Semiconductor Engineering sitesinde 27 Ağustos 2026'da yayımlanan makale, RF radyo frekansı devrelerinin tasarımına yapay zekânın dahil edilmesini, mevcut platformun değiştirilmesini veya iş akışının baştan sona yeniden kurulmasını gerektiren bir proje olarak değil, kademeli bir süreç olarak ele almayı öneriyor. Fikir pratik bir sorundan yola çıkıyor: RF ve mikrodalga ekiplerinin yetkinliklerinin önemli bir bölümü, güç amplifikatörlerinin tasarım yöntemleri, cihaz karakterizasyonu ve çalışma sırasında alınan ancak yeniden kullanılabilir bir biçimde belgelenmemiş kararlar da dahil olmak üzere, deneyimli mühendislerin biriktirdiği kurumsal bilgiye dayanıyor.
Makalenin aktardığına göre bu deneyimin kaybedilmesi, yeni mühendislerin yetişme süresini uzatıyor, tasarım uzayının değerlendirilmesini yavaşlatıyor ve daha fazla adayın test edilmesiyle ortaya çıkarılabilecek bir yeniden tasarım ihtiyacına yol açabiliyor. Bu nedenle ilk soru, ekibin yapay zekâyı benimseyip benimsemeyeceği değil, gerçek tasarımlar üretirken mühendislerin dayandığı araçları aksatmadan bu yetkinliğin nasıl oluşturulabileceği olmalı.
Paralel olarak uygulanabilecek üç aşama
Kaynağın Keysight'ta yapay zekâ ve makine öğrenmesi ürün yöneticisi olarak tanımladığı yazar Daren McClearnon, bilgiyi yakalama, araçları koordine etme ve keşfi hızlandırma olmak üzere üç aşamalı bir çerçeve öneriyor. Bu çerçeve, bir aşamanın tamamlanmasının diğerine başlanması için şart olmasını gerektirmiyor.
Uzmanlığı yakalamak ve yeniden kullanılabilir varlıklara dönüştürmek
Kaynak, RF uzmanlığının genellikle yalnızca kodda bulunmadığını; araçlar, denklemler ve simülasyon sonuçlarını ölçülen donanımda görülenlerle ilişkilendirmeye yönelik pratik deneyim arasında dağıldığını belirtiyor. Yakalama aşamasında bu bilginin, ekibin çalıştırabileceği ve paylaşabileceği, daha sonra da yazılım ajanlarına devredebileceği biçimlere dönüştürülmesi gerekiyor.
- Şemaları ve yerleşimleri, ayarlanabilir parametrelere sahip Python koduna aktarmak.
- Uzmanların prosedürlerini çalıştırılabilir betikler biçiminde kaydetmek.
- Simülasyon akış şemasını, ajan tabanlı sistemlerin anlayabileceği belgelenmiş koda dönüştürmek.
Bu adımın pratik değeri, başlı başına bir dil modelinin kullanılmasında değil, kurum içi yöntemin belirli kişilerin hafızasında kalmak yerine görünür ve tekrarlanabilir hale getirilmesinde yatıyor.
Betik yazmaktan hedef belirlemeye
Koordinasyon aşaması, yakalanan bilgiden yararlanıyor. Mühendis her betiği kendisi yazıp manuel olarak yönetmek yerine, örneğin kazancı 20 dB'yi ve çıkış gücü 28 dBm'yi aşan bir MMIC güç amplifikatörü tasarlamak gibi istenen sonucu tanımlayabilir; ardından araçlara bağlı bir dil modeli uygun araçları bulma ve çağırma görevini üstlenebilir.
Makalenin belirttiğine göre bu, doğrudan tam özerkliğe geçmek anlamına gelmiyor. Kurumlar bugün çoğunlukla manuel programlama ile mühendisin niyetini anlayan, ancak insan gözetimini yakın tutan ilk dönem iş birliği yardımcılarının kullanımı arasında bulunuyor. Bir sonraki adım ise aynı koordinasyon temelinden yararlanarak, kısmi yetkilendirmeyle çok aşamalı görevleri üstlenen uzmanlaşmış ajanlar.
Fiziği gözetim altında tutarak keşfi hızlandırmak
Üçüncü aşama, keşfedilebilecek tasarım sayısını artırmaya ve bekleme süresini azaltmaya odaklanıyor. Kaynak iki temel araçtan söz ediyor: ağır elektromanyetik simülasyon işlemlerinin sinir ağlarına dayalı hızlı yaklaşımlarla değiştirildiği vekil modelleme; bazı yapılar için büyüklük bakımından iki veya üç mertebe daha hızlı olabiliyor. Diğer araç ise aynı anda daha fazla parametreyi ele alabilen ve daha az sayıda simülasyon kullanarak uygun çözümler bulabilen yapay zekâ destekli optimizasyon.
Ancak sonuç güvenilir değilse hızlandırmanın pratik bir değeri bulunmuyor. Riskler özellikle paketleme, ara bağlantılar, kuplaj, güç ve toprak bütünlüğü ile üç boyutlu akımlarda öne çıkıyor; bu etkenler hızlı ve kendinden emin görünen bir yanıtı gerçek donanım davranışından uzaklaştırabilir ve ardından arızaların kök neden analizini zorlaştırabilir. Bu nedenle sisteme yönelik yetkilendirme kapsamı genişletilmeden önce modellemede kullanılan fiziğin gerçek ölçümlerle karşılaştırılması gerekiyor.
Genişlemeden önce ne doğrulanmalı?
Çerçeve, yalnızca model kalitesine değil, veri kaynağının izlenebilirliğine de önem veriyor. Ekibin vekil modelin eğitim verilerinin kaynağını, bunların nasıl etiketlenip temizlendiğini ve bilinen varsayımları ile sınırlamalarını bilmesi gerekiyor. Hızın sınırlarını belirleyen ve onun görünmez bir riske dönüşmesini önleyen şey bu şeffaflık.
Kaynak, bir RFIC tasarım şirketi olan Sphere Semi örneğini veriyor. Şirket, her seferinde tek bir tasarımı keşfetme sorunuyla karşı karşıyaydı. Şirket, üretim, simülasyon, sıralama ve optimizasyon aşamalarını gerçekleştirmek için tamamen kodla tanımlanan ve Python tabanlı bir akış benimsedi; yüzlerce ila binlerce adayı, devre ve elektromanyetik simülasyonların birlikte yürütülmesiyle çalıştırdı. Makalede verilen rakamlara göre bu yaklaşım, üretkenlikte 5 ila 10 kat artış, izolasyonda 6 dB iyileşme ve geleneksel manuel tasarım süreçlerine kıyasla filtre alanında %30 azalma sağladı.
certi.news'in değerlendirmesi: Makalenin önerdiği gerçek değişim, mühendisin yerine bağımsız bir ajan koymak değil; dağınık bilgiyi çalıştırılabilir akışlara aktarmak, ardından bunları net tasarım hedefleri ve ölçülebilir doğrulama araçlarıyla ilişkilendirmek. Bu da benimsemeyi tek bir platform kararına daha az, dokümantasyonun, verilerin ve ölçümlerin kalitesine daha fazla bağlı hale getiriyor. Bununla birlikte, belirtilen sonuçlar kaynağın sunduğu tek bir örneğe ait ve aynı kazanımların her tasarımda veya ortamda tekrarlanacağını tek başına kanıtlamıyor. Ayrıca vekil modellerin genellenebilirliği ve paketleme, yapılar veya veriler değiştiğinde sınırları gibi soruların her ekip için özel olarak doğrulanması gerekiyor.