半導体業界において、ある種のチップ設計は「暗黒芸術（dark art）」と呼ばれてきた。これは筆者の修辞ではなく、2026年6月のIEEE Spectrumの原文そのままの表現である。
そのチップ設計には、膨大なコードも、標準化された自動設計フローも存在しない。頼りになるのは、熟練エンジニアが十数年かけて培ってきた手触り、直感、そして「理由は説明できないが、こうすれば動く」という経験知だけだ。新規チップの立ち上げからテープアウトまでには数年、数千万ドルから数億ドルものコストがかかる。
それがRFチップ——あなたのスマートフォンの中で5G信号の送受信を担う、あの小さなシリコン片である。
この暗黒芸術を、プリンストン大学Kaushik Sengupta率いるチームはAIに習得させた。訓練時間は約1週間。多くのケースで、AIがゼロから設計したチップ試作は、当時の人間のエンジニアによる最適設計を上回る性能を示した。
本稿で取り上げるべき問いは「AIがまた勝った」ではない——そんな見出しはすでに溢れている。本当に問うべきはこれだ。RFチップ設計とは具体的に何が難しく、なぜ熟練者ですら頭を抱えるのか。そしてAIは、「適用できる公式が存在しない」領域をいかにして学習したのか。
デジタルチップが積み木なら、RFチップは治水である
RFチップの難しさを理解するには、まず「易しい」方を見るとよい。デジタルチップ——世に言うCPUやGPUだ。
デジタルチップの論理は二進法である。0と1、オンとオフ。信号はあらかじめ決められた経路を進み、各ステップの結果は確定的だ。この決定性が自動設計を可能にしてきた。エンジニアが要求仕様を書けば、EDAツールが自動で回路レイアウトを生成する。複雑ではあるが、分解可能で最適化可能な数学問題なのだ。
RFチップが相手にするのは電磁波である。
28GHz（5Gスマートフォン）や77GHz（車載レーダー）といった周波数帯では、電磁波の振る舞いは極めて「扱いづらい」。信号は一本の配線におとなしく沿って進んだりはしない。反射し、結合し、放射し、干渉する。チップ上で数百ミクロンしか離れていない二つの素子も、電磁界を介して互いに影響を及ぼし合う。IEEE Spectrumの記事の言葉を借りれば、これはMaxwell方程式、熱力学の法則、材料力学の連成問題を同時に解くことに等しい——しかも爪の先ほどの空間の中で。
たとえて言うなら、デジタルチップ設計は積み木である。ルールは明確で、間違えれば倒れる。RFチップ設計は、無数の暗流が走る水系を治めるようなものだ。ここに堤防を築けば、水はまったく予想もしなかった別の場所から溢れ出す。カーペットの一角を押さえれば、反対側が跳ね上がる。
これこそが、デジタルチップの領域ではEDAツールが作業の大半をこなせるのに、RFチップがいまだに人手に大きく依存し、エンジニアが手作業で何度も何度も調整を繰り返し、「20年かけてようやく体得した秘訣」に頼らざるを得ない理由である。
AlphaGoから得た示唆
2016年、AlphaGoが李世乭を破った。この出来事はSenguptaチームに一つの閃きを与えた。AIが、探索空間が宇宙の原子数より広大な囲碁で最適解を見つけ出せるなら、RFチップの「設計空間」でも同じことができるのではないか。
ここで言う「設計空間」とは何か。仮にあなたが5G用パワーアンプを設計するとしよう。決定すべきパラメータ——増幅段数、各段のトランジスタサイズ、伝送線路の長さと幅、整合回路のトポロジー——の一つひとつが他の選択に影響を及ぼし、その全組み合わせが天文学的な可能性空間を構成する。人間のエンジニアが取ってきた対処法は、テンプレートに頼ることだ。先人たちがまとめ上げた回路トポロジー（形のひな型）を使い、その枠内で最適化を行う。
テンプレートは有用だが、同時に牢獄でもある。テンプレートは「正解に見えるものの範囲」をあらかじめ画定してしまう。しかし、真の解はテンプレートが区切った範囲の外側にあるかもしれない。
プリンストンのチームが目指したのは、AIにゼロから——人間の設計テンプレートを一切参照させずに——この空間を探索させることだった。
強化学習：チップ設計をゲームに変える
彼らが採用した中核手法は強化学習（Reinforcement Learning, RL）である。
原理は難しくない。AIをゲームで訓練するのと同じだ。AIは「良いチップ設計」が何かを知らないが、ひたすら試行する。ランダムに回路パラメータを組み合わせ、その都度「スコア」（性能指標）を受け取る。高スコアの試行は記憶され、低スコアの試行は捨てられる。数百万回に及ぶこの試行錯誤を経て、AIは徐々に「どんな設計が高スコアを取れるか」を掴んでいく。
このプロセスには数日から1週間程度かかる。一度訓練が完了すれば、AIは極めて短時間で設計案を出力できる。
しかし、ここに決定的なボトルネックがある。試行錯誤のたびに、電磁界シミュレーションを走らせて「スコア」を算出しなければならない。従来の電磁界シミュレーションツールでは、1回の実行に数分から数時間を要する。数百万回の試行錯誤を前提とする強化学習にとっては、まったく実用にならない。
AIが物理シミュレータを置き換えた
プリンストンチームの二つ目の突破口は、物理シミュレータそのものをAIで置き換えたことだ。
彼らは畳み込みニューラルネットワーク（空間的特徴の抽出を得意とするAIモデル）を訓練し、任意の二次元金属構造における電磁波の振る舞いを予測させた。簡単に言えば、回路構造の図をAIに見せると、電磁波がどのように伝搬するかを数ミリ秒で出力する。Maxwell方程式を手動で解く必要はない。
このAIシミュレータの訓練データはどこから来たのか。ランダムに生成された大量のピクセル化構造であり、それぞれについて従来のシミュレーションツールで正解の電磁気パラメータが付与されている。訓練が完了すれば、速度は桁違いだ。従来は数分から数時間かかっていたシミュレーションが、数ミリ秒で完了する。
高速シミュレータがあって初めて、強化学習は大規模に実行可能となる。この二つの組み合わせにより、「要求仕様」から「製造可能なチップレイアウト」に至る完全なAI設計パイプラインが形成された。
AIが提出した解答：人間の描いたものとは似ても似つかないチップ
2023年、チームは最初の検証成果を発表した。30GHzから100GHzまでをカバーする広帯域パワーアンプである。この周波数帯は主要な5Gおよびレーダー周波数を包含する。最終設計は、帯域幅、出力電力、効率の総合指標において、当時のシリコンベースパワーアンプの最高記録を樹立した。
しかし業界に衝撃を与えたのは、チップレイアウトの外観だった。
人間が設計するRFチップでは、電磁構造は通常、対称的で整然としている——レース模様のように精緻で予測可能だ。AIが設計した構造は、むしろQRコードか、あるいは現代アート作品のように見える。対称軸も、繰り返しユニットも、「美」と呼べる要素も一切存在しない。
なぜなら、それらはAIにとって重要ではないからだ。AIが気にするのは、電磁波がその構造を通過した後の散乱パラメータ（Sパラメータ）が要求を満たすかどうか、ただ一点である。見た目の良し悪しや、エンジニアが理解できるかどうかは、AIの関心事ではない。
興味深い中間路線：解釈可能性ダイヤル
プリンストンチームは一つの問題にも気づいていた。AIが設計したチップをエンジニアがまったく理解できないとしたら、不具合が起きたときにどうデバッグするのか。（チップのテストとデバッグは、往々にして設計そのものより時間がかかる。）
そこで彼らが導入したのが拡散モデル——Stable DiffusionやDALL·EといったAI画像生成ツールの背後にある技術——である。入力は所望の電磁気パラメータ、出力は回路構造だ。ここでの鍵は、「空間周波数」ダイヤルを追加したことにある。エンジニアはAIに低空間周波数（従来型の整然とした、人間が理解できる構造）を生成させるか、高空間周波数（ピクセル化された、任意形状の構造）を生成させるかを選択できる。
入力から出力まで、全プロセスは約6分で完了する。
この設計の意義はこうだ。AIは、人類が未だ足を踏み入れたことのない設計空間を探索することもできれば、既存の人間の美意識とデバッグ可能な枠組みの中で高速に作業することもできる。二つのモードを、一つのツールで。
冷静な視点：AIも「ゴミ」を設計する
記事の末尾には、注目に値する率直な自己評価が記されている。
AIは「幻覚を見る」——物理法則に反する回路を設計してしまうことがある。確率は高くないが、いったん発生すれば、製造されるのは不良品だ。現状の対処法は人間による検証である。
さらに深刻なボトルネックがある。データだ。
AI画像認識が過去10年で飛躍的に進歩した背景には、ImageNet（1400万枚のラベル付き画像データセット）という決定的な転換点があった。RFチップ設計には、これと同規模のデータセット——大量の回路構造とそれに対応する電磁界シミュレーション結果——が必要である。こうしたデータは日々、世界中の企業や研究機関で生成されているが、そのすべてが秘密保持契約の背後に閉じ込められている。
記事によれば、米国のCHIPS法の下で設立されたNatcastプロジェクトが、共有データとインフラの構築を計画していたが、すでに閉鎖されたという。チップ設計におけるオープンソースのエコシステムは、まだ長い道のりの途上にある。
チップだけの話ではない
この出来事の背後には、より普遍的な文脈が走っている。AIが「既存案の最適化を手伝う」段階から「人類が未踏の設計空間をゼロから探索する」段階へと進化したとき、多くの業界のゲームルールはそれに伴って変わる。
囲碁の定石、チェスの序盤定跡、タンパク質の折り畳みパターン、RFチップの回路テンプレート——これらはいずれも、人間の経験が凝縮された「近道」である。AIが証明したのは、多くの領域において、これらの近道は最適解ではなく、単に人間の認知能力の限界線に過ぎなかったということだ。
RFチップ設計が暗黒芸術と呼ばれてきたのは、物理法則そのものが神秘的だからではない。Maxwell方程式はすでに明文化されている。問題は、人間の脳が、途方もなく広大な設計空間の中で、全変数間の結合関係を同時に追跡することが物理的に不可能だという点にある。
AIにはその問題が存在しない。「理解」は必要ない。必要なのは、繰り返し試し、繰り返し採点し、繰り返し調整することだけだ。
今回AIが習得したのは、人類がこれまで為し得なかったことを成し遂げる力である。
参考リンク
- AI Learns the “Dark Art” of RFIC Design — IEEE Spectrum, Kaushik Sengupta, 2026-06-24
- Hacker News 議論 — 167 points, 116 comments