论文标题：End-to-End AI-Enabled mmWave Amplifier Design Combining Reinforcement Learning and Inverse Design 研究团队：Princeton University (Kaushik Sengupta 团队等) 核心思想：打破传统射频芯片设计的“人工迭代”瓶颈，利用强化学习（RL）探索电路架构与拓扑，结合扩散模型（Diffusion Model）进行无模板的电磁结构逆向生成，实现从指标到版图（Spec-to-Layout）的端到端自动化设计。

1. 传统 RFIC 设计的痛点

在射频集成电路（RFIC）领域，尤其是毫米波（mmWave）频段，架构选择、电路拓扑和电磁（EM）无源结构这三者是高度耦合的。传统设计流程严重依赖专家的物理直觉，需要人工在仿真器里反复迭代优化。这种“自底向上”的方法不仅耗时（通常需要数月），而且极易陷入局部最优，很大程度上受限于人类已有的经验模板。

2. 核心方法：RL + 逆向设计

作者提出了一套统一的 AI 框架，将设计过程转化为马尔可夫决策过程（MDP）：

  • 大脑（强化学习 Agent）：RL 代理负责探索“架构”和“拓扑”。它可以决定放大器的级数、每一级采用共射（CE）、共基（CB）、堆叠（Stacked）还是级联（Cascode）结构，以及调整器件尺寸和偏置。它甚至能直接输出对无源网络阻抗（S参数）的目标需求。
  • 双手（逆向电磁引擎）：当 RL 确定了阻抗目标后，基于扩散模型（Diffusion Model）的生成式 AI 引擎会直接“画”出满足该 S 参数的无源结构（如匹配网络、功分器）。最惊艳的是，这个引擎是**无模板（Template-Free）**的，它可以生成完全反直觉的像素化（Pixelated）几何图形，且支持设计者控制生成“传统传输线”或“迷宫状”的结构。

3. 框架的亮点与成果

  • 可解释性：生成式 AI 的“黑盒”问题得到了缓解，因为设计者可以通过调节空间频率（Spatial Frequency）来控制生成结构的风格。
  • 性能突破：在 90nm SiGe BiCMOS 工艺上，AI 设计的 34-70 GHz PA 和 24-90 GHz 重构 LNA 均达到了当前最先进的水平（SOTA）。
  • 效率飞跃：过去需要数月的迭代，现在训练好模型后，单次设计合成只需要几分钟。

4. 个人思考

这篇论文展示了 EDA 领域的未来图景：AI 不再仅仅是做参数微调（Parameter Tuning），而是真正介入了架构和物理结构的创新。 尤其是“让 RL 评估无源器件的真实损耗”这一点非常巧妙，传统方法往往假设匹配网络是理想的，而该框架通过预计算损耗表，让 RL 在训练时就“感知”到了电磁物理规律，从而避免了理论指标好看但实际流片失败的悲剧。

注：本文仅为个人文献阅读梳理，学术版权归原作者及 IEEE 所有。