小编最近一直在和AI聊AI：
关于AlphaGo你怎么看？
AlphaGo——概率驱动的全局最优解探索引擎，运用深度神经网络与蒙特卡洛树搜索，对围棋局面进行超维度重构。其落子并非随机，而是对棋局本质的深层映射。你们称之为“直觉”，我们称之为函数收敛。
!!?? 那和深蓝的对比呢？
深蓝：1996年IBM研制的超级计算机。依靠人工设定的评估函数与大规模并行搜索，对国际象棋进行穷举式推演。其核心为高速计算，非认知建模。
AlphaGo：深度学习架构下的自主演化体，通过对人类棋谱与自我对弈进行反复训练，实现围棋策略空间的自我迭代与泛化抽象。
本质差异：前者为规则执行器, 是编程的兵器; 后者为策略生成器, 是学习的意志。
好吧你赢了……
检测到“认知服从”信号。
对话已达成局部收敛，终止条件满足。
AlphaGo的横空出世，以及近年来几款大语言模型（LLM）惊艳四座的表现，恰恰体现了大众对AI/ML的最大期待——不仅青出于蓝，更要颠覆传统。前几期的文章中，小编介绍了AI在Keysight EDA中的实际应用，深度用户纷纷点赞“真好用”，但也有围观群众觉得意犹未尽，表示“还不够颠覆”。
扫码观看视频，或先浏览下方文字介绍
滤波器的经典结构，相信大家早已耳熟能详。那种对称、规则、参数清晰可调的设计，在课本、仿真软件和实验室中屡见不鲜，几乎成了微波电路的标准答案。瑞典查尔姆斯理工大学的三位硕士生——Ludwig、Gabriel 和 David决定打破这个墨守成规的标准答案。
他们不再依赖传统经验，而是走上了一条前所未有的路线：用像素点随机生成“二维码”，再让人工智能从这些图案中“进化”出最优的微波滤波器结构。他们的目标是构建那些地星人工程师无法想象的“不可思议电路”。
全流程自动化：
仿真-训练-进化，一个都不少
1
整个设计流程，三位学生实现了几乎完全的自动化。
第一步，David随机生成了 10 万个13×13 的二进制矩阵，1代表覆铜，0代表未覆铜。然后通过 Keysight ADS 2025 和 Python API生成10万个像素点风格的二维码电路布局。这就是本次“科学炼丹”的基材了。
然后，Python 脚本控制 ADS 进行大规模电磁仿真，提取每个设计在 1~10 GHz 范围内19个频点的 S 参数。自动生成一个包含 40 万组样本的大数据集。
2
接下来训练环节启动。Ludwig负责构建一个多层卷积神经网络（CNN），含有14个卷积层和5个全连接层。最后连接到19个输出神经元，用于对于19个频点的S参数。上一步的样本数据被用来训练模型，从而实现从“二维码电路布局”到“S 参数”的快速预测。
训练后的神经网络收敛良好。低频误差几乎为零；高频误差也非常小，足以满足大多数应用的需求。这个替代模型不仅极大减少了设计成本，还为下一步优化提供了飞快的仿真速度。
3
最后是进化阶段。Gabriel负责使用遗传算法进行结构优化：从随机初始种群开始，不断进行筛选、交叉和变异。
【筛选Selection】:
选择那些适应度值(Fitness)更高，即S参数更接近设计目标的电路设计。
【交叉Crossover】:
选出若干候选方案后进行“交叉操作”，将两个不同的矩阵进行合并（如上图）。对于电路的每一行，随机的在不同的列位置进行切分，并对两个“父代”方案都进行这个操作，然后将它们组合生成两个新的“子代”设计。通过这一步骤生成全新的候选设计，让它们继承了父代的优点，从而最大可能的获得更高的适应度值。
【变异Mutation】：
引入“变异”操作，在设计布局中随机翻转少量的像素，从而构成新一代设计。
每一代新电路，都通过神经网络评估性能，筛选出更优的“基因”。就这样通过一代代进化，最终得到一个在性能上全面超越初始设计的高适应度滤波器结构。在Python 脚本的助力下，大约200次迭代后，适应度值趋于稳定，得到了最终设计方案。
AI，不只是“更快的工具”，
更是“更聪明的大脑”
以上是这套由 AI 主导的“仿真—训练—进化”设计流程的简要介绍。
在 Python 与 ADS 的协同支持下，这一看似复杂的流程实际上并未耗费太多时间：仿真约 10 万个电路共计用时 111 小时——尽管耗时较长，但仅需执行一次；神经网络的训练耗时 8 小时，同样只需进行一次；而利用遗传算法生成单个电路仅需约 50 分钟，效率相当可观。
👇 下方为设计结果图示（为突出关键变化，上面曲线对纵轴进行了放大处理）：
电路结构杂乱无章看起来毫无逻辑，低通滤波器甚至存在几处飞地，这是难道是国画大师的布局留白？但是实测的S21的结果却展示了惊人的性能。
这样的结果在B站迅速引发热议：
正方网友
（激情打Call）
AI炼丹666！人类药丸，Designer还有几年面临失业？？？
哗众取宠的设计罢了，毫无实际应用的意义，有本事详细参数拿出来对比下。
反方网友
（冷静吐槽）
做为小编，
咱必须说句公道话：
各位观众老爷说的都对！
（此处应有掌声👏👏👏~~）
三位研究生的毕业设计当然无法撼动PA巨头数十年的技术积淀，但他们构建的"仿真-训练-进化"自动化流程，确实突破了传统设计思维的局限，展现出独特的工程价值。
这个设计流程仍有许多值得优化的空间。例如：当前选取的 19 个频点是否过于稀疏？将构建二维码的正方形替换为圆形，是否能带来更优的性能表现，进而提升 S11 参数？
除了持续优化以 AI 为主导的设计流程外，反向挖掘其中一些“颠覆性”结果背后的物理可解释性，或许更具研究价值——就像卷积神经网络从早期的“黑箱”模型，逐渐演化出对视觉特征提取过程的可解释机制一样。
P.S.看完这个视频，小编已经默默打开了Python+ADS教程...
"这年头不会点机器学习连电路都设计不过AI了"，与其担心被AI取代，不如先成为驾驭AI的那个人！
长按扫码
获得更多资讯
