New-Tech Magazine AUG 2026 Digital Edition

? RF מה זה אומר עבור מהנדסי יהפוך Inverse Design מוקדם עדיין לדעת אם בתוך שנים ספורות לכלי עבודה יומיומי. אבל כבר היום אפשר לראות כיצד הוא משנה את השיח . RF סביב תכנון רכיבי במשך שנים השאלה הייתה כיצד לשפר את המבנה שכבר נמצא על שולחן העבודה. כעת נשאלת שאלה אחרת: האם זה בכלל המבנה הנכון להתחיל ממנו? אם גישות כאלה ימשיכו להתפתח, חלק מעבודת החיפוש יעבור בהדרגה למודלים חישוביים. תפקידו של המהנדס לא יקטן. הוא פשוט ישתנה. פחות זמן יוקדש להרצת אינספור איטרציות ידניות, ויותר זמן להגדרת הבעיה, לקביעת האילוצים ולבחירת הפתרון הנכון מתוך מגוון רחב יותר של אפשרויות. צפוי להיות מושפע מהמגמה הזו. EDA גם עולם ה־ בשנים האחרונות משלבות יצרניות התוכנה הגדולות יכולות של למידת מכונה בכלי הפיתוח שלהן. המחקר של פרינסטון מצביע על השלב הבא: מערכות שלא רק מאיצות את תהליך התכנון, אלא משתתפות באופן פעיל בחיפוש אחר פתרונות חדשים. מבט קדימה Inverse Design ייתכן שיחלפו עוד שנים עד ש־ יהפוך לחלק בלתי נפרד מכל סביבת תכנון. כמו כל מתודולוגיה חדשה, גם הוא יצטרך להוכיח את עצמו במגוון רחב של יישומים, להתמודד עם אילוצי ייצור ולהשתלב בתהליכי העבודה הקיימים. אבל גם אם הדרך עוד ארוכה, המחקר של פרינסטון כבר השיג דבר משמעותי. הוא החזיר למרכז הבמה שאלה שכמעט לא נשאלה במשך שנים: האם המבנה הפיזי של הרכיב חייב להיות נקודת המוצא של כל תהליך תכנון? ייתכן שהתשובה תמשיך להיות "כן" במקרים רבים. אבל אם במקרים אחרים התשובה תהיה "לא", ייתכן שזו תהיה אחת ההתפתחויות המעניינות בעשורים האחרונים. RF ביותר שעבר עולם ה־ ולסיום... יהפוך לכלי העבודה הבא Inverse Design האם ? מוקדם עדיין לדעת. אבל מחקרו RF של מהנדסי של פרופ' קאושיק סנגופטה כבר מציב שאלה שקשה להתעלם ממנה: האם הדרך שבה תכננו במשך עשרות שנים היא גם הדרך שבה RF רכיבי נכון לתכנן אותם בעתיד? קרדיט IEEE הכתבה מבוססת על מאמר שפורסם ב־ ועל מחקריו של פרופ' קאושיק Spectrum סנגופטה מאוניברסיטת פרינסטון.

מחייבת פתרון נומרי מורכב של משוואות מקסוול. , הרצה אחת mmWave ובמערכות RFIC ברכיבי עלולה להימשך דקות ארוכות ולעיתים שעות. כאשר האלגוריתם נדרש לבדוק מאות אלפי גיאומטריות שונות, זמן החישוב הופך לגורם המגביל את כל התהליך. הפריצה הגיעה עם התפתחותם של מודלים Machine למידת מכונה ( המבוססים על במקום לבצע סימולציה מלאה עבור .) Learning כל מועמד חדש, החוקרים מאמנים תחילה מודל חישובי על אלפי סימולציות מדויקות. לאחר שלב האימון, המודל מסוגל להעריך בתוך שברירי שנייה כיצד צפויה גיאומטריה חדשה להתנהג. , Surrogate Models מודלים אלה, המכונים אינם מחליפים את כלי הסימולציה. הם מסננים את מרבית האפשרויות ומעבירים לסימולציה אלקטרומגנטית מלאה רק את המועמדים בעלי הסיכוי הגבוה ביותר לעמוד בדרישות. כך מתקצר זמן החיפוש מסדרי גודל של ימים או שבועות לזמן שמאפשר לבחון חלופות רבות יותר במסגרת אותו תהליך תכנון. הופך מגישה Inverse Design בפעם הראשונה, תיאורטית לאפשרות מעשית. כשהמחשב מציע פתרון שאיש לא היה משרטט היכולת לקצר את זמן החישוב הייתה רק הצעד Inverse הראשון. התרומה המשמעותית באמת של מתגלה במקום אחר: היכולת להגיע Design לפתרונות שמהנדס אנושי כלל לא היה חושב לבדוק. בתהליך תכנון מסורתי, גם אלגוריתם אופטימיזציה מתקדם פועל בדרך כלל סביב רעיון קיים. הוא משנה ממדים, מכוונן פרמטרים Inverse Design ומשפר גיאומטריה שכבר נבחרה. פועל אחרת. מבחינתו, כל מבנה שמסוגל לעמוד בדרישות הביצועים הוא מועמד אפשרי, גם אם אינו דומה לשום רכיב שתוכנן בעבר. בנקודה הזו מתחיל המחקר של פרינסטון להיות מסקרן באמת. QR המגבר שנראה כמו קוד אחת הדוגמאות הבולטות שמציג פרופ' סנגופטה עוסקת במגבר הספק סיליקוני הפועל בתחום שבין גיגה־הרץ. 100 ל־ 30 החוקרים לא ביקשו מהמערכת לשפר מגבר קיים. הם הגדירו את דרישות הביצועים ואפשרו לאלגוריתם לחפש את המבנה המתאים ביותר. הסופי, הוא נראה שונה Layout כאשר התקבל ה־ . RF כמעט מכל מה שמקובל בעולם ה־

במקום הגיאומטריות הסימטריות המוכרות IEEE הופיע מבנה צפוף, לא סימטרי, שבכתבה ב־

. QR הושווה לקוד Spectrum זו הייתה רק נקודת ההתחלה.

השלב הבא היה לבדוק אם המבנה החריג באמת עובד. הוא עבר סימולציות אלקטרומגנטיות מלאות, יוצר על גבי שבב ונמדד במעבדה. התוצאות הראו שהגישה אינה רק רעיון מחקרי מעניין. המגבר השיג שילוב מרשים של רוחב פס, הספק מוצא ויעילות עבור מגבר סיליקוני בתחום התדרים הזה. זו הייתה אחת ההדגמות הראשונות לכך שגישה שאינה נשענת על ארכיטקטורות מוכרות יכולה להוביל גם לתוצאות מעשיות. לחשוב מעבר למה שמוכר הדוגמה של מגבר ההספק מעלה שאלה רחבה יותר. נשען במשך עשרות שנים על RF עולם ה־ ארכיטקטורות שהוכיחו את עצמן. זו גישה טבעית לחלוטין. ניסיון מצטבר הוא אחד הנכסים החשובים ביותר של כל מהנדס. אבל ניסיון גם יוצר הרגלים. כאשר כולם מתחילים מאותו מבנה בסיסי, גם כלי האופטימיזציה בוחנים בדרך כלל וריאציות מרחיב את Inverse Design של אותו רעיון. החיפוש אל מחוץ לאזור הנוחות הזה. הוא בודק גם גיאומטריות שאיש לא היה משרטט באופן אינטואיטיבי, פשוט משום שאין סיבה מוקדמת לפסול אותן. לא כל פתרון כזה יהיה טוב יותר. לא כל מבנה יהיה ניתן לייצור. אבל עצם האפשרות לחפש גם באזורים שלא נחקרו בעבר משנה את אופי תהליך התכנון. הרבה יותר מאלגוריתם אחד קל לייחס את ההצלחה של המחקר לבינה מלאכותית בלבד, אבל התמונה מורכבת יותר. פועל שילוב של כמה Inverse Design מאחורי מצמצמים Surrogate שכבות טכנולוגיות. מודלי ה־ את מספר הסימולציות המלאות, אלגוריתמים של משפרים בהדרגה את Reinforcement Learning אסטרטגיית החיפוש, ובמקביל בוחנת קבוצת כדי לייצר Diffusion המחקר גם שימוש במודלי גיאומטריות חדשות מתוך מפרטי ביצועים, כגון . S - Parameters בסופו של דבר, כל אחד מהפתרונות המבטיחים : RF חוזר אל נקודת המוצא של כל מהנדס סימולציה אלקטרומגנטית מלאה.

חוקי הפיזיקה אינם משתנים. רק הדרך שמובילה אליהם.

49 l New-Tech Magazine