Ein am 27. August 2026 von Semiconductor Engineering veröffentlichter Beitrag plädiert dafür, die Einführung künstlicher Intelligenz in das Design von Hochfrequenzschaltungen RF als schrittweisen Prozess zu betrachten – nicht als Projekt, das den Austausch der bestehenden Plattform oder den vollständigen Neuaufbau des Arbeitsablaufs erfordert. Ausgangspunkt ist ein praktisches Problem: Ein großer Teil der Leistungsfähigkeit von RF- und Mikrowellenteams beruht auf dem über Jahre angesammelten institutionellen Wissen erfahrener Ingenieure. Dazu gehören Entwurfsmethoden für Leistungsverstärker, die Charakterisierung von Bauelementen sowie Entscheidungen, die während der Arbeit getroffen, aber nicht in wiederverwendbarer Form dokumentiert wurden.
Dem Beitrag zufolge verlängert der Verlust dieses Wissens die Einarbeitungszeit neuer Ingenieure, verlangsamt die Bewertung des Designraums und kann zu einer Neuentwicklung führen, deren Notwendigkeit durch die Prüfung einer größeren Zahl von Kandidaten hätte erkannt werden können. Die erste Frage sollte daher nicht lauten, ob das Team künstliche Intelligenz einführen wird, sondern wie diese Fähigkeit aufgebaut werden kann, ohne die Werkzeuge zu beeinträchtigen, auf die Ingenieure bei der Erstellung realer Designs angewiesen sind.
Drei parallel umsetzbare Phasen
Der Autor Daren McClearnon, den die Quelle als Produktmanager für künstliche Intelligenz und maschinelles Lernen bei Keysight vorstellt, schlägt einen Rahmen aus drei Phasen vor: Wissensaufnahme, Werkzeugkoordination und beschleunigte Exploration. Dieser Rahmen setzt nicht voraus, dass eine Phase abgeschlossen sein muss, bevor die nächste beginnt.
Erfahrung erfassen und in wiederverwendbare Ressourcen umwandeln
Die Quelle weist darauf hin, dass RF-Erfahrung normalerweise nicht allein im Code steckt, sondern sich auf Werkzeuge, Gleichungen und praktische Erfahrung bei der Verbindung von Simulationsergebnissen mit dem Verhalten der gemessenen Hardware verteilt. In der Erfassungsphase sollte dieses Wissen in Formen überführt werden, die das Team ausführen und gemeinsam nutzen kann und die später an Softwareagenten übergeben werden können.
- Schaltpläne und Layouts in Python-Code mit einstellbaren Parametern exportieren.
- Vorgehensweisen von Experten in Form ausführbarer Skripte aufzeichnen.
- Den Simulationsablauf in dokumentierten Code umwandeln, den agentenbasierte Systeme verstehen können.
Der praktische Wert dieses Schritts liegt nicht in der Verwendung eines Sprachmodells an sich, sondern darin, die interne Methodik sichtbar und reproduzierbar zu machen, anstatt sie im Gedächtnis bestimmter Personen zu belassen.
Von der Skripterstellung zur Zieldefinition
Die Koordinationsphase nutzt das zuvor erfasste Wissen. Anstatt dass der Ingenieur jedes Skript manuell schreibt und verwaltet, kann er das gewünschte Ergebnis festlegen, etwa den Entwurf eines MMIC-Leistungsverstärkers mit einer Verstärkung von mehr als 20 dB und einer Ausgangsleistung von mehr als 28 dBm. Anschließend kann ein mit den Werkzeugen verbundenes Sprachmodell die passenden Werkzeuge finden und aufrufen.
Dies bedeutet dem Beitrag zufolge nicht den unmittelbaren Übergang zu vollständiger Autonomie. Unternehmen bewegen sich derzeit häufig zwischen manueller Programmierung und dem Einsatz früher kollaborativer Assistenten, die die Absicht des Ingenieurs verstehen, während die menschliche Aufsicht engmaschig bestehen bleibt. Der nächste Schritt sind spezialisierte Agenten, die mehrstufige Aufgaben mit teilweiser Delegation übernehmen – auf Grundlage derselben Koordination.
Exploration beschleunigen und die Physik unter Beobachtung halten
Die dritte Phase konzentriert sich darauf, die Zahl der untersuchbaren Designs zu erhöhen und die Wartezeit zu verkürzen. Die Quelle nennt zwei zentrale Werkzeuge: Surrogatmodellierung, bei der aufwendige elektromagnetische Simulationen durch schnelle, auf neuronalen Netzen basierende Näherungen ersetzt werden, die bei bestimmten Strukturen um zwei oder drei Größenordnungen schneller sein können; sowie KI-gestützte Optimierung, die gleichzeitig mit einer größeren Zahl von Parametern umgehen und mit weniger Simulationen geeignete Lösungen finden kann.
Die Beschleunigung besitzt jedoch keinen praktischen Wert, wenn das Ergebnis unzuverlässig ist. Risiken treten insbesondere bei der Verpackung, den Verbindungen, der Kopplung, der Integrität von Stromversorgung und Masse sowie bei dreidimensionalen Strömen auf. Diese Faktoren können dazu führen, dass eine schnelle und selbstsicher präsentierte Antwort weit vom tatsächlichen Verhalten der Hardware entfernt ist und anschließend die Ursachenanalyse von Fehlern erschwert. Daher muss die in der Modellierung verwendete Physik mit den tatsächlichen Messungen verglichen werden, bevor der Umfang der Delegation an das System erweitert wird.
Was muss vor der Ausweitung überprüft werden?
Der Rahmen betont außerdem die Bedeutung der Rückverfolgbarkeit der Datenquelle und nicht nur die Qualität des Modells. Das Team muss wissen, woher die Trainingsdaten des Surrogatmodells stammen, wie sie gekennzeichnet und bereinigt wurden und welche bekannten Annahmen und Einschränkungen sie enthalten. Diese Transparenz legt die Grenzen der Geschwindigkeit fest und verhindert, dass sie zu einem unsichtbaren Risiko wird.
Die Quelle führt das Beispiel des Unternehmens Sphere Semi an, eines RFIC-Designunternehmens, das mit dem Problem konfrontiert war, jeweils nur ein Design zu untersuchen. Das Unternehmen setzte einen vollständig code-definierten, auf Python basierenden Ablauf ein, um die Phasen der Generierung, Simulation, Sortierung und Optimierung durchzuführen, wobei Hunderte bis Tausende von Kandidaten mittels einer gemeinsamen Schaltungs- und elektromagnetischen Simulation ausgeführt wurden. Den im Beitrag genannten Zahlen zufolge erzielte dieser Ansatz eine Produktivitätssteigerung um das 5- bis 10-Fache, eine Verbesserung der Isolation um 6 dB und eine Verringerung der Filterfläche um 30 Prozent im Vergleich zu herkömmlichen manuellen Designprozessen.
Einordnung von certi.news: Die tatsächliche Veränderung, die der Beitrag vorschlägt, besteht nicht darin, den Ingenieur durch einen unabhängigen Agenten zu ersetzen, sondern verstreutes Wissen in ausführbare Abläufe zu überführen und diese anschließend mit klaren Designzielen und messbaren Prüfwerkzeugen zu verbinden. Dadurch hängt die Einführung weniger von der Entscheidung für eine einzelne Plattform und stärker von der Qualität der Dokumentation, Daten und Messungen ab. Die genannten Ergebnisse beziehen sich jedoch auf ein einzelnes Beispiel, wie es die Quelle darstellt, und belegen allein nicht, dass sich dieselben Vorteile in jedem Design oder jeder Umgebung wiederholen werden. Fragen wie die Übertragbarkeit von Surrogatmodellen und ihre Grenzen bei Änderungen der Verpackung, der Strukturen und der Daten müssen außerdem für jedes Team gesondert überprüft werden.