即網格模型的S參數變化矩陣。B，聚類算法。C、網格化的模型和S參數矩陣訓練深度強化學習模型。d，以c為輸入，以動作的概率向量π和價值標量v為輸出的深度強化學習模型。
基于關系歸納神經網絡的微波集成電路模型設計框架如圖1所示，其包含兩部分：聚類算法（圖1b）和強化學習神經網絡模型（圖1d）。在本框架中，聚類算法用來對網格化的集成電路的設計動作進行劃分，即對集成電路的多個設計動作聚成幾個典型的動作類，類似于經驗豐富的集成電路模型設計師對模型的參數化設置；強化學習模型（采用A3C算法）基于聚類算法劃分的典型動作簇作為策略網絡輸出的動作類別，預測當前集成電路模型的設計動作，然后再由價值網絡評估該設計動作的好壞，以找出最優策略，從而達到自動設計微波集成電路的技術能力。
基于AI設計濾波器、天線案例分析
論文中針對微波傳輸線電路、濾波器電路、天線電路自動設計的不同方面進行的幾項綜合研究已經取得成功，下面我們來一起看看論文中的2個研究案例。
1.基于RINN 進行濾波器設計
為了考驗RINN 濾波器設計的能力，研究者采用了四種濾波器設計任務，其中心頻率分別是9.3GHz、11.5GHz、7.55GHz 和6.95GHz，但是第四個濾波器的長度和寬度限制在5mm*5mm。具體設計任務見表1，具體設計方案見圖2。
表1：四種濾波器設計任務
圖2 | 濾波器的聚類 可視化結果。a）濾波器模型。b-d）設計好的濾波器模型的表面電流密度分布、電場分布和磁場分布。e）網狀模型（meshed model）。f-j）設計好的濾波器上的典型動作集群（action cluster）可視化結果。k-o）典型動作集群的可微S 11 曲線。
AI從零開始學習如何在不知道設計規則的前提下設計MWIC 模型。通過觀察AI設計過濾器的動作，我們發現AI實際上已經學會了類似于工程師的動作。為了降低通帶回波損耗并增加濾波器的插入損耗，第一項任務的AI學會了逐步調整當前頻率下諧振器之間的耦合系數，其設計過程如圖3（a-c）所示。
第二項任務和第三項任務的AI首先學會調整諧振器的長度，以達到移動中心頻率的目的，然后調整諧振器之間的耦合系數，以減少通帶回波損耗，增加插入損耗，其設計過程如圖3（d-i）所示。
圖3 | 基于RINN 架構的濾波器設計流程。a-c）第一個任務的優化濾波器模型，及其回波損耗（S_11）和插入損耗（S_21）變化圖。d-f）、g-i）、j-l）分別是第二、三、四個任務的優化濾波器模型、回波損耗（S_11）變化圖和插入損耗（S_21）變化圖。m）四個任務的學習曲線。智能體的學習速度與設計任務的復雜度相關，設計任務越復雜，智能體的學習速度越慢。
2.基于RINN 進行天線設計
為了進一步證明RINN 架構的設計能力，研究人員嘗試用它來設計天線。如圖4、圖5 所示，RINN 訓練的智能體在沒有任何人類知識的情況下成功地捕捉了天線的主要特征，并學會了在設計天線時執行一系列的正確動作，這些動作能簡潔地表達引起他們觀察的因果關系。智能體基于學習的策略成功地設計出了三種不同頻率的天線模型。從設計天線的過程中，可以看到輻射貼片主要影響中心頻率，而饋線主要影響輸入阻抗。這些結果都與矩形貼片天線的理論以及電磁場分布一致。
圖4：天線的聚類可視化結果。a，天線模型。b，表面電流密度分布。c，磁場分布。d，電場分布。e，Meshed模型。f-j，網格頂點聚類的可視化結果。
圖5：a-c）三種天線模型，其中心頻率分別為8.5GHz、6.15GHz 和7.35GHz，由智能體設計。d-f）觀察智能體根據回波損耗曲線（S11）的變化設計天線的過程。g）所有天線的增益模式。h）三種天線模型的學習曲線。
AI與人類專業工程師設計對比
通過對人類工程師設計的集成電路模型與AI設計的集成電路模型的對比，在9.1GHz 的中心頻率和1.2GHz 的帶寬下，6階濾波器的反射損耗小于-15dB，插入損耗大于-1dB；第二，一個貼片天線中心頻率為7.35 GHz 時，其增益大于3dB。從圖6 中對比的人類工程師和AI 設計的MWIC 模型中可以看出，人類工程師設計的模型更加規則，并且參數數量有限。AI設計的電路是不規則的，參數多，自由度高，形狀更趨近于自然形成。實際上，AI能夠學習抽象出影響電路性能的關鍵參數，并掌握各種各樣的設計任務。因此，AI僅接收網格化電路模型和S參數矩陣作為其輸入就能夠達到與專業工程師相當的水平。
圖6：AI與人類專業工程師設計對比。a）由工程師設計的濾波器模型。b）由AI設計的濾波器模型。c）a 的回波損耗曲線（S11）和插入損耗曲線（S21），以及b 的回波損耗曲線（S11）和插入損耗曲線（S21）。d）由工程師設計的貼片天線模型。e）由AI設計的貼片天線模型。f）a 和b 的7.35 GHz 增益曲線。
對未來的工業自動化設計的意義
這項研究首次展示使用深度強化學習方法（不依賴人類經驗）訓練智能體來探索MWIC 設計，填補了這方面的空白。通過訓練或學習，自動歸納微波集成電路內部結構之間的關系。值得注意的是，智能體自行歸納和總結的規律在電路的結構原理和電磁場原理等方面是可解釋的。研究工作跨越了人工智能和集成電路之間的鴻溝，未來還可用于訓練其它領域的智能體（如機械波、力學和其他），為未來的自動化設計指明了方向。
