Projektowanie na żądanie: jak AI tworzy układy mikrofalowe dla misji specjalnych

Kiedy siły powietrzne potrzebują nowego radaru dla drona, który ma wejść do służby za 18 miesięcy, standardowa ścieżka zamówienia dedykowanego układu scalonego zawodzi. Cykl projektowania front-endu RF w wyspecjalizowanym biurze to często dwa lata i kilka milionów dolarów. Agent AI, który samodzielnie operuje narzędziami inżynierskimi, skraca ten proces do tygodni i daje zespołom wojskowym coś cenniejszego niż czas: pełną kontrolę nad własnością intelektualną.

Od 'text-to-ASIC' do 'mission-to-ASIC'

Framework TACS-RF, opisany przez inżynierów z Washington University in St. Louis, to agent oparty na dużym modelu językowym (Claude Opus 4.8), który bezpośrednio steruje komercyjnymi narzędziami EDA: Cadence Virtuoso, Spectre, Calibre, EMX i Ansys HFSS. Mówiąc prościej: dostaje specyfikację w języku naturalnym, a następnie generuje schematy, przeprowadza symulacje, optymalizuje parametry i weryfikuje poprawność projektu. Człowiek nadzoruje, ale nie wykonuje żmudnej pracy na poziomie netlist i layoutu.

W ramach walidacji agent półautonomicznie zaprojektował kompletny nadajnik sub-THz pracujący w paśmie 240-251 GHz w technologii 90 nm SiGe BiCMOS. Układ zawiera oscylator VCO 60 GHz z ekstrakcją drugiej harmonicznej, wielostopniowe różnicowe wzmacniacze mocy, powielacz częstotliwości, antenę bowtie i wszystkie sieci dopasowujące. Osiągnięto moc wyjściową od +5,1 do +6,3 dBm przy szumie fazowym -80 do -88 dBc/Hz i poborze mocy 361 mW. To nie jest symulacja akademicka: to działający nadajnik, który można by wysłać do odlewni.

Scenariusz: radar meteorologiczny dla drona w paśmie 94 GHz

Wyobraźmy sobie konkretną misję. Integrator systemów bezzałogowych dostaje zlecenie od agencji obronnej: w ciągu roku ma dostarczyć flotę dronów rozpoznawczych z radarem meteorologicznym pracującym w paśmie 94 GHz. To niszowe pasmo, słabo obsłużone przez katalogowe układy scalone. Standardowa odpowiedź od dużego dostawcy IP to: 'możemy to zrobić, ale NRE wyniesie 2,5 miliona dolarów, a pierwsze prototypy dostarczymy za 20 miesięcy'. Zespół wojskowy nie ma ani budżetu, ani czasu.

Z TACS-RF wygląda to inaczej. Inżynier definiuje specyfikację: moc wyjściowa minimum +3 dBm w całym paśmie 94-95 GHz, szum fazowy poniżej -85 dBc/Hz przy przesunięciu 1 MHz, całkowity pobór mocy poniżej 500 mW, masa układu poniżej 5 gramów, odporność na dawkę promieniowania 100 krad. Agent otrzymuje te wymagania jako tekst i zaczyna pracę: dobiera architekturę, generuje schematy bloków, uruchamia symulacje Spectre dla każdego stopnia, optymalizuje sieci dopasowujące, a na koniec przeprowadza weryfikację elektromagnetyczną zintegrowanej anteny patch w Ansys HFSS. Po trzech tygodniach i kilku iteracjach nadzorowanych przez inżyniera zespół ma gotową netlistę i layout do wysłania do odlewni. Koszt: czas pracy dwóch inżynierów i opłata za dostęp do narzędzi EDA. Żadnych opłat licencyjnych za cudze IP. Pełna własność projektu.

CubeSaty i walka elektroniczna: tam gdzie każdy gram ma znaczenie

W miniaturowych satelitach typu CubeSat przestrzeń jest krytyczna. Zintegrowanie anteny z układem scalonym na tym samym kawałku krzemu eliminuje potrzebę osobnych modułów antenowych i stratnych połączeń. Agent TACS-RF, projektując cały łańcuch nadawczo-odbiorczy razem z anteną bowtie lub patch, daje projektantowi pewność, że impedancja anteny jest dopasowana do wzmacniacza mocy nie na papierze, ale w zweryfikowanym elektromagnetycznie układzie. Dla CubeSata oznacza to oszczędność masy rzędu 20-30 gramów na każdym torze RF. Przy satelicie ważącym 1,33 kg (standard 1U) to znacząca różnica.

W systemach walki elektronicznej scenariusz jest podobny, ale stawka wyższa. Potrzebny jest front-end pracujący w konkretnym, często nieoczywistym paśmie, zoptymalizowany pod kątem niskiej wykrywalności i odporności na zakłócenia. Zlecanie tego na zewnątrz to ryzyko wycieku specyfikacji i utraty kontroli nad IP. Z agentem AI zespół wojskowy projektuje układ we własnym zakresie, w bezpiecznym środowisku, a do odlewni wysyła tylko finalny layout. Nikt po drodze nie widzi pełnej specyfikacji systemu.

Co to znaczy dla budżetu i harmonogramu

Trudno o precyzyjne liczby, bo każde wdrożenie jest inne, ale z rozmów z inżynierami z branży obronnej wynika kilka szacunków. Projekt dedykowanego front-endu RF w paśmie milimetrowym przez zewnętrzne biuro projektowe to wydatek rzędu 1,5-3 milionów dolarów i 18-24 miesiące pracy. Ten sam projekt wykonany wewnętrznie z użyciem agenta TACS-RF może zamknąć się w 4-8 tygodniach i kosztować głównie czas własnych inżynierów, czyli ułamek tej kwoty. Dochodzi do tego brak opłat licencyjnych za IP, które w dłuższej perspektywie potrafią być większe niż sam koszt projektu.

Jest też czynnik trudny do przeliczenia na pieniądze: elastyczność. Kiedy w połowie projektu zmieniają się wymagania operacyjne, bo przeciwnik zaczął używać nowego pasma, zespół z agentem AI może w ciągu kilku dni wygenerować nową wersję układu. Przy outsourcingu oznaczałoby to aneks do umowy, renegocjację harmonogramu i dodatkowe koszty.

  • Skrócenie cyklu projektowego z 18-24 miesięcy do 4-8 tygodni
  • Eliminacja opłat licencyjnych za zewnętrzne IP: pełna własność projektu
  • Możliwość szybkiej iteracji przy zmianie wymagań operacyjnych

Informacje o artykule

Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.

Paper: TACS-RF: Tool-driven Agentic Circuit Synthesis of RF and mmWave Modules

Autorzy: Tristan Liang, Aravind Nagulu

We present the framework of TACS-RF - a Tool-driven Agentic Circuit Synthesis of RF and mmWave modules. In this framework, a large-language-model (LLM) coding agent (Claude Opus 4.8) directly drives industry-standard electronic-design-automation (EDA) tools such as Cadence Virtuoso/Spectre, Calib...

arXiv: arxiv.org/abs/2610.31882

Czytaj więcej o tej technologii: Agent AI zaprojektował nadajnik radiowy. Działa

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.

Dawid Grabanowski

Dawid Grabanowski, założyciel MTZN. Projektuje i wdraża rozwiązania AI dla firm: agenty SI, uczenie maszynowe, automatyzacje procesów i aplikacje dedykowane. Specjalizuje się w architekturze serverless i optymalizacji kosztów wdrożeń. https://test.promptea.ai