AI Mempelajari “Ilmu Hitam” Desain RFIC

• RFIC adalah fondasi teknologi nirkabel seperti 5G, radar otomotif, dan komunikasi satelit, tetapi tetap menjadi tantangan yang sangat bergantung pada pekerjaan manual karena harus menyelaraskan elektromagnetik, termal, dan keandalan packaging sekaligus
• Para peneliti Princeton tidak memulai dari template desain manusia, melainkan menggabungkan reinforcement learning dan inverse design untuk mengeksplorasi arsitektur, topologi sirkuit, parameter komponen, dan antarmuka elektromagnetik dari nol
• Emulator berbasis AI memprediksi parameter hamburan untuk struktur elektromagnetik 2D arbitrer dalam hitungan milidetik, sehingga sangat mengurangi iterasi solver elektromagnetik konvensional yang biasanya memakan waktu menit hingga jam
• Pada 2023, dalam power amplifier gelombang milimeter 30–100GHz, sistem ini menghasilkan kombinasi bandwidth, output, dan efisiensi terbaik saat itu di antara power amplifier berbasis silikon, dan pada 2024 juga menghasilkan struktur IC multiport dalam hitungan menit
• AI juga dapat membuat sirkuit yang tidak berfungsi, sehingga verifikasi tetap membutuhkan pengawasan manusia; untuk menuju model serbaguna, diperlukan ekosistem terbuka untuk berbagi data desain RFIC dan analog yang selama ini terikat NDA

---

Mengapa Desain RFIC Tetap Dianggap “Ilmu Hitam”

• RFIC adalah sirkuit inti yang memungkinkan perangkat mengirim dan menerima informasi secara nirkabel, dan kemajuan mobil otonom, komunikasi kuantum, 6G, serta komunikasi satelit juga bergantung pada chip RF yang lebih maju
• Desain CPU atau GPU sudah semakin mendekati sains yang terstandar, tetapi desain RF masih sangat bercorak keahlian berbasis pekerjaan manual yang dipelajari lewat pengalaman panjang
• Desain RFIC menangani beberapa ranah fisika secara bersamaan
  • Persamaan Maxwell mengatur cara medan elektromagnetik berinteraksi dengan komponen aktif dan pasif
  • Termodinamika menentukan bagaimana panas dihasilkan dan dibuang selama operasi
  • Ekspansi dan kontraksi termal terkait dengan apakah chip dan package dapat bertahan stabil saat suhu berubah
• Karena semua batasan fisika harus dipertimbangkan sekaligus, ruang desain menjadi sangat besar, dan sering muncul trade-off: meningkatkan satu metrik kinerja dapat memperburuk metrik lain

Alur Desain RFIC Tradisional dan Bottleneck-nya

• Untuk merancang power amplifier 28GHz bagi handset 5G gelombang milimeter, arsitektur dan topologi sirkuit harus ditentukan terlebih dahulu
• Arsitektur RFIC menentukan komponen yang dibutuhkan dan jalur sinyal, seperti cetak biru rumah
  • Pada power amplifier, jumlah tahap penguatan menjadi faktor penting
  • Sebagian besar area RFIC diisi oleh komponen pasif dan struktur elektromagnetik seperti induktor dan transmission line, bukan transistor
• Sinyal 5G beroperasi pada 28GHz dan 39GHz, komunikasi satelit pada 26,5–40GHz atau lebih, dan radar otomotif pada 77GHz; RFIC mengelola energi sinyal pada frekuensi tinggi ini dengan struktur elektromagnetik yang presisi
• Jika jalur sinyal tidak cocok dengan komponen berikutnya, terjadi masalah impedance matching, yaitu energi tidak mengalir maju tetapi dipantulkan kembali
  • Engineer merancang struktur transisi mikro di antara komponen untuk mengurangi pantulan
  • Struktur ini dapat digunakan bukan hanya untuk transmisi sinyal, tetapi juga untuk pembagian, penggabungan, dan distribusi multi-jalur
• Jika spesifikasi tidak terpenuhi, topologi atau arsitektur harus diperbaiki lagi dan simulasi diulang; desain chip baru dapat memakan waktu bertahun-tahun dan biaya puluhan juta hingga ratusan juta dolar

Pendekatan Desain AI yang Keluar dari Template

• Riset sebelumnya memanfaatkan machine learning untuk optimasi template sirkuit, tetapi masih bergantung pada pustaka desain yang sudah ada buatan manusia
• Tujuan para peneliti Princeton adalah membuat algoritme menentukan semua parameter arsitektur, sirkuit penyusun, dan struktur pasif elektromagnetik dari awal, tanpa topologi yang sudah dibuat sebelumnya
• Pendekatan ini berbeda titik awalnya dari optimasi konvensional
  • Pendekatan konvensional menyesuaikan parameter seperti ukuran transistor atau bentuk komponen pasif pada struktur buatan manusia
  • Pendekatan baru membuat kombinasi kandidat sirkuit dari titik awal yang hampir kosong, memetakan trade-off kinerja, dan mengeksplorasi ruang desain
• Seperti AlphaGo Zero, pendekatan ini mengembangkan strategi desain melalui eksplorasi dan evaluasi sendiri, bukan mengikuti contoh manusia
• Algoritme mempelajari sirkuit, elektromagnetik, dan co-design di antara keduanya dengan target desain RFIC end-to-end

Menggabungkan Reinforcement Learning dan Inverse Design

• Tahap pertama adalah framework reinforcement learning, yang menentukan arsitektur sistem, topologi sirkuit, parameter komponen, dan karakteristik antarmuka elektromagnetik yang optimal
• Agen reinforcement learning mencoba berbagai kombinasi seperti komputer yang belajar bermain game, mengamati hubungan antara tindakan dan skor, lalu mencari sirkuit yang lebih baik
  • Proses belajar memakan waktu beberapa hari hingga satu minggu
  • Setelah proses belajar selesai, sirkuit dapat dirancang dengan sangat cepat
• Tahap kedua adalah inverse design, yaitu mencari struktur elektromagnetik fisik yang menghasilkan parameter hamburan yang diinginkan
  • Parameter hamburan mengukur apakah sinyal bergerak maju atau dipantulkan balik saat masuk ke suatu komponen
  • Ini mirip dengan cara dalam teknik struktur mencari lengkungan atau struktur penopang untuk membuat ruang target
• Inverse design RFIC sulit diselesaikan hanya dengan eksplorasi manual berulang, karena harus menyelaraskan operasi sirkuit serta respons elektromagnetik interconnect dan komponen pasif sekaligus

Iterasi Desain Elektromagnetik yang Dipangkas oleh Emulator AI

• Para peneliti mengganti simulator sirkuit RF dengan emulator berbasis AI
• Model ini menerima struktur 2D arbitrer sebagai input dan memprediksi parameter hamburan tanpa menghitung langsung persamaan Maxwell
  • Pekerjaan yang pada solver elektromagnetik konvensional membutuhkan menit hingga jam dipangkas menjadi hitungan milidetik
• Emulator dibangun berbasis convolutional neural network yang kuat dalam pemrosesan gambar
  • Gambar struktur berisi informasi spasial yang dapat digunakan untuk memprediksi kinerja elektromagnetik
  • Para peneliti melatih model dengan banyak struktur piksel acak yang diberi label parameter hamburan
• Dengan menggabungkan inverse design berbasis reinforcement learning dan emulator AI, mereka membangun AI designer end-to-end dan menerapkannya pada desain power amplifier

Hasil Arsitektur RF yang Berbeda dari Manusia

• Proof of concept yang dipublikasikan pada 2023 menargetkan power amplifier pita gelombang milimeter 30–100GHz
  • Rentang ini mencakup sebagian besar frekuensi 5G dan radar terkait
  • Desain akhirnya saat itu memiliki kombinasi wide bandwidth, output power, dan efficiency terbaik di antara power amplifier berbasis silikon, sambil mempertahankan record efficiency
• Jalur elektromagnetik yang dihasilkan tampak seperti pola arbitrer atau kode QR, berbeda dari struktur reguler dan simetris yang biasanya dipertimbangkan manusia
• Hasil ini menunjukkan bahwa template yang digunakan secara historis tidak dijamin mendekati optimal untuk target desain modern
• Setelah itu, para peneliti memperluas model ke struktur dengan banyak port input-output
  • Dua port memiliki 4 parameter hamburan, sementara 4 port memiliki 16, sehingga kompleksitas meningkat cepat
  • Dalam riset multiport integrated circuits pada 2024, mereka menunjukkan bahwa algoritme AI juga dapat menangani struktur multiport
  • Sebelumnya, simulasi elektromagnetik multiport membutuhkan berhari-hari atau berminggu-minggu, tetapi model ini mengembangkan struktur baru dalam hitungan menit
• Mereka menunjukkan alur yang menggabungkan framework reinforcement learning dan inverse design untuk menghasilkan dari spesifikasi hingga fabrication-ready layout, dan menerapkannya pada low-noise amplifier, subterahertz, serta power amplifiers broadband

Desain AI yang Dapat Diinterpretasikan

• Pengujian dan debugging RFIC dapat memakan waktu selama proses desain atau bahkan lebih sulit, sehingga engineer lebih menyukai struktur yang dapat diinterpretasikan agar dapat memahami dan memperbaiki masalah saat muncul
• Para peneliti menerapkan diffusion models yang digunakan dalam AI pembuat gambar untuk menghasilkan struktur RFIC
• Alih-alih prompt teks, mereka menggunakan parameter hamburan sebagai input, dan menghasilkan struktur elektromagnetik RFIC sebagai output
• Dengan menyertakan dial frekuensi spasial pada input, desainer dapat mengatur bentuk struktur hasil
  • Frekuensi spasial rendah: bentuk klasik dan dapat diinterpretasikan
  • Frekuensi spasial menengah: struktur seperti labirin
  • Frekuensi spasial tinggi: struktur berpiksel atau mendekati bentuk arbitrer
• Seluruh proses dari prompt hingga output memakan waktu sekitar 6 menit, dan selama parameter hamburan dapat direalisasikan secara fisik di bawah persamaan Maxwell, sistem dapat menghasilkan struktur yang sesuai

Batasan yang Tersisa dan Tantangan Data

• Pendekatan desain berbasis AI telah menarik perhatian komunitas RF dan mulai membalik alur desain bottom-up tradisional
• Masih ada pertanyaan yang belum terjawab
  • Seberapa jauh metode ini dapat digeneralisasi
  • Apakah dapat menghasilkan kinerja tinggi secara konsisten
  • Apakah semua trade-off yang mungkin dapat dioptimalkan secara menyeluruh
  • Apakah dapat menciptakan sirkuit lain di luar RFIC yang belum pernah dibuat manusia
• AI dapat melakukan hallucination dengan menghasilkan sirkuit buruk yang tidak berfungsi, sehingga verifikasi tetap membutuhkan pengawasan manusia
• Untuk membuat foundational model serbaguna, diperlukan data berskala besar agar model dapat mempelajari hukum yang mengatur elektromagnetik dan operasi sirkuit
  • ImageNet adalah contoh yang memungkinkan generalisasi model pengenalan gambar melalui 14 juta gambar yang beragam dan berlabel manusia
  • Desain RFIC dan analog juga membutuhkan data dengan skala dan keragaman serupa
• Banyak data ada dalam simulasi perusahaan dan laboratorium riset di seluruh dunia, tetapi sebagian besar terkunci di balik NDA
• Natcast menjalankan program R&D U.S. CHIPS and Science Act dan sebenarnya dapat memperkuat infrastruktur bersama serta inovasi untuk teknologi nirkabel, sensing, dan pertahanan generasi berikutnya, tetapi organisasi tersebut dan program terkait machine learning dan RFIC telah dihentikan
• Jika bidang RFIC memperluas kolaborasi antara peneliti AI dan desainer chip serta membangun ekosistem terbuka, potensi desain IC berbasis AI dapat dimanfaatkan lebih besar

[GN⁺]

Opini Hacker News

• Ini mengingatkan pada pencarian algoritma genetika di masa lalu. Pendekatan menebak lalu memverifikasi bisa cukup kuat, terutama jika di tengah proses kita bisa menyisipkan panduan dari agen
  https://en.wikipedia.org/wiki/Evolved_antenna

  • Saya juga hendak mengatakan hal serupa. Saya ingat anekdot tentang membuat osilator dengan jumlah komponen seminimal mungkin menggunakan algoritma genetika; konon akhirnya berhasil hanya dengan satu kawat tunggal dan membuat orang-orang terkejut. Dengan kata lain, itu pada dasarnya adalah antena yang menangkap RF berisik di sekitarnya
  • Ada juga ini: https://en.wikipedia.org/wiki/Evolvable_hardware
    Sebagai titik awal: https://sci-hub.ru/storage/moscow/4324/11d145b2c2c3ab320f70b...

• Saya bertanya-tanya apakah ekspektasi umum bahwa teori yang benar harus entah bagaimana indah dan elegan akan bertahan satu abad lagi. Bagaimana jika fenomena alam nyata sebenarnya paling baik dijelaskan sebagai tumpukan persamaan yang sangat berantakan, yang hanya bisa ditangani dan ditalar oleh mesin? Rasanya cukup menyedihkan

  • Menurut saya frasa “ekspektasi umum” itu agak berlebihan. Kebanyakan orang memahami teori ilmiah sebagai aproksimasi. F=ma pun hanya benar dalam lingkup mekanika Newton, dan setiap sukunya memiliki banyak sekali catatan, sehingga pengukuran nyata selalu hanya berupa aproksimasi
    Lelucon bahwa fisikawan mengasumsikan “sapi bulat sempurna” juga berada dalam konteks ini, dan sebenarnya inti esai “efektivitas matematika yang tidak masuk akal” juga cukup dekat dengan hal ini. Intinya adalah bahwa fakta aproksimasi matematis dapat menjelaskan dunia dengan begitu baik itu sendiri merupakan sesuatu yang secara tidak masuk akal mengejutkan
  • Saya sering memikirkan hal seperti ini saat melihat kedokteran dan tubuh manusia. Kita ingin percaya bahwa tubuh adalah mesin yang secara ajaib terlumasi dengan baik, tetapi kenyataannya sering tampak seperti kantong berantakan yang nyaris bertahan menyatu
  • Belakangan saya juga sering memikirkan ini. Terutama ketika melihat semakin banyak pembuktian yang sulit dipahami tetapi dapat diverifikasi mesin
    Pisau Ockham adalah heuristik yang berguna, tetapi juga membuat kita bias ke arah penjelasan yang lebih sederhana
  • Justru itu rasanya benar-benar keren. Pada level paling rendah, kita sudah tahu bahwa semuanya adalah awan probabilitas. Ada keindahan dan kenyamanan juga dalam kenyataan bahwa tidak ada apa pun yang dapat dipastikan selamanya
  • Menurut saya “ekspektasi umum” melewatkan inti persoalannya. Maksudnya bukan bahwa teori fundamental harus sederhana atau elegan, melainkan lebih dekat pada gagasan bahwa jika harus memilih antara teori yang lebih kompleks dan teori yang lebih sederhana, umumnya teori yang paling sederhana adalah pilihan yang lebih tepat. Persamaan fisika kuantum pun cukup jelek

• Salah satu kegunaan bagus dari desain AI adalah pencemaran paten. Buat banyak desain variasi dengan AI lalu publikasikan di situs web; jika kelak ada paten yang muncul, bagian yang tumpang tindih bisa digunakan untuk membatalkannya atau setidaknya mempersempit cakupannya. Sebab generalisasi paten dibatasi oleh prior art

  • Ini mengingatkan pada respons bergaya performatif yang ditunjukkan pengacara Damien Riehl saat putusan pelanggaran Sam Smith pada 2019/2020. Bersama programmer Noah Rubin, ia mengklaim telah menghasilkan secara algoritmis semua melodi yang mungkin dalam ruang kombinasi tertentu dalam format MIDI, lalu merilisnya dengan lisensi CC-0 [0]
    Setelah itu ia menjelaskan logikanya di sebuah acara TEDx lokal dan mendapat cukup banyak perhatian [1]; seingat saya, para komentator hukum bersikap dingin karena hakim secara rutin membedakan perbedaan yang jauh lebih halus daripada itu. Tetap saja, itu upaya yang menggemaskan
    [0] https://allthemusic.info/
    [1] https://m.youtube.com/watch?v=sJtm0MoOgiU and
    https://www.the-independent.com/tech/music-copyright-algorit...

• Ini agak membuat frustrasi. AI memang bisa melakukan banyak hal, tetapi orang terus mencampuradukkan LLM dengan Monte Carlo, algoritma genetika, sistem pakar, dan berbagai sihir statistik lain dari machine learning tradisional, lalu terlalu agresif menyatukan aktivitas machine learning yang sudah mapan dan secara moral netral dengan kekhawatiran terhadap LLM dan Stable Diffusion
  Dan saya juga berpikir mungkin memang itulah tujuannya

  • Masalahnya adalah ketika orang mengatakan AI bisa melakukan sesuatu, mereka mengisyaratkan seolah-olah LLM dapat melakukan hal itu. Akibatnya, LLM murni tampak seolah-olah bisa melakukan hampir apa saja. Sebaliknya, orang juga mengatakan AI tidak akan pernah bisa melakukan X hanya karena LLM pada dasarnya tidak pandai melakukan sesuatu. Istilah AI sudah menjadi terlalu kabur sehingga kegunaannya berkurang
  • Saya ingin mengayunkan tongkat sihir dan menghapus kata AI itu sendiri. Tidak ada makna nyata. Istilah itu bisa merujuk apa saja, dari karakter lawan di Mario Kart sampai Stable Diffusion
  • “AI” adalah istilah yang dikutuk oleh konotasi fiksi ilmiah yang keren. Karena itu, ia kuat sebagai istilah pemasaran. Banyak orang akrab dengan AI dalam fiksi ilmiah, dan kepercayaan bahwa “suatu media telah meramalkan suatu teknologi” juga cukup tersebar luas, seperti X berupa Star Trek, The Hitchhiker's Guide to the Galaxy, Arthur C. Clarke, dan Y berupa internet, ponsel, VR
    Ketika ingin mengatakan ada kemajuan besar dalam sesuatu, mengaitkannya dengan pemahaman sains populer bahwa fiksi ilmiah meramalkan pencapaian manusia adalah cara yang minim usaha tetapi berdampak besar. Jika prioritas utamanya adalah membuat orang bersemangat, maka tujuannya bukan menyampaikan secara akurat
  • Karena itu saya sedang membiasakan diri menyebut machine learning tradisional sebagai ML dan model bahasa besar sebagai LLM. Saya berusaha sebisa mungkin tidak lagi memakai kata AI. Terlalu ambigu. Bahkan saat membicarakan AI gim, saya mencoba memakai singkatan dari algoritma yang tampaknya digunakan AI itu. Kadang saya menyebutnya flowchart, meski saya tidak yakin bagian dalamnya benar-benar flowchart
  • Seperti halnya bidang-bidang machine learning yang lebih sukses menjauh dari istilah itu selama musim dingin AI, sekarang karena sudah menjadi musim panas AI, kita mungkin akan melihat mereka kembali menerima istilah itu, dan mungkin itu sudah terjadi

• Ungkapan “manusia bahkan tidak bisa membayangkannya” tampaknya berlebihan. Meski begitu, cukup masuk akal bahwa algoritma machine learning bisa, lewat brute-force search, sampai pada desain chip yang belum pernah dicoba siapa pun, dan sebagian di antaranya mungkin berguna bagi kita. Itu hal yang cukup masuk akal untuk dilakukan komputer

  • Omong kosong marketing. Pertama, itu seperti membuktikan sesuatu yang negatif; kita tidak bisa membuktikan bahwa manusia tidak bisa membayangkannya. Kedua, manusia sudah membayangkan cukup banyak hal-hal aneh
  • Seperti layer cake machine learning yang ditaburi remah-remah brute-force search

• Satu hal yang bisa diambil dari artikel ini adalah bahwa untuk menghasilkan kemajuan seperti ini, mereka harus membuang blok bangunan dasar desain chip yang sudah teruji. Aku penasaran apakah hal yang sama berlaku untuk coding biasa. Apakah inovasi mengejutkan dalam AI coding sebenarnya terhalang oleh Rust dan Python? Haruskah kita membiarkan tool AI sekadar menulis kode pada level serendah mungkin?

  • Pertanyaan menarik, tapi implikasinya terhadap portabilitas tampak cukup mengkhawatirkan

• Ini mengingatkanku pada tulisan lama ini: https://www.damninteresting.com/on-the-origin-of-circuits/
  Salah satu permata kecil yang kutemukan di internet

  • Aku juga mau memposting ini. Aku senang melihat orang lain juga menikmatinya, karena saat pertama kali membacanya aku benar-benar terkejut
    Di komentar lain dekat sini ada pembahasan tentang ketangguhan desain yang tumbuh di lab, dan bagian paling menarik dari artikel Damn Interesting itu juga fakta bahwa program yang berevolusi tidak bisa dipisahkan dari satu FPGA fisik yang digunakan untuk pelatihannya. Model pembelajaran RFIC kali ini memakai simulator, jadi aku penasaran apakah karakteristik hardware fisik tempat simulator berjalan cukup terisolasi dari proses pelatihan sehingga desainnya akan berperilaku mirip meski simulator dijalankan di hardware yang berbeda
    Pertanyaan yang lebih jelas adalah apakah desain yang berevolusi di simulator punya harapan untuk bekerja sesuai ekspektasi pada hardware fisik nyata. Untuk yang terakhir itu, firasatku mengatakan tidak, tetapi ini tetap tampak sebagai riset yang menarik, dan aku sering berpikir bahwa benar-benar memahami apa yang terjadi di FPGA mungkin menjadi prasyarat untuk benar-benar menangani reinforcement learning
    Senang kamu memposting tulisan ini, dan kalau kamu punya favorit lain yang terkait bidang ini, aku ingin melihatnya
  • Ini juga contoh spesies yang sudah terlalu terspesialisasi dan teroptimasi hingga tidak lagi bisa beradaptasi. Juga contoh POSIWID

• Pertanyaan terbesar adalah seberapa tangguh desain seperti ini
  Makalahnya memang menunjukkan bahwa pengukuran perangkat nyata cocok dengan prediksi, tetapi aku tidak menemukan bagian di teks yang membahas ini secara eksplisit. Selain itu, beberapa sistem yang ditampilkan mencakup sub-blok yang dirancang secara tradisional, jadi mungkin bagian itulah yang memikul sebagian perannya
  Mungkin aku hanya bersikap sinis karena ini tampak mengincar pekerjaanku, atau mungkin mereka memang ingin kita berpikir begitu
  Menurutku yang benar-benar menang adalah ide sederhana yang tahan terhadap variasi manufaktur dan lingkungan serta keterbatasan model. Hal-hal seperti feedback atau simetri. Namun yang ditampilkan di sini justru hampir kebalikannya. Aku beberapa kali pernah melakukan optimasi buta pada parameter rangkaian, dan pada akhirnya semuanya benar-benar masuk akal setelah aku menyadari ide sederhana yang terlewat seperti “oh, di sini perlu simetri” atau “di sini perlu bandwidth lebih besar”. Jadi aku penasaran apakah dengan mengutak-atik beberapa piksel pada struktur ini, sesuatu yang lebih sederhana akan muncul
  Dan tentu saja wajib menyebut “antena genetik”

  • Inilah bagian yang mengganjal bagiku dalam artikel ini dan beberapa artikel serupa di masa lalu. Tidak ada bukti untuk klaim bahwa AI berguna dalam desain
    Menurut teksnya, peran AI adalah menggantikan simulator elektromagnetik dalam proses optimasi untuk memperkirakan perilaku struktur, dan katanya ini beberapa orde magnitudo lebih cepat daripada simulasi
    Kedengarannya masuk akal, tetapi untuk mempercayainya aku ingin melihat selisih antara estimasi AI dan pengukuran nyata untuk geometri yang sangat berbeda dari yang dipakai melatih AI. Aku juga ingin melihat kecepatan model AI itu dibandingkan secara tepat dengan simulator apa
    Dalam medan elektromagnetik dan rangkaian elektronik, ada berbagai pendekatan simulasi yang menukar akurasi dengan kecepatan. Jadi aku belum yakin inferensi AI pasti memakan waktu jauh lebih sedikit daripada simulasi berakurasi rendah yang lebih cepat. Simulasi semacam itu pun bisa lebih akurat dan lebih dapat dipercaya daripada estimasi AI
  • Aku juga datang untuk menyebut antena genetik
    Karena sudah disebut duluan, aku ingin menambahkan satu hal terkait ucapan “menyadari ide yang cukup sederhana”: menurutku salah satu keunggulan besar desain berbantuan komputer seperti ini adalah “innovization”[1]. Istilahnya agak canggung, tetapi intinya sistem seperti ini bisa menuntun kita pada pemahaman yang lebih dalam tentang proses tertentu. Saat benar-benar mengalaminya, rasanya cukup menyenangkan
    [1]: https://dl.acm.org/doi/10.1145/1143997.1144266
  • Ini cuma artikel sampah yang dilebih-lebihkan

• Metode yang dijelaskan dalam artikel ini bukan hal baru. Para ilmuwan sudah sejak puluhan tahun lalu merancang antena dengan algoritma genetik yang tidak dipahami siapa pun tetapi bekerja dengan baik

• Ini tidak semagis itu. Seperti yang juga dikatakan artikel, desain RFIC lebih mirip ilmu hitam yang jauh melampaui rekayasa RF biasa, sangat bergantung pada pengetahuan dan pengalaman perancang, serta dibantu tool pemodelan dan desain yang beberapa dekade lalu akan setara kelas superkomputer
  Yang bisa dilakukan AI adalah menelusuri semua kemungkinan hasil secara breadth-first lalu memilih yang performanya terbaik. Itu berbeda dari cara manusia berkata “jalur ini terlihat bagus, mari kita gali lebih jauh”

  • Apakah sesuatu harus terasa magis agar menarik atau berguna?