AI Mempelajari Seni Gelap Desain Chip RF untuk Masa Depan 5G dan 6G

Desain radio-frequency integrated circuit (RFIC) selama ini dianggap sebagai seni gelap yang hanya dikuasai oleh sedikit engineer berpengalaman. Tidak seperti desain CPU atau GPU yang sudah terstandarisasi, RFIC memerlukan pemahaman mendalam tentang elektromagnetik, termodinamika, dan mekanika dalam satu chip yang sangat kecil. Sebuah tim peneliti di Princeton, dipimpin oleh profesor Kaushik Sengupta, telah menunjukkan bahwa artificial intelligence bisa dipelajari untuk menguasai seni gelap ini. Artikel dari IEEE Spectrum menguraikan bagaimana machine learning merevolusi desain chip RF.

Kemajuan ini bukan sekadar akademis. Tanpa RFIC, teknologi wireless modern tidak akan ada: tidak ada 5G, tidak ada AirTag, tidak ada streaming musik, dan tidak ada autonomous vehicle. RFIC adalah komponen tak terlihat yang memungkinkan semua perangkat kita untuk mengirim dan menerima informasi secara nirkabel. Evolusi teknologi ini akan sangat bergantung pada kemampuan kita untuk mendesain RF chip yang lebih canggih, lebih efisien, dan lebih cepat.

Mengapa RFIC Design Sangat Sulit

Desain RFIC adalah latihan engineering lintas domain. Persamaan Maxwell yang beroperasi pada skala spasial dan temporal berbeda mengatur bagaimana medan elektromagnetik berinteraksi dengan perangkat aktif dan pasif yang harus didesain bersamaan. Di samping itu ada hukum termodinamika yang menentukan bagaimana panas dihasilkan dan dibuang, serta mekanika thermal expansion yang mempengaruhi reliability chip dan packaging-nya.

Secara bersamaan memperhitungkan semua constraint fisika ini membuat design space hampir mustahil besar. Setiap keputusan melibatkan prioritas kompleks yang sering saling bersaing, mencegah optimasi dari salah satu saja. Inilah sebabnya desain RFIC tradisional memakan waktu bertahun-tahun dan biaya puluhan hingga ratusan juta dolar.

Bayangkan seorang engineer yang ditugaskan mendesain power amplifier 28 GHz untuk handset 5G millimeter-wave. Langkah pertama adalah mengidentifikasi template circuit yang memenuhi goals arsitektur dengan topologi tertentu. Namun template tidak bisa digunakan begitu saja karena masing-masing membawa trade-off: beberapa memiliki gain lebih baik dengan pengorbanan stabilitas, beberapa bandwidth lebih baik dengan pengorbanan efisiensi, dan lainnya lebih energy efficient dengan pengorbanan output power. Sangat jarang ada pilihan yang jelas terbaik.

AI Menggunakan Reinforcement Learning dan Inverse Design

Tim Princeton menggunakan reinforcement learning dan inverse design untuk membuat RFIC dari nol secara cepat. Alih-alih mengikuti template manusia, AI bebas mengeksplorasi design space tanpa constraint template yang sudah ada. Pendekatan inverse design memungkinkan AI untuk memulai dari spesifikasi performa yang diinginkan dan bekerja mundur untuk menemukan physical structure yang memenuhi spesifikasi tersebut.

Hasilnya mengejutkan: beberapa chip yang dihasilkan AI terlihat lebih seperti karya seni modern daripada layout circuit konvensional. Bentuknya tidak simetris, tidak mengikuti pola manusia, dan terkadang sangat wild. Namun prototype fisiknya dalam banyak kasus mengalahkan state-of-the-art circuits dalam hal performa. Chip-chip ini terlihat seperti alien technology dibandingkan dengan desain manusia yang rapi dan simetris.

Pencapaian sesungguhnya bukan hanya performa, melainkan waktu: AI membutuhkan waktu orders of magnitude lebih sedikit untuk membuat desain yang berfungsi dibandingkan designer manusia. Proses yang biasanya memakan bulan atau tahun kini bisa diselesaikan dalam hitungan hari atau minggu. Percepatan ini bisa menjadi game-changer untuk industri yang selama ini dibatasi oleh kecepatan desain manual.

Diffusion Models untuk RF Layout

Selain reinforcement learning, diffusion models juga digunakan untuk menghasilkan RF layout yang novel atau bahkan human-interpretable. Model ini bisa menghasilkan desain yang mencapai record performance sambil secara drastis mengurangi waktu desain. Diffusion models bekerja dengan memulai dari noise dan secara bertahap memperhalusnya menjadi layout yang valid dan efisien.

Beberapa chip yang dihasilkan menggunakan metode ini mencakup broadband power amplifier, low-noise amplifier, dan circuit untuk aplikasi 5G, satellite communication, dan automotive radar. Setiap desain menunjukkan bahwa AI mampu menemukan solusi yang tidak terpikirkan oleh engineer manusia karena AI tidak terikat oleh intuisi dan convention yang selama ini membatasi pemikiran manusia.

Tantangan Impedance Matching

Salah satu tantangan paling kompleks dalam RFIC adalah impedance matching. Ketika gelombang elektromagnetik bertemu dengan transistor atau komponen lainnya, jalannya harus properly matched dengan apa yang datang berikutnya. Jika tidak, sebagian energi terpantul ke belakang daripada mengalir ke depan. Pada frekuensi microwave dan millimeter-wave, kesalahan sekecil apa pun bisa menjadi perbedaan antara chip yang bekerja dan chip yang gagal.

Bayangkan mencoba menghubungkan selang pemadam kebakaran bertekanan tinggi langsung ke selang taman yang sempit. Tanpa adapter yang tepat, air akan menyembur ke belakang di junction. Sangat sedikit yang melewati. Di elektronika, ini disebut impedance-matching problem. Untuk mencegah refleksi tersebut, engineer mendesain transition khusus yang pada chip bisa sangat intricate. Adapter mikroskopis ini tidak hanya meneruskan sinyal; mereka juga bisa membelah, menggabungkan, atau mendistribusikan sinyal pada multiple paths dengan timing dan strength yang terkontrol dengan cermat.

Masa Depan RFIC Design

AI-enabled design bisa menjadi masa depan dari semua desain RF, dan mungkin lebih dari itu. Tetapi untuk kemajuan lebih lanjut, diperlukan dataset chip design yang besar dan terbuka, serta ekosistem open sehingga AI bisa mempelajari perilaku elektromagnetik dan circuit yang universal. Saat ini, keterbatasan data adalah salah satu hambatan utama karena desain chip adalah intellectual property yang sangat dijaga.

Saingan manusia-AI di bidang ini bukan tentang menggantikan engineer, melainkan memperluas apa yang mungkin dilakukan. AI menangani eksplorasi design space yang luas dan iteration yang membosankan, sementara engineer manusia fokus pada specification, verification, dan integrasi sistem. Kolaborasi ini bisa mempercepat inovasi dalam teknologi wireless secara signifikan.

Kesimpulan

Penelitian dari Princeton yang dilaporkan oleh IEEE Spectrum menunjukkan bahwa AI tidak hanya bisa dipelajari untuk desain RFIC, tetapi juga bisa mengungguli pendekatan manual dalam hal performa dan kecepatan. Ini membuka jalan untuk evolusi teknologi wireless berikutnya: 6G, quantum communication, dan autonomous vehicles yang semuanya bergantung pada RF chip yang lebih canggih.

Bagi engineer Indonesia yang tertarik dengan chip design dan AI, ini adalah bidang yang patut diperhatikan. Artikel lengkap tersedia di IEEE Spectrum.