創(chuàng)天科技、清華大學、西安電子科技大學和杭州電子科技大學剛剛聯合發(fā)布的一篇論文，提出了一種新的神經網絡架構，讓AI在不聲不響間，又掌握了新的技能：設計微波集成電路。

這個全新的神經網絡架構名叫“關系歸納神經網絡”，能夠總結和歸納微波集成電路內在的電磁規(guī)律，自己學會設計和調試，結果顯示，AI設計的集成電路性能完全可以媲美最好的人類設計師。

我國的集成電路產業(yè)在國家的大力扶持下經歷了高速的發(fā)展，但與世界先進水平還有著差距，從2013年至今我國每年集成電路的進口額超過了石油，成為第一大宗進口商品。歐美各國為鞏固其優(yōu)勢地位，尤其為了削弱我國在新一代電子信息技術、半導體集成電路領域的快速發(fā)展的能力，不約而同的采取措施，力求最大限度的制約我國研發(fā)或生產高端芯片及元器件。

同時，美國為了保證自己在芯片產業(yè)的核心地位，2018年7月，美國首次“電子復興計劃”峰會（ERI Summit）在舊金山拉開帷幕。由美國國防部高級研究計劃局DARPA組織。這次大會上，美國的電子復興五年計劃，選出了第一批入圍扶持項目：電子裝置的智能設計（IDE Automation）。IDEA旨在創(chuàng)建一個“無需人工參與”（no human in the loop）的芯片布局規(guī)劃（layout）生成器，讓沒什么專業(yè)知識的用戶也能在一天內完成硬件設計。而DARPA的愿景，是最終讓機器取代人類進行芯片設計。

現在高水準的集成電路AI已經在中國出現了。

集成電路AI難在哪里？

在最新披露的論文里，創(chuàng)天科技表示雖然AlphaGo已經是AI里程碑，但下圍棋與現實世界相比，仍然是一個非常簡單的問題。

更復雜的問題是微波集成電路，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(tài)空間超過10^10000。

微波集成電路（MWIC）的自動化設計一直以來都被視為人工智能的一個基本挑戰(zhàn)，因為它的解空間和結構復雜度都比圍棋要大的多。在這里，我們開發(fā)了一種新型的人工智能體(稱為關系歸納神經網絡)，它可以實現微波集成電路的自動化設計，避免暴力計算每一個可能的解決方案，這是電子領域的一個重大突破。通過對微波傳輸線電路、濾波電路和天線電路設計任務的實驗，分別得出了具有較強競爭力的結果。與傳統(tǒng)的強化學習方法相比，該學習曲線表明，該人工智能體能夠快速收斂到符合要求的集成電路模型，斂速度可達4個數量級。這項研究首次展示了一個智能體在沒有任何人類先驗知識的情況下，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(guī)律在電路的結構原理和電磁場原理等方面是可解釋的。。我們的工作跨越了人工智能和集成電路之間的鴻溝，未來可以擴展到機械波、力學和其他相關領域。

來看看AI是怎么設計集成電路的

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火花。對于工程師來說，利用計算機輔助設計工具發(fā)現問題、解決問題進而尋找最優(yōu)解決方案，這個過程是及其繁瑣枯燥的，更重要的是受限于人類生理結構，即使焦頭爛額地使忙于各種方案分析、設計、優(yōu)化也沒辦法達到最優(yōu)解決方案。如何使人類工程師徹底擺脫這項繁瑣的優(yōu)化設計工作是一項非常有意義的挑戰(zhàn)。

目前，研究者都是人為抽象出電路的參數，再基于機器學習技術優(yōu)化這些參數。但是這樣的方法存在兩個問題：首先人為抽象的參數是一項耗時、費力的工作，且抽象出的參數還有可能不夠準確，掩蓋電路的一些重要特征；其次，使用人為抽象的參數進行優(yōu)化會大大限制機器的想象力和探索空間，最終得到的結果往往很難超越人類的水平。

近年來，人工智能在數據挖掘、計算機視覺、自然語言處理等多個應用領域取得了成功。作為AI的一個子領域，基于深度神經網絡的強化學習技術已逐漸從單純的學術研究轉向應用，如經典視頻游戲、棋盤游戲、機器翻譯和藥物設計。然而，人工智能與集成電路設計領域的結合仍然是一個空白。由于集成電路結構復雜，求解空間大，需要大量的數據來學習設計決策過程，傳統(tǒng)的強化學習算法難以收斂。因此，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(guī)律，從而達到設計任意復雜集成電路的目的。更具體地說，集成電路形狀被定義為一組參數化網格，當每個網格發(fā)生變化時，由標準的CAE軟件包（如ADS或ANSYS EM）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。

集成電路AI背后的算法

AI學會設計集成電路，靠的是什么手段？答案是，一個基于聚類和異步的優(yōu)勢行動者評論家算法模型。

圖 1 | 關系歸納神經網絡架構. 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(yōu)策略，從而達到自動設計微波集成電路的技術功效。

最后看下

人類的設計和AI的設計有何區(qū)別吧！

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（見圖2），可以看出人類工程師設計的集成電路是規(guī)則的，其參數數量是有限的。AI設計的電路是不規(guī)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(yè)工程師相當的水平。

圖2人類設計的集成電路與AI設計的集成電路

論文

論文題目：

Microwave Integrated Circuits Design with Relational Induction Neural Network

地址:

https://arxiv.org/abs/1901.02069

https://nature-research-under-consideration.nature.com/users/37265-nature-communications/posts/43195-microwave-integrated-circuits-design-with-relational-induction-neural-network

作者：

Jie Liu , Zhi-Xi Chen, Jia Shi , Hong-Liang Teng , 來自石家莊創(chuàng)天電子科技有限公司

Wen-Hui Dong , Xiao Wang , Stephen S.-T. Yau, Ping-Fa Feng 來自清華大學

Chang-Hong Liang來自西安電子科技大學

Xi-Wang Dai來自杭州電子科技大學

第一作者Liu Jie是創(chuàng)天科技AI實驗室的研究員并且是人工智能算法設計與開發(fā)技術負責人。

Stephen S.-T. Yau先生是國際著名的數學家，Chang-Hong Liang教授是國內著名的教育家。