IA diseña chips de radio que desafían la intuición humana y aceleran el futuro del 5G

Un grupo de Princeton está usando aprendizaje por refuerzo, diseño inverso y modelos de difusión para crear chips de radiofrecuencia desde cero en mucho menos tiempo que un humano. El avance apunta a destrabar el desarrollo de 5G, radar automotriz, comunicaciones satelitales y futuras redes 6G, aunque todavía enfrenta límites de verificación, datos y apertura del ecosistema.
***

• Investigadores de Princeton desarrollaron sistemas de IA capaces de diseñar RFICs desde cero, sin depender de plantillas humanas.
• Los prototipos físicos lograron combinaciones récord de ancho de banda, potencia y eficiencia en amplificadores para bandas milimétricas y subterahercios.
• El siguiente gran reto no es solo técnico, sino también industrial: abrir más datos y herramientas para entrenar modelos universales de diseño.

Los circuitos integrados de radiofrecuencia, o RFICs, son una pieza crítica de la infraestructura tecnológica moderna. Sin ellos no existirían, en su forma actual, los teléfonos móviles, el radar automotriz, buena parte de las comunicaciones satelitales ni muchas de las bases del futuro 6G.

Sin embargo, el diseño de estos chips sigue siendo uno de los rincones más artesanales de la ingeniería electrónica. Esa dependencia de especialistas muy entrenados ha frenado la velocidad con la que pueden evolucionar tecnologías inalámbricas clave.

Según explica IEEE Spectrum, investigadores de Princeton llevan varios años intentando trasladar ese “arte oscuro” del diseño RF al terreno de la inteligencia artificial. Los resultados más recientes sugieren que la apuesta ya no es experimental en sentido estricto, sino una posible ruta industrial para rediseñar el campo.

El grupo combina aprendizaje por refuerzo, diseño inverso y modelos de difusión para generar chips funcionales desde cero. En varios casos, las geometrías obtenidas no se parecen a los diseños simétricos clásicos que usan los ingenieros humanos.

Lo más llamativo es que algunos prototipos físicos no solo funcionaron, sino que superaron circuitos avanzados en métricas relevantes de rendimiento. Además, la IA necesitó órdenes de magnitud menos tiempo para llegar a un diseño viable.

Por qué el diseño de RFIC sigue siendo un cuello de botella

Para entender la magnitud del avance conviene empezar por el problema. A diferencia del diseño de CPU y GPU, que en buena medida se ha estandarizado con herramientas de síntesis algorítmica, la ingeniería RF sigue dependiendo de experiencia acumulada durante años.

La razón es física y práctica al mismo tiempo. Diseñar un RFIC exige coordinar el comportamiento electromagnético, térmico y estructural del chip, todo bajo restricciones de fabricación muy estrictas.

Las ecuaciones de Maxwell gobiernan cómo interactúan los campos electromagnéticos con componentes activos y pasivos. A eso se suman la termodinámica, la disipación de calor y hasta los efectos de expansión y contracción térmica que afectan la confiabilidad del encapsulado.

Ese conjunto de variables hace que el espacio de diseño sea gigantesco. Cada mejora en ganancia, estabilidad, ancho de banda, eficiencia o potencia de salida suele empujar otra métrica en dirección contraria.

En la práctica, el trabajo se parece menos a resolver una ecuación y más a navegar compensaciones constantes. Por eso el desarrollo de un solo chip nuevo puede tomar años y costar decenas a cientos de millones de dólares.

El artículo usa la analogía de construir una casa. La arquitectura del RFIC define cuántas “habitaciones” funcionales necesita el sistema, mientras que la topología del circuito determina cómo se conectan físicamente esos bloques.

Pero en un chip de radio, la mayor parte del área no está dominada por transistores, sino por elementos pasivos e interconexiones. Inductores, líneas de transmisión y otras estructuras metálicas ocupan mucho espacio y controlan el flujo de energía electromagnética.

Eso ocurre porque estos chips operan a frecuencias muy altas. El texto menciona 28 y 39 GHz para señales 5G, 26,5 a 40 GHz y más para comunicaciones satelitales, y 77 GHz para radar automotriz.

A esas frecuencias, los márgenes son estrechos. Un pequeño error de adaptación de impedancias puede hacer que parte de la señal se refleje hacia atrás en vez de avanzar, lo que degrada o inutiliza el comportamiento del sistema.

El resultado es un proceso lleno de iteraciones. Si al final de meses de simulación el chip no cumple especificaciones, el diseñador debe regresar a la topología o incluso a la arquitectura inicial y empezar otra vez.

Cómo Princeton llevó la IA al diseño de chips de radio

El detonante intelectual del proyecto llegó hace unos siete años, después de la victoria de AlphaGo sobre Lee Sedol. El grupo de Princeton se preguntó si una IA también podía aprender un dominio tan opaco y experto como el diseño RF.

La idea no era nueva en términos generales. Ya había trabajos que usaban aprendizaje automático para optimizar plantillas de circuitos existentes y acelerar partes del flujo tradicional.

Pero ese enfoque mantenía una dependencia fundamental de bibliotecas ideadas por humanos. En otras palabras, la máquina podía afinar el trabajo previo, pero no liberarse de los límites conceptuales de las topologías heredadas.

El equipo quería algo distinto. Su objetivo era que un algoritmo definiera desde cero la arquitectura, la topología, los parámetros de dispositivos y hasta las propiedades de las interfaces electromagnéticas entre bloques.

Esa estrategia se parece al principio detrás de AlphaGo Zero. En vez de aprender a partir de jugadas humanas, el sistema explora reglas, prueba estrategias, evalúa resultados y genera sus propias soluciones.

En el caso de los RFICs, eso significa recorrer una enorme cantidad de combinaciones candidatas. El sistema va construyendo un mapa de compensaciones entre rendimiento, estructura del circuito y comportamiento electromagnético.

La primera fase del proceso usa aprendizaje por refuerzo. Ese marco busca la arquitectura óptima del sistema, la topología del circuito y parámetros relevantes del diseño.

El entrenamiento, según la fuente, toma de algunos días a una semana. Una vez completado, el agente puede producir diseños de circuitos con rapidez mucho mayor que la de un ingeniero trabajando con flujos clásicos.

La segunda fase aborda la “plomería” del chip. Se trata de determinar la estructura física de las redes electromagnéticas que deben producir ciertos parámetros de dispersión, una métrica clave para saber cómo viaja o se refleja la señal.

Ese problema se formuló como diseño inverso. En vez de partir de una geometría y medir qué hace, el sistema parte del comportamiento deseado y busca una estructura que lo haga físicamente posible.

El salto del simulador tradicional al emulador basado en IA

Uno de los obstáculos más pesados del diseño RF es la simulación electromagnética. Resolver con precisión el comportamiento de una estructura puede tardar minutos, horas o incluso más, según la complejidad del problema.

Para recortar ese costo, el grupo reemplazó parte del flujo por un emulador basado en inteligencia artificial. El modelo puede predecir cómo se comportarán campos electromagnéticos en estructuras bidimensionales arbitrarias sin resolver toda la física desde cero.

La arquitectura elegida fue una red neuronal convolucional. Esa familia de modelos se ha usado ampliamente en visión por computadora, y aquí resultó útil porque las geometrías de un chip pueden tratarse como imágenes con rasgos espaciales significativos.

El sistema fue entrenado con un gran número de estructuras pixeladas aleatorias etiquetadas con sus parámetros de dispersión. Tras ese entrenamiento, el emulador podía estimar respuestas electromagnéticas en milisegundos.

Ese recorte temporal es decisivo. Tareas que antes exigían el uso repetido de solucionadores electromagnéticos costosos pasan a resolverse con suficiente velocidad como para integrarse en un ciclo de diseño de extremo a extremo.

Con el marco de aprendizaje por refuerzo y el emulador de IA funcionando juntos, el equipo tuvo lo que describe como un diseñador de IA completo. La siguiente prueba fue pedirle que produjera un amplificador de potencia real.

En 2023, el grupo publicó una demostración enfocada en un amplificador de potencia para banda milimétrica. El rango objetivo abarcaba de 30 a 100 GHz, cubriendo muchas de las frecuencias relevantes para 5G y radar.

Según el reporte, el diseño final alcanzó la mejor combinación publicada de ancho de banda, potencia de salida y eficiencia para un amplificador de potencia basado en silicio. Esa combinación también mantuvo una eficiencia récord.

La geometría obtenida no se parecía a la que un humano suele dibujar. En lugar de simetrías regulares y patrones clásicos, la estructura recordaba un patrón arbitrario o incluso un código QR.

Ese detalle es más que anecdótico. Sugiere que las plantillas históricas del diseño RF pueden no estar cerca del óptimo para las metas actuales, incluso si durante décadas fueron consideradas la base casi obligatoria del oficio.

Diseños extraños, chips multipuerto y estructuras más interpretables

Después del primer amplificador, el equipo quiso probar si el método podía escalar a casos más difíciles. Un problema claro eran los circuitos con múltiples puertos de entrada y salida, donde las interacciones electromagnéticas crecen rápido.

La fuente resume la explosión de complejidad con un ejemplo simple. Dos puertos implican cuatro parámetros de dispersión, mientras que cuatro puertos implican 16 parámetros.

En 2024, los investigadores publicaron otro trabajo mostrando que esos circuitos multipuerto también podían ser manejados por sus algoritmos. Lo que antes podía exigir días o semanas de simulación electromagnética pasó a resolverse en minutos.

Desde entonces, otros grupos de investigación también han mostrado avances en diseño inverso para RFIC. El área parece estar entrando en una fase de expansión, más allá de una sola demostración académica.

El equipo asegura haber demostrado el flujo desde especificaciones hasta un diseño listo para fabricación. Eso incluiría circuitos que van desde amplificadores de bajo ruido hasta amplificadores de potencia de banda ancha y subterahercios.

Sin embargo, un problema persistía. Aunque la IA podía producir estructuras eficaces, esas formas no siempre eran cómodas para los ingenieros encargados de probar, depurar y comprender un chip real.

La interpretabilidad importa en hardware. Si surge un fallo durante la validación, tener una estructura legible puede acelerar el diagnóstico y evitar ciclos costosos de rediseño.

Para responder a eso, el grupo recurrió a modelos de difusión, conocidos por generar imágenes realistas a partir de indicaciones. Aquí, en lugar de texto, la entrada son parámetros de dispersión y la salida es una estructura electromagnética.

El sistema incorpora una especie de dial que controla la frecuencia espacial del diseño final. Con valores bajos, aparecen estructuras clásicas e interpretables; con niveles medios, formas laberínticas; con niveles altos, patrones pixelados o arbitrarios.

De acuerdo con el artículo, el proceso completo tomó alrededor de seis minutos. El resultado es una herramienta que no solo descubre nuevas arquitecturas, sino que también puede acelerar la creación de diseños más convencionales cuando el usuario lo necesite.

Lo que falta para que la IA rediseñe el hardware inalámbrico

El avance no significa que la supervisión humana ya sea prescindible. El propio artículo subraya que la IA todavía puede imaginar diseños defectuosos que no funcionen al fabricarse o al someterse a validación rigurosa.

Por eso, los métodos de verificación siguen siendo una frontera crítica. Incluso si las alucinaciones son raras, reducirlas todavía más es una condición importante para convertir estas herramientas en infraestructura industrial confiable.

La otra gran barrera es el acceso a datos. El texto compara la situación con lo que ocurrió en visión por computadora antes de ImageNet, cuando los modelos no generalizaban bien porque entrenaban con conjuntos demasiado pequeños.

En RFIC ocurre algo parecido, aunque con una paradoja evidente. Los datos existen en abundancia, porque ingenieros de empresas y laboratorios simulan circuitos y pasivos similares todos los días.

El problema es que buena parte de ese conocimiento queda encerrado tras acuerdos de confidencialidad. Sin ecosistemas abiertos, la posibilidad de entrenar un modelo fundamental universal para comportamiento electromagnético y de circuitos sigue limitada.

La fuente menciona un intento institucional para empujar ese cambio. Natcast, operador del programa de I+D vinculado a la Ley CHIPS y Ciencia de Estados Unidos, buscaba fortalecer infraestructura compartida e innovación en tecnologías inalámbricas, sensores y defensa.

No obstante, tanto la organización como el programa específico enfocado en aprendizaje automático y RFIC fueron cerrados. Eso dejó el impulso abierto, pero sin una estructura tan clara para sostenerlo en el corto plazo.

Aun así, el interés no desapareció. El trabajo inicial de Princeton ya motivó desarrollos paralelos dentro de la comunidad de investigación, lo que sugiere que la dirección tecnológica seguirá madurando por distintas vías.

Más allá del nicho RF, el tema conecta con una tendencia mayor. La IA está reformulando el diseño y la optimización de sistemas complejos en biología, ciencia de materiales, industria automotriz y sector aeroespacial.

Si esa convergencia entre expertos en inteligencia artificial y diseñadores de chips logra consolidarse, el impacto podría extenderse mucho más allá del 5G. La promesa es una nueva generación de hardware que no solo sea más rápida de crear, sino también distinta a todo lo que la ingeniería humana había imaginado hasta ahora.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín