En la industria de los chips, hay un tipo de diseño que se conoce como «arte oscuro». No es una metáfora del articulista: es la expresión literal que usó IEEE Spectrum en junio de 2026: “a dark art.”
Diseñar estos chips no requiere escribir código masivo ni seguir flujos automatizados estandarizados. Depende del instinto, la intuición y esa sensación de «no sé por qué, pero sé que esto funciona» que los ingenieros veteranos acumulan tras más de una década de experiencia. Un chip nuevo, desde la idea hasta la fabricación, puede tardar años y costar entre decenas y cientos de millones de dólares.
Estamos hablando de chips de radiofrecuencia: ese pequeño trozo de silicio dentro de tu teléfono que transmite y recibe señales 5G.
Ahora, el equipo liderado por Kaushik Sengupta en la Universidad de Princeton ha demostrado algo notable: una IA aprendió este arte oscuro. Tiempo de entrenamiento: aproximadamente una semana. En muchos casos, los prototipos que la IA diseñó desde cero superaron en rendimiento a las mejores soluciones de los ingenieros humanos del momento.
Lo interesante aquí no es «la IA gana otra vez» —ya tenemos suficientes titulares así. Lo interesante es: ¿qué hace que los chips RF sean tan difíciles que hasta los veteranos sufren? Y ¿cómo aprendió una IA algo que «no tiene fórmula»?
Chips digitales como Lego, chips RF como domar un río
Para entender la dificultad de los chips de radiofrecuencia, conviene mirar primero su versión «fácil»: los chips digitales, es decir, las CPU y GPU que conocemos.
Los chips digitales operan con lógica binaria: 0 y 1, encendido y apagado. Las señales siguen rutas predefinidas y cada paso tiene un resultado determinista. Esta predictibilidad permite la automatización: los ingenieros escriben requisitos y las herramientas EDA generan el layout del circuito automáticamente. Sigue siendo complejo, pero es un problema matemático descomponible y optimizable.
Los chips RF lidian con ondas electromagnéticas.
A frecuencias como 28 GHz (5G en móviles) o 77 GHz (radar automotriz), el comportamiento de las ondas electromagnéticas se vuelve especialmente rebelde. No viajan obedientemente por un trazado: se reflejan, se acoplan, irradian, interfieren. Dos componentes separados por apenas cientos de micras en el chip pueden afectarse mutuamente a través del campo electromagnético. En palabras del artículo de IEEE Spectrum, equivale a resolver simultáneamente las ecuaciones de Maxwell, las leyes de la termodinámica y problemas de mecánica de materiales —todo ello acoplado y dentro del espacio de una uña.
Una analogía: diseñar chips digitales es como construir con bloques de Lego —las reglas son claras, y si algo falla, se cae. Diseñar chips RF es como gestionar una red fluvial llena de corrientes ocultas: levantas un dique aquí y el agua se desborda por un sitio que ni imaginabas. Aprietas una esquina de la alfombra y la otra se levanta.
Por eso, mientras que en el mundo digital las herramientas EDA ya resuelven la mayor parte del trabajo, el diseño RF sigue siendo intensamente artesanal: depende de ingenieros que depuran manualmente cada detalle, y de trucos que solo se aprenden tras veinte años de prueba y error.
La inspiración de AlphaGo
En 2016, AlphaGo venció a Lee Sedol. Aquello despertó algo en el equipo de Sengupta: si una IA podía encontrar estrategias óptimas en un juego cuyo espacio de búsqueda supera el número de átomos del universo, ¿podría hacer lo mismo en el «espacio de diseño» de los chips RF?
¿Qué significa aquí «espacio de diseño»? Imagina que quieres diseñar un amplificador de potencia para 5G. Los parámetros a decidir —número de etapas, tamaño de los transistores en cada etapa, longitud y anchura de las líneas de transmisión, estructura de la red de adaptación— son innumerables. Cada elección afecta a las demás, y la combinación de todas ellas genera un espacio de posibilidades astronómico. Los ingenieros humanos lo afrontan con plantillas: topologías de circuito consolidadas por la experiencia, dentro de las cuales optimizan.
Las plantillas son útiles, pero también son jaulas. Definen qué «parece una respuesta correcta» —y la respuesta real puede estar fuera de lo que la plantilla contempla.
Lo que el equipo de Princeton quería era que la IA explorara ese espacio desde cero, sin referencia alguna a diseños humanos previos.
Aprendizaje por refuerzo: convertir el diseño de chips en un juego
El método central que emplearon fue el aprendizaje por refuerzo (Reinforcement Learning, RL).
El principio es fácil de entender: es como entrenar a una IA para jugar a un videojuego. La IA no sabe qué es «un buen diseño de chip», pero puede probar una y otra vez —combinando parámetros de circuito al azar y recibiendo una «puntuación» (métrica de rendimiento). Los intentos con puntuación alta se recuerdan; los de puntuación baja se descartan. Tras millones de ensayos de prueba y error, la IA descubre por sí misma qué tipo de diseños obtienen buena puntuación.
El proceso lleva de varios días a una semana. Una vez entrenada, la IA genera propuestas de diseño en muy poco tiempo.
Pero hay un cuello de botella crítico: cada intento requiere ejecutar una simulación electromagnética para calcular la puntuación. Las herramientas de simulación tradicionales tardan de minutos a horas por ejecución —algo totalmente inviable para un sistema de RL que necesita millones de iteraciones.
La IA que sustituyó al simulador físico
El segundo avance del equipo de Princeton fue reemplazar el simulador físico con otra IA.
Entrenaron una red neuronal convolucional —un modelo de IA especializado en extraer características espaciales— para predecir el comportamiento electromagnético de cualquier estructura metálica bidimensional arbitraria. En pocas palabras: le muestras un layout de circuito y en milisegundos te dice cómo se comportarán las ondas electromagnéticas, sin necesidad de resolver manualmente las ecuaciones de Maxwell.
¿De dónde salieron los datos de entrenamiento? De millones de estructuras pixeladas generadas aleatoriamente, cada una etiquetada con sus parámetros electromagnéticos reales calculados con simuladores tradicionales. Una vez entrenado, el simulador IA ofrece una ganancia de velocidad de órdenes de magnitud: lo que antes tardaba minutos u horas ahora se resuelve en milisegundos.
Con un simulador ultrarrápido, el aprendizaje por refuerzo puede ejecutarse a gran escala. La combinación de ambos crea un pipeline completo de diseño con IA: desde la especificación hasta el layout fabricable.
El resultado: chips que no parecen diseñados por humanos
En 2023, el equipo publicó su primer resultado validado: un amplificador de potencia de banda ancha que cubre el rango de 30 a 100 GHz, abarcando las frecuencias principales de 5G y radar. El diseño final estableció el mejor registro hasta la fecha para amplificadores de potencia en silicio en términos combinados de ancho de banda, potencia de salida y eficiencia.
Pero lo que más sacudió a la industria fue el aspecto del layout.
Los chips RF diseñados por humanos suelen tener estructuras electromagnéticas simétricas y ordenadas —como patrones de encaje, refinados y predecibles. Las estructuras que generó la IA se parecen más a un código QR o a una obra de arte contemporáneo. Sin ejes de simetría, sin unidades repetitivas, sin ninguna «estética» reconocible.
Porque para la IA nada de eso importa. A la IA solo le preocupa si los parámetros de dispersión (parámetros S) del campo electromagnético tras atravesar esa estructura cumplen los requisitos. Si el diseño es bonito o si un ingeniero puede entenderlo, a la IA le da igual.
Un punto intermedio interesante: el dial de interpretabilidad
El equipo de Princeton también reconoció un problema: si los ingenieros no entienden el chip que ha diseñado la IA, ¿cómo se depura cuando algo falla? (Probar y depurar un chip suele consumir más tiempo que el propio diseño.)
Así que incorporaron modelos de difusión —la tecnología detrás de herramientas como Stable Diffusion o DALL·E. La entrada son los parámetros electromagnéticos deseados; la salida, la estructura del circuito. La clave es que añadieron un «dial de frecuencia espacial»: el ingeniero puede elegir que la IA genere estructuras de baja frecuencia espacial (tradicionales, legibles para humanos) o de alta frecuencia espacial (pixeladas, con formas arbitrarias).
De entrada a salida, todo el proceso lleva unos 6 minutos.
La elegancia de este diseño está en que la IA puede tanto explorar espacios de diseño que ningún humano ha pisado como acelerar el trabajo dentro de los marcos estéticos y depurables que los humanos ya conocen. Dos modos, una sola herramienta.
Una mirada sobria: la IA también «diseña basura»
Hacia el final del artículo hay una confesión honesta que merece atención.
La IA «alucina»: diseña circuitos que no cumplen las leyes de la física. La probabilidad no es alta, pero cuando ocurre, el chip fabricado es inservible. Por ahora, la solución es la verificación humana.
Y hay un cuello de botella aún mayor: los datos.
El reconocimiento de imágenes con IA despegó en la última década gracias a ImageNet, un dataset de 14 millones de imágenes etiquetadas, que fue el punto de inflexión. El diseño de chips RF necesita un dataset de escala similar: millones de estructuras de circuito con sus correspondientes resultados de simulación electromagnética. Esos datos se generan cada día en empresas y laboratorios de todo el mundo, pero todos están encerrados bajo acuerdos de confidencialidad.
El artículo menciona que el proyecto Natcast, bajo el paraguas de la CHIPS Act estadounidense, planeó construir infraestructura y datos compartidos, pero el programa ya ha sido cancelado. El ecosistema open source en diseño de chips aún tiene un largo camino por recorrer.
Más allá de los chips
Detrás de esta historia hay un hilo conductor más amplio: cuando la IA evoluciona de «asistir a humanos optimizando soluciones existentes» a «explorar desde cero espacios de diseño que ningún humano ha pisado», las reglas de funcionamiento de muchas industrias cambian.
Los joseki en Go, las aperturas en ajedrez, los patrones de plegamiento de proteínas, las plantillas de circuitos RF —todos son atajos forjados por la experiencia humana. La IA ha demostrado algo: en muchos campos, esos atajos no son la solución óptima; son simplemente la frontera de lo que la cognición humana puede abarcar.
El diseño de chips RF se llama arte oscuro no porque las leyes físicas sean misteriosas —las ecuaciones de Maxwell están perfectamente escritas. Se llama así porque el cerebro humano, sencillamente, no puede seguir simultáneamente todas las interacciones entre variables en un espacio de diseño absurdamente grande.
La IA no tiene ese problema. No necesita «entender»; solo necesita probar, recibir una puntuación y ajustar. Una y otra vez.
Lo que esta generación de IA ha aprendido a hacer es algo que ningún humano había hecho antes.
Enlaces de referencia
- AI Learns the “Dark Art” of RFIC Design — IEEE Spectrum, Kaushik Sengupta, 2026-06-24
- Discusión en Hacker News — 167 puntos, 116 comentarios