In der Chip-Industrie gilt das Design einer bestimmten Chip-Kategorie als „dunkle Kunst” — und das ist kein journalistisches Stilmittel, sondern die originale Formulierung aus dem IEEE Spectrum vom Juni 2026: “a dark art.”
Für das Design dieser Chips braucht es weder massenhaft Code noch standardisierte Automatisierungsabläufe. Es stützt sich auf das Fingerspitzengefühl, die Intuition und die Erfahrung, die erfahrene Ingenieure über anderthalb Jahrzehnte aufgebaut haben — ein „ich kann nicht genau sagen warum, aber ich weiß, dass es so funktioniert”-Wissen. Ein neuer Chip durchläuft vom Konzept bis zum Tape-Out oft mehrere Jahre Entwicklung und verschlingt Kosten im zweistelligen Millionen- bis dreistelligen Millionen-Dollar-Bereich.
Die Rede ist von Hochfrequenz-Chips — dem winzigen Siliziumstück in Ihrem Smartphone, das für den Empfang und Versand von 5G-Signalen zuständig ist.
Nun hat ein Team unter der Leitung von Kaushik Sengupta an der Princeton University gezeigt: Diese dunkle Kunst hat eine KI erlernt. Die Trainingszeit betrug etwa eine Woche. In vielen Fällen übertrafen die von der KI von Grund auf entworfenen Chip-Prototypen die besten zu diesem Zeitpunkt existierenden menschlichen Entwürfe.
Bemerkenswert ist hier nicht, dass „die KI wieder gewonnen hat” — solche Schlagzeilen gibt es genug. Bemerkenswert ist: Was genau macht das HF-Chip-Design so schwierig, dass selbst erfahrene Ingenieure daran verzweifeln? Und wie hat eine KI etwas gelernt, für das es keine Formel gibt?
Digitalchips sind wie Bauklötze, HF-Chips sind wie Wasserbau
Um die Schwierigkeit von HF-Chips zu verstehen, hilft ein Blick auf ihr „einfaches” Gegenstück — Digitalchips, also das, was wir als CPUs und GPUs kennen.
Die Logik von Digitalchips ist binär: 0 und 1, ein und aus. Signale folgen vorgegebenen Pfaden, jedes Ergebnis ist deterministisch. Diese Determiniertheit macht automatisiertes Design möglich — der Ingenieur schreibt die Anforderungen, EDA-Tools generieren das Schaltungslayout. Zwar komplex, aber ein zerlegbares und optimierbares mathematisches Problem.
HF-Chips hingegen haben es mit elektromagnetischen Wellen zu tun.
Bei Frequenzen wie 28 GHz (5G-Smartphones) oder 77 GHz (Fahrzeugradar) verhalten sich elektromagnetische Wellen ausgesprochen „widerspenstig”. Sie folgen nicht brav einer Leitung — sie werden reflektiert, koppeln ein, strahlen ab, interferieren. Selbst zwei Bauteile, die auf dem Chip nur wenige hundert Mikrometer voneinander entfernt liegen, beeinflussen sich gegenseitig über das elektromagnetische Feld. Um es mit den Worten des IEEE-Spectrum-Artikels zu sagen: Es ist, als müsste man gleichzeitig die Maxwell-Gleichungen, die Gesetze der Thermodynamik und die Materialmechanik lösen — und das alles auf einem Raum von der Größe eines Fingernagels.
Ein Vergleich: Digitalchips zu entwerfen ist wie Bauklötze stapeln — die Regeln sind klar, wenn es umfällt, war es falsch. HF-Chips zu entwerfen ist wie die Regulierung eines von verborgenen Strömungen durchzogenen Gewässers — Sie errichten an einer Stelle einen Damm, und das Wasser tritt an einer völlig unerwarteten Stelle wieder aus. Drücken Sie eine Ecke des Teppichs herunter, hebt sich die andere.
Das ist der Grund, warum EDA-Tools im Digitalchip-Bereich bereits den Großteil der Arbeit übernehmen können, während das HF-Chip-Design bis heute stark auf menschliche Expertise angewiesen ist — auf Ingenieure, die immer wieder von Hand nachjustieren, auf „Kniffe, die man erst nach zwanzig Jahren Praxis beherrscht”.
Die Inspiration durch AlphaGo
2016 besiegte AlphaGo Lee Sedol. Dieses Ereignis elektrisierte das Team um Sengupta: Wenn eine KI in einem Spiel, dessen Suchraum größer ist als die Anzahl der Atome im Universum, eine optimale Lösung finden kann — könnte sie dasselbe im „Design-Raum” von HF-Chips leisten?
Was bedeutet hier „Design-Raum”? Stellen Sie sich vor, Sie sollen einen 5G-Leistungsverstärker entwerfen. Die Parameter, die Sie festlegen müssen — die Anzahl der Verstärkerstufen, die Transistorgrößen jeder Stufe, die Länge und Breite der Übertragungsleitungen, die Struktur des Anpassungsnetzwerks — jede Entscheidung beeinflusst alle anderen, und die Kombination aller Entscheidungen bildet einen Möglichkeitsraum von astronomischen Ausmaßen. Menschliche Ingenieure begegnen dem mit Schablonen: bewährte Schaltungstopologien, innerhalb derer dann optimiert wird.
Schablonen sind nützlich, aber Schablonen sind auch Gefängnisse. Sie definieren, „was nach einer richtigen Antwort aussieht” — doch die tatsächliche Antwort könnte außerhalb des durch die Schablone abgesteckten Bereichs liegen.
Das Princeton-Team wollte die KI von Null an beginnen lassen, ohne jegliche vom Menschen entworfene Vorlage, um diesen Raum eigenständig zu erkunden.
Bestärkendes Lernen: Chip-Design als Spiel
Die zentrale Methode, die sie einsetzten, heißt Bestärkendes Lernen (Reinforcement Learning, RL).
Das Prinzip ist einfach zu verstehen: Es ist wie das Trainieren einer KI für ein Spiel. Die KI weiß nicht, was ein „gutes Chip-Design” ist, aber sie kann unablässig probieren — verschiedene Schaltungsparameter zufällig kombinieren und dann eine „Punktzahl” (Leistungskennzahl) erhalten. Versuche mit hoher Punktzahl werden gespeichert, solche mit niedriger verworfen. Nach Millionen solcher Versuch-Irrtum-Durchläufe entwickelt die KI ein Gespür dafür, „welches Design hohe Punktzahlen bringt”.
Dieser Prozess dauert etwa einige Tage bis eine Woche. Ist das Training abgeschlossen, kann die KI in kürzester Zeit Designvorschläge liefern.
Doch es gibt einen entscheidenden Engpass: Jeder einzelne Versuch benötigt eine elektromagnetische Simulation, um die „Punktzahl” zu berechnen. Traditionelle EM-Simulationstools brauchen pro Durchlauf Minuten bis Stunden — für das auf Millionen von Versuchen angewiesene bestärkende Lernen völlig unpraktikabel.
Die KI ersetzt den physikalischen Simulator
Der zweite Durchbruch des Princeton-Teams bestand darin, den physikalischen Simulator durch eine KI zu ersetzen.
Sie trainierten ein Convolutional Neural Network — eine KI-Architektur, die besonders gut darin ist, räumliche Merkmale zu extrahieren — um das elektromagnetische Verhalten beliebiger zweidimensionaler Metallstrukturen vorherzusagen. Vereinfacht gesagt: Sie zeigen dem Netzwerk ein Bild der Schaltungsstruktur, und es sagt Ihnen innerhalb von Millisekunden, wie sich die elektromagnetischen Wellen verhalten werden — ohne dass die Maxwell-Gleichungen manuell gelöst werden müssen.
Woher stammen die Trainingsdaten für diesen KI-Simulator? Aus einer großen Menge zufällig generierter pixelisierter Strukturen, die jeweils mit traditionellen Simulationstools mit den tatsächlichen EM-Parametern annotiert wurden. Ist das Training abgeschlossen, beträgt die Geschwindigkeitssteigerung mehrere Größenordnungen: Was früher Minuten bis Stunden dauerte, geschieht nun in Millisekunden.
Erst der schnelle Simulator ermöglichte das bestärkende Lernen in großem Maßstab. Beide Komponenten zusammen bilden eine vollständige KI-Design-Pipeline — von der Anforderungsbeschreibung bis zum herstellbaren Chip-Layout.
Das Ergebnis der KI: Chips, die nicht wie von Menschen gezeichnet aussehen
2023 veröffentlichte das Team erste Validierungsergebnisse — einen breitbandigen Leistungsverstärker für den Frequenzbereich von 30 bis 100 GHz. Dieses Band deckt die gängigen 5G- und Radar-Frequenzen ab. Das finale Design erzielte in der kombinierten Bewertung aus Bandbreite, Ausgangsleistung und Effizienz die zu diesem Zeitpunkt besten jemals gemessenen Werte für einen siliziumbasierten Leistungsverstärker.
Was die Branche jedoch am meisten erschütterte, war das Aussehen des Chip-Layouts.
Von Menschen entworfene HF-Chips weisen typischerweise symmetrische, regelmäßige elektromagnetische Strukturen auf — wie Spitzenmuster, fein und vorhersagbar. Die von der KI entworfenen Strukturen ähneln eher einem QR-Code oder moderner Kunst. Keine Symmetrieachse, keine wiederkehrenden Einheiten, keinerlei „Ästhetik”.
Denn all das ist für die KI irrelevant. Die KI interessiert nur, ob die Streuparameter (S-Parameter) nach Durchlaufen dieser Struktur die Anforderungen erfüllen. Ob es schön aussieht, ob ein Ingenieur es verstehen kann — das ist der KI gleichgültig.
Ein interessanter Mittelweg: Der Erklärbarkeits-Regler
Das Princeton-Team erkannte auch ein Problem: Wenn Ingenieure die von der KI entworfenen Chips überhaupt nicht verstehen können — wie soll dann die Fehlersuche funktionieren? (Test und Debugging von Chips sind oft zeitaufwändiger als das Design selbst.)
Daher führten sie Diffusionsmodelle ein — die Technologie hinter KI-Bildgeneratoren wie Stable Diffusion und DALL·E. Die Eingabe sind die gewünschten EM-Parameter; die Ausgabe ist die Schaltungsstruktur. Entscheidend ist, dass sie einen „Raumfrequenz”-Regler hinzufügten: Ingenieure können wählen, ob die KI Strukturen mit niedriger Raumfrequenz (traditionell regelmäßig, für Menschen verständlich) oder hoher Raumfrequenz (pixelisiert, beliebig geformt) generieren soll.
Von der Eingabe bis zur Ausgabe dauert der gesamte Prozess etwa 6 Minuten.
Die Bedeutung dieses Ansatzes: Die KI kann sowohl völlig unerforschte Design-Räume erkunden als auch innerhalb bestehender menschlicher Ästhetik- und Debugging-Rahmen beschleunigt arbeiten. Zwei Modi, ein Werkzeug.
Nüchtern betrachtet: Auch die KI „designed Schrott”
Am Ende des Artikels findet sich ein ehrliches Eingeständnis, das Beachtung verdient.
Die KI „halluziniert” — sie entwirft Schaltungen, die physikalischen Gesetzen widersprechen. Die Wahrscheinlichkeit ist zwar nicht hoch, aber wenn es passiert, ist das Resultat unbrauchbarer Ausschuss. Derzeit dient menschliche Überprüfung als Sicherheitsnetz.
Ein noch größerer Engpass: Daten.
Dass KI-Bilderkennung im letzten Jahrzehnt solche Fortschritte machte, lag maßgeblich an ImageNet — einem Datensatz mit 14 Millionen annotierten Bildern. Das HF-Chip-Design bräuchte einen Datensatz ähnlicher Größenordnung — riesige Mengen an Schaltungsstrukturen mit den zugehörigen EM-Simulationsergebnissen. Diese Daten entstehen täglich in Unternehmen und Labors weltweit, sind jedoch vollständig hinter Geheimhaltungsvereinbarungen eingeschlossen.
Der Artikel erwähnt, dass das Natcast-Projekt im Rahmen des US-amerikanischen CHIPS Act den Aufbau geteilter Daten und Infrastruktur plante, das Programm jedoch inzwischen eingestellt wurde. Das Open-Source-Ökosystem im Chip-Design hat noch einen weiten Weg vor sich.
Mehr als nur Chips
Hinter dieser Geschichte liegt ein allgemeineres Muster: Wenn KI sich von der „Unterstützung menschlicher Optimierung bestehender Lösungen” hin zur „Erkundung völlig neuer, vom Menschen nie betretener Design-Räume” weiterentwickelt, werden sich die Spielregeln vieler Branchen verändern.
Die Joseki im Go, die Eröffnungsbibliotheken im Schach, die Faltungsmuster von Proteinen, die Schaltungsschablonen im HF-Chip-Design — all dies sind vom Menschen verdichtete „Abkürzungen”. Die KI hat eines bewiesen: In vielen Bereichen sind diese Abkürzungen nicht die optimale Lösung, sondern lediglich die Grenzlinie menschlicher Erkenntnisfähigkeit.
Das HF-Chip-Design wird als dunkle Kunst bezeichnet, nicht weil die physikalischen Gesetze selbst mysteriös wären — die Maxwell-Gleichungen sind längst niedergeschrieben. Sondern weil das menschliche Gehirn schlicht nicht in der Lage ist, in einem absurd großen Design-Raum gleichzeitig alle Kopplungsbeziehungen zwischen sämtlichen Variablen zu verfolgen.
Die KI hat dieses Problem nicht. Sie muss nicht „verstehen” — sie muss nur wiederholt probieren, wiederholt bewerten, wiederholt anpassen.
Diese Runde hat die KI gelernt, etwas zu tun, was Menschen nie zuvor getan haben.
Referenzen
- AI Learns the “Dark Art” of RFIC Design — IEEE Spectrum, Kaushik Sengupta, 2026-06-24
- Hacker News Diskussion — 167 Punkte, 116 Kommentare