# AI가 RFIC 설계의 “흑마술”을 배우다 > Clean Markdown view of GeekNews topic #30891. Use the original source for factual precision when an external source URL is present. ## Metadata - GeekNews HTML: [https://news.hada.io/topic?id=30891](https://news.hada.io/topic?id=30891) - GeekNews Markdown: [https://news.hada.io/topic/30891.md](https://news.hada.io/topic/30891.md) - Type: GN+ - Author: [xguru](https://news.hada.io/@xguru) - Published: 2026-06-28T07:37:52+09:00 - Updated: 2026-06-28T07:37:52+09:00 - Original source: [spectrum.ieee.org](https://spectrum.ieee.org/ai-radio-chip-design) - Points: 1 - Comments: 1 ## Topic Body - RFIC는 5G, 자동차 레이더, 위성 통신 같은 무선 기술의 기반이지만, 전자기·열·패키징 신뢰성을 함께 맞춰야 해 **수작업 중심의 난제**로 남아 있음 - Princeton 연구진은 인간 설계 템플릿을 출발점으로 삼지 않고, **강화학습**과 역설계를 결합해 아키텍처·회로 토폴로지·소자 파라미터·전자기 인터페이스를 처음부터 탐색함 - AI 기반 에뮬레이터는 임의의 2차원 전자기 구조에 대한 산란 파라미터를 밀리초 단위로 예측해, 기존 전자기 솔버의 분~시간 단위 반복을 크게 줄임 - 2023년 30~100GHz 밀리미터파 전력 증폭기에서 당시 실리콘 기반 전력 증폭기 중 **대역폭·출력·효율 조합**이 가장 좋은 결과를 냈고, 2024년에는 multiport IC 구조도 분 단위로 생성함 - AI는 작동하지 않는 회로도 만들 수 있어 검증에는 인간 감독이 필요하며, 범용 모델로 가려면 NDA에 묶인 RFIC·아날로그 설계 데이터를 공유할 **개방형 생태계**가 필요함 --- ### RFIC 설계가 “흑마술”로 남은 이유 - RFIC는 기기가 무선으로 정보를 송수신하게 하는 핵심 회로이며, **자율주행차**, 양자 통신, 6G, 위성 통신의 발전도 더 진보한 RF 칩에 의존함 - CPU나 GPU 설계는 표준화된 과학에 가까워졌지만, RF 설계는 오랜 경험으로 익히는 **수작업 기반 기술**의 성격이 강함 - RFIC 설계는 여러 물리 영역을 동시에 다룸 - **Maxwell 방정식**은 전자기장이 능동·수동 소자와 상호작용하는 방식을 지배함 - 열역학은 동작 중 열이 생성되고 제거되는 방식을 좌우함 - 열팽창과 수축은 칩과 패키지가 온도 변화에서 안정적으로 버티는지와 연결됨 - 모든 물리 제약을 함께 고려해야 하므로 설계 공간이 매우 크고, 한 성능 지표를 높이면 다른 지표가 나빠지는 **트레이드오프**가 자주 생김 ### 전통적 RFIC 설계 흐름과 병목 - 5G 밀리미터파 핸드셋용 **28GHz 전력 증폭기**를 설계하려면 먼저 회로 아키텍처와 토폴로지를 정해야 함 - RFIC 아키텍처는 집의 청사진처럼 필요한 구성 요소와 신호 경로를 정함 - 전력 증폭기에서는 증폭 단계 수가 중요한 요소가 됨 - RFIC 면적 대부분은 트랜지스터보다 인덕터, 전송선 같은 **수동 소자**와 전자기 구조가 차지함 - 5G 신호는 28GHz와 39GHz, 위성 통신은 26.5~40GHz 이상, 자동차 레이더는 77GHz에서 동작하며, RFIC는 이런 고주파에서 신호 에너지를 정교한 전자기 구조로 관리함 - 신호 경로가 다음 구성 요소와 제대로 맞지 않으면 에너지가 앞으로 흐르지 않고 뒤로 반사되는 **임피던스 매칭** 문제가 생김 - 엔지니어는 구성 요소 사이에 미세한 전환 구조를 설계해 반사를 줄임 - 이 구조는 신호 전달뿐 아니라 분할, 결합, 다중 경로 분배에도 쓰일 수 있음 - 사양을 만족하지 못하면 토폴로지나 아키텍처를 다시 고치고 시뮬레이션을 반복해야 하며, 새 칩 설계에는 수년과 수천만~수억 달러가 들어갈 수 있음 ### 템플릿을 벗어난 AI 설계 접근 - 기존 연구는 머신러닝을 회로 템플릿 최적화에 활용했지만, 여전히 인간이 만든 **기존 설계 라이브러리**에 의존함 - Princeton 연구진의 목표는 미리 만든 토폴로지 없이 아키텍처, 구성 회로, 전자기 수동 구조의 모든 파라미터를 알고리듬이 처음부터 정하게 하는 것임 - 이 방식은 기존 최적화와 출발점이 다름 - 기존 방식은 인간이 만든 구조에서 트랜지스터 크기나 수동 소자 형상 같은 파라미터를 조정함 - 새 방식은 빈 상태에 가까운 출발점에서 후보 회로 조합을 만들고, 성능 트레이드오프를 매핑하며 설계 공간을 탐색함 - 접근 방식은 [AlphaGo Zero](https://spectrum.ieee.org/alphago-zero-goes-from-blank-slate-to-grandmaster-in-three-dayswithout-any-help-at-all)처럼 인간 사례를 따라가기보다 자체 탐색과 평가로 설계 전략을 발전시킴 - 알고리듬은 회로, 전자기, 그리고 둘 사이의 **공동 설계**를 학습해 end-to-end RFIC 설계를 목표로 함 ### 강화학습과 역설계의 결합 - 첫 단계는 [강화학습](https://spectrum.ieee.org/reinforcement-learning-environments) 프레임워크로, 최적의 시스템 아키텍처, 회로 토폴로지, 소자 파라미터, 전자기 인터페이스 특성을 정함 - 강화학습 에이전트는 게임을 배우는 컴퓨터처럼 여러 조합을 시도하고, 행동과 점수의 관계를 관찰하며 더 나은 회로를 찾아감 - 학습에는 **며칠에서 일주일**이 걸림 - 학습이 끝난 뒤에는 회로를 매우 빠르게 설계할 수 있음 - 두 번째 단계는 원하는 산란 파라미터를 만드는 물리적 전자기 구조를 찾는 **역설계**임 - 산란 파라미터는 신호가 구성 요소 안으로 들어갔을 때 앞으로 진행하는지, 뒤로 반사되는지를 측정함 - 구조공학에서 목표 공간을 만들기 위해 아치나 버팀 구조를 찾는 방식과 유사함 - RFIC 역설계는 회로 동작과 인터커넥트·수동 소자의 전자기 응답을 동시에 맞춰야 하므로, 반복적인 수작업 탐색만으로 해결하기 어려움 ### AI 에뮬레이터가 줄인 전자기 설계 반복 - 연구진은 RF 회로 시뮬레이터를 AI 기반 **에뮬레이터**로 대체함 - 이 모델은 임의의 2차원 구조를 입력받아 Maxwell 방정식을 직접 계산하지 않고 산란 파라미터를 예측함 - 기존 전자기 솔버가 분~시간 걸리던 작업을 **밀리초** 단위로 줄임 - 에뮬레이터는 이미지 처리에 강한 합성곱 신경망을 기반으로 구축됨 - 구조 이미지는 전자기 성능을 예측할 수 있는 공간 정보를 포함함 - 연구진은 산란 파라미터가 라벨링된 다수의 무작위 픽셀 구조로 모델을 학습시킴 - 강화학습 기반 역설계와 AI 에뮬레이터를 결합해 [end-to-end AI designer](https://ieeexplore.ieee.org/document/10904600)를 구성하고, 전력 증폭기 설계에 적용함 ### 사람과 다른 RF 아키텍처 결과 - 2023년 공개된 [개념 증명](https://ieeexplore.ieee.org/document/10136184)은 30~100GHz 밀리미터파 대역 전력 증폭기를 대상으로 함 - 이 범위는 관련 5G와 레이더 주파수 대부분을 포함함 - 최종 설계는 당시 실리콘 기반 전력 증폭기 중 wide bandwidth, output power, efficiency의 조합이 가장 좋았고, record efficiency를 유지함 - 생성된 전자기 경로는 사람이 일반적으로 고려하는 정규적·대칭적 구조와 달리, 임의 패턴이나 QR 코드처럼 보였음 - 이 결과는 역사적으로 사용해 온 템플릿이 현대 설계 목표에 최적에 가깝다는 보장이 없음을 보여줌 - 이후 연구진은 입출력 포트가 많은 구조로 모델을 확장함 - 2개 포트는 산란 파라미터 4개, 4개 포트는 16개가 되어 복잡도가 빠르게 증가함 - 2024년 [multiport integrated circuits](https://ieeexplore.ieee.org/document/10600352) 연구에서 AI 알고리듬이 multiport 구조도 다룰 수 있음을 보임 - 이전에는 multiport 전자기 시뮬레이션에 며칠 또는 몇 주가 필요했지만, 이 모델은 새 구조를 분 단위로 진화시킴 - 강화학습 프레임워크와 역설계를 결합해 사양에서 [fabrication-ready layout](https://ieeexplore.ieee.org/document/11015614)까지 생성하는 흐름을 보였고, 저잡음 증폭기, [subterahertz](https://www.nature.com/articles/s41467-024-54178-1), broadband [power amplifiers](https://doi.org/10.1109/ISSCC49661.2025.10904600)에 적용됨 ### 해석 가능한 AI 설계 - RFIC 테스트와 디버깅은 설계만큼 오래 걸리거나 더 어려울 수 있어, 엔지니어는 문제가 생겼을 때 이해하고 고칠 수 있는 **해석 가능한 구조**를 선호함 - 연구진은 이미지 생성 AI에 쓰이는 [diffusion models](https://spectrum.ieee.org/ai-art-generator)를 RFIC 구조 생성에 적용함 - 텍스트 프롬프트 대신 산란 파라미터를 입력으로 사용하고, RFIC의 전자기 구조를 출력으로 생성함 - [공간 주파수 다이얼](https://ieeexplore.ieee.org/document/11409170)을 입력에 포함해 설계자가 결과 구조의 형태를 조절할 수 있게 함 - 낮은 공간 주파수: 고전적이고 해석 가능한 형태 - 중간 공간 주파수: 미로 같은 구조 - 높은 공간 주파수: 픽셀화되거나 임의 형태에 가까운 구조 - 프롬프트에서 출력까지 전체 과정은 약 **6분**이 걸리며, 물리적으로 Maxwell 방정식 아래 실현 가능한 산란 파라미터라면 대응 구조를 생성할 수 있음 ### 남은 한계와 데이터 과제 - AI 기반 설계 방식은 RF 커뮤니티의 관심을 얻었고, 전통적인 bottom-up 설계 흐름을 뒤집기 시작함 - 아직 해결되지 않은 질문이 남아 있음 - 방법이 얼마나 일반화될 수 있는지 - 꾸준히 높은 성능을 낼 수 있는지 - 가능한 모든 트레이드오프를 전체적으로 최적화할 수 있는지 - RFIC를 넘어 인간이 만든 적 없는 다른 회로까지 발명할 수 있는지 - AI는 작동하지 않는 나쁜 회로를 생성하는 **hallucination**을 할 수 있어, 검증에는 인간 감독이 계속 필요함 - 범용 foundational model을 만들려면 전자기와 회로 동작의 지배 법칙을 학습할 대규모 데이터가 필요함 - ImageNet은 1,400만 개의 다양하고 사람 라벨이 붙은 이미지로 이미지 인식 모델의 일반화를 가능하게 한 사례임 - RFIC와 아날로그 설계에서도 비슷한 규모와 다양성의 데이터가 필요함 - 데이터는 전 세계 기업과 연구실의 시뮬레이션에 많이 존재하지만, 대부분 **NDA** 뒤에 묶여 있음 - [Natcast](https://spectrum.ieee.org/natcast-layoffs)는 [U.S. CHIPS and Science Act’s R&D program](https://www.nist.gov/chips/research-development-programs)을 운영하며 차세대 무선, 센싱, 방위 기술을 위한 공유 인프라와 혁신을 강화할 수 있었지만, 조직과 머신러닝·RFIC 관련 [프로그램](https://www.nist.gov/chips/princeton-university-princeton)은 종료됨 - RFIC 분야가 AI 연구자와 칩 설계자 간 협력을 넓히고 개방형 생태계를 만들면, AI 기반 IC 설계의 잠재력을 더 크게 활용할 수 있음 ## Comments ### Comment 60536 - Author: neo - Created: 2026-06-28T07:37:53+09:00 - Points: 1 ###### [Hacker News 의견들](https://news.ycombinator.com/item?id=48660021) - 예전의 **유전 알고리즘 탐색**이 떠오름. 추측하고 검증하는 방식은 꽤 강력할 수 있고, 특히 중간에 에이전트의 안내를 넣을 수 있으면 더 그렇다 [https://en.wikipedia.org/wiki/Evolved_antenna]() - 비슷한 얘기를 하려 했음. 부품 수를 최소화한 **발진기**를 유전 알고리즘으로 만들던 일화가 기억나는데, 결국 단일 와이어 하나로 성공해서 사람들을 놀라게 했다고 함. 즉 근처의 잡음성 RF를 잡아내는 안테나였던 셈 - 이것도 있음: [https://en.wikipedia.org/wiki/Evolvable_hardware]() 출발점으로는: [https://sci-hub.ru/storage/moscow/4324/11d145b2c2c3ab320f70b...]() - 참된 이론은 어딘가 **아름답고 우아해야 한다**는 흔한 기대가 앞으로 한 세기를 버틸지 궁금함. 실제 자연 현상이 사실은 기계만 다루고 추론할 수 있는, 끔찍하게 지저분한 방정식 덩어리로 가장 잘 설명된다면 어떨까 싶고, 그건 꽤 슬플 듯 - 그 “흔한 기대”라는 표현은 좀 지나친 것 같음. 대부분의 사람은 과학 이론을 **근사**로 이해함. F=ma도 뉴턴 역학 범위 안에서만 맞고, 각 항에도 수많은 단서가 붙어서 실제 측정은 언제나 근사일 뿐임 물리학자들이 “완전한 구형 소”를 가정한다는 농담도 이 맥락이고, 사실 “수학의 비합리적 효과성” 에세이의 핵심도 여기에 가까움. 수학적 근사가 세상을 그렇게 잘 설명한다는 것 자체가 비합리적으로 놀랍다는 이야기임 - 의학과 인간 몸을 보면서 자주 이런 생각을 함. 우리는 몸이 기적처럼 잘 기름칠된 기계라고 믿고 싶어 하지만, 실제로는 간신히 붙어 있는 **엉망인 주머니**처럼 보일 때가 많음 - 요즘 나도 이 생각을 자주 함. 특히 이해하기 어렵지만 **기계로 검증 가능한 증명**들이 많이 나오고 있다는 점을 보면 더 그렇다 오컴의 면도날은 유용한 휴리스틱이지만, 더 단순한 설명 쪽으로 우리를 편향시키기도 함 - 오히려 정말 멋질 듯. 가장 낮은 수준에서는 모든 것이 이미 **확률 구름**이라는 걸 알고 있음. 무엇도 영원히 확정할 수 없다는 데에도 아름다움과 편안함이 있음 - “흔한 기대”는 핵심을 놓친 것 같음. 근본 이론이 단순하거나 우아해야 한다는 뜻이 아니라, 더 복잡한 이론과 더 단순한 이론 중 하나를 골라야 한다면 대체로 **가장 단순한 이론**이 더 정확한 선택이라는 뜻에 가까움. 양자물리 방정식도 꽤 못생겼음 - AI 설계의 훌륭한 용도 중 하나는 **특허 오염**임. AI로 대량의 변형 설계를 만들어 웹사이트에 공개해 두고, 나중에 특허가 나오면 겹치는 부분을 이용해 무효화하거나 최소한 범위를 좁힐 수 있음. 특허의 일반화는 선행기술에 의해 제한되기 때문임 - 2019/2020년 Sam Smith 침해 판결 때 변호사 Damien Riehl이 보였던 퍼포먼스성 대응이 떠오름. 그는 프로그래머 Noah Rubin과 함께 특정 조합 공간 안에서 가능한 모든 멜로디를 MIDI 형식으로 알고리즘 생성하고, 이를 **CC-0 라이선스**로 공개했다고 주장했음 [0] 이후 지역 TEDx 행사에서 자신의 논리를 설명하며 어느 정도 주목을 받았고 [1], 법률 해설자들은 판사들이 이런 것보다 훨씬 미세한 차이를 일상적으로 가른다며 시큰둥해했던 것으로 기억함. 그래도 귀여운 시도였음 [0] [https://allthemusic.info/]() [1] [https://m.youtube.com/watch?v=sJtm0MoOgiU]() and [https://www.the-independent.com/tech/music-copyright-algorit...]() - 조금 답답함. AI가 많은 일을 할 수는 있지만, LLM과 몬테카를로, 유전 알고리즘, 전문가 시스템, 기타 통계적 마술 같은 전통적 **기계학습**을 계속 뒤섞으면서, 이미 자리 잡은 도덕적으로 중립적인 기계학습 활동과 LLM·Stable Diffusion에 대한 우려를 너무 공격적으로 한데 묶고 있음 그리고 아마 그게 의도일 수도 있겠다는 생각도 듦 - 문제는 사람들이 AI가 무엇을 할 수 있다고 말하면서 마치 **LLM**이 그 일을 할 수 있다는 듯 암시한다는 데 있음. 그래서 순수 LLM이 거의 뭐든 할 수 있는 것처럼 보임. 반대로 LLM이 어떤 일을 기본적으로 잘 못한다는 이유로 AI는 절대 X를 못 할 거라고도 말함. AI라는 말은 너무 모호해져서 쓸모가 줄었음 - 마법 지팡이를 휘둘러서 **AI라는 단어** 자체를 없애고 싶음. 실제 의미가 없음. Mario Kart의 상대 캐릭터부터 Stable Diffusion까지 무엇이든 가리킬 수 있음 - “AI”는 멋진 SF 함의에 저주받은 용어임. 그래서 마케팅 용어로는 강력함. 많은 사람이 SF 속 AI에 익숙하고, “어떤 매체가 어떤 기술을 예언했다”는 믿음도 Star Trek, 은하수를 여행하는 히치하이커를 위한 안내서, Arthur C. Clarke 같은 X와 인터넷, 휴대폰, VR 같은 Y에 대해 꽤 널리 퍼져 있음 뭔가에서 큰 진전이 있다고 말하고 싶을 때, SF가 인간 성취를 예언한다는 대중과학적 이해에 연결하는 건 노력은 적고 효과는 큰 방식임. 사람들을 흥분시키는 것이 1순위라면 정확하게 전달하려는 게 아님 - 그래서 전통적 기계학습은 **ML**, 대규모 언어 모델은 **LLM**이라고 부르는 연습을 하고 있음. 더 이상 AI라는 말은 되도록 쓰지 않으려 함. 너무 애매함. 게임 AI를 말할 때도, 그 AI가 쓰는 것 같은 알고리즘의 줄임말을 쓰려고 함. 종종 순서도라고 표현하지만 실제 내부가 꼭 순서도인지는 확실하지 않음 - AI 겨울 동안 더 성공한 기계학습 분야들이 그 용어와 거리를 뒀던 것처럼, 이제 **AI 여름**이 되었으니 다시 그 용어를 받아들이는 모습을 보게 될 듯하고, 이미 그러고 있는지도 모름 - “인간은 상상조차 못 했다”는 말은 과장처럼 보임. 그래도 기계학습 알고리즘이 **무차별 탐색**으로 아무도 시도하지 않은 칩 설계에 도달할 수 있고, 그중 일부가 우리에게 유용할 수 있다는 건 충분히 가능해 보임. 컴퓨터가 하기엔 꽤 합리적인 일임 - 마케팅 헛소리임. 하나는 부정을 증명하는 것과 같아서, 인간이 그것을 상상할 수 없었다는 걸 증명할 수 없음. 둘째로 인간은 이미 꽤 많은 **괴상한 것들**을 상상해 왔음 - 무차별 탐색 부스러기가 올라간 **기계학습 레이어 케이크** 같음 - 기사에서 얻을 수 있는 한 가지는 이런 발전을 만들기 위해 검증된 칩 설계의 기본 구성 블록을 버려야 했다는 점임. 평범한 코딩에도 같은 얘기가 적용될지 궁금함. AI 코딩의 놀라운 혁신이 실제로는 **Rust와 Python**에 가로막히고 있는 걸까? AI 도구가 가능한 한 가장 낮은 수준에서 그냥 코딩하게 둬야 할까? - 흥미로운 질문이지만, **이식성**에는 꽤 걱정스러운 함의가 있어 보임 - 이 오래된 글이 떠오름: [https://www.damninteresting.com/on-the-origin-of-circuits/]() 인터넷에서 발견한 작은 보물 중 하나임 - 나도 이걸 올리려 했음. 처음 읽었을 때 정말 충격적이었기 때문에 다른 사람들도 즐긴다는 걸 보니 반갑다 근처 다른 댓글에서 실험실에서 자란 설계의 견고성 얘기가 나왔는데, Damn Interesting 글에서 가장 흥미로웠던 부분도 진화한 프로그램이 학습에 사용된 단 하나의 물리적 **FPGA**와 분리될 수 없었다는 사실이었음. 이번 RFIC 학습 모델은 시뮬레이터를 쓰니, 시뮬레이터가 돌아가는 물리 하드웨어의 특성이 학습에서 충분히 격리되어 서로 다른 하드웨어에서 시뮬레이터를 돌려도 설계들이 비슷하게 동작할지 궁금함 더 명백한 질문은 시뮬레이터에서 진화한 설계가 실제 물리 하드웨어에서도 기대대로 동작할 희망이 있느냐는 것임. 후자에 대한 내 직감은 아니라는 쪽이지만, 여전히 흥미로운 연구로 보이고, FPGA에서 실제로 무슨 일이 벌어졌는지 제대로 이해하는 것이 강화학습을 진짜로 다루는 데 선행 조건일지도 모른다는 생각을 자주 함 이 글을 올려줘서 반갑고, 이 분야와 관련된 다른 즐겨찾기가 있으면 보내주면 좋겠음 - 너무 특화되고 최적화되어 더 이상 적응할 수 없게 된 종의 예시이기도 함. 또한 **POSIWID**의 예시이기도 함 - 가장 큰 질문은 이런 설계가 얼마나 **견고한가**임 논문에서는 실제 장치 측정값이 예측과 잘 맞는다고 보여주긴 했지만, 본문에서 이를 명시적으로 다룬 부분은 찾지 못했음. 또 제시된 일부 시스템에는 전통적으로 설계된 하위 블록이 포함되어 있어서 그쪽이 일부 역할을 떠맡고 있을 수도 있음 어쩌면 내 일자리를 노리는 것 같아 괜히 삐딱하게 보는 걸 수도 있고, 어쩌면 우리가 그렇게 생각하길 바라는 걸 수도 있음 실제로 이기는 건 제조·환경 변동과 모델 한계에도 버틸 수 있는 단순한 아이디어라고 봄. 피드백이나 대칭성 같은 것들임. 그런데 여기서 보여주는 건 그 반대에 가까움. 회로 파라미터를 블라인드 최적화해 본 적이 몇 번 있는데, 결국 “여기에는 대칭이 필요하구나”나 “여기에는 대역폭이 더 필요하구나” 같은 놓쳤던 단순한 아이디어를 깨닫고 나면 완전히 말이 됐음. 그래서 이 구조의 몇 픽셀만 손보면 더 단순한 무언가가 드러나지 않을까 궁금함 그리고 의무적으로 “유전 안테나”도 언급해야 함 - 바로 이 부분이 이 기사와 과거의 몇몇 비슷한 기사에서 걸리는 점임. 설계에서 AI가 유용하다는 주장에 대한 **증거**가 들어 있지 않음 본문에 따르면 AI의 역할은 최적화 과정에서 전자기 시뮬레이터를 대체해 구조의 동작을 추정하는 것이고, 이는 시뮬레이션보다 여러 자릿수 빠르다고 함 그럴듯하게 들리지만, 이를 믿으려면 AI 학습에 쓰인 것과 크게 다른 기하 구조에 대해 AI의 추정과 실제 측정 사이의 차이를 보고 싶음. 또 AI 모델의 속도를 정확히 어떤 시뮬레이터와 비교했는지도 봐야 함 전자기장과 전자회로에는 정확도와 속도를 맞바꾸는 여러 시뮬레이션 접근법이 있음. 그래서 AI 추론이 반드시 더 빠른 저정확도 시뮬레이션보다 훨씬 적은 시간을 쓴다고는 확신하지 못하겠음. 그런 시뮬레이션도 AI 추정보다 더 정확하고 신뢰할 만할 수 있음 - 나도 **유전 안테나**를 언급하러 왔음 이미 먼저 말했으니, “꽤 단순한 아이디어를 깨닫는다”는 얘기와 관련해 하나 덧붙이면, 이런 컴퓨터 지원 설계의 큰 장점 중 하나는 “innovization”[1]이라고 생각함. 다소 어색한 용어지만, 이런 시스템이 특정 과정에 대한 더 깊은 이해로 이끌어 주는 것이 핵심임. 실제로 겪어 보면 꽤 재미있는 느낌임 [1]: [https://dl.acm.org/doi/10.1145/1143997.1144266]() - 그냥 **과장된 쓰레기 기사**임 - 이 기사에서 설명한 방법들은 새롭지 않음. 과학자들은 수십 년 전부터 **유전 알고리즘**으로 아무도 이해하지 못했지만 잘 작동하는 안테나를 설계하고 있었음 - 그렇게 마법 같은 일은 아님. 기사에서도 말하듯 **RFIC 설계**는 일반적인 RF 엔지니어링을 훨씬 넘어 설계자의 지식과 경험에 크게 기대는 흑마법에 가깝고, 몇십 년 전이면 슈퍼컴퓨터급이었을 모델링·설계 도구의 도움을 받음 AI가 할 수 있는 일은 가능한 모든 결과를 너비 우선으로 탐색한 뒤 성능이 가장 좋은 것을 고르는 것임. 사람이 “이 경로가 좋아 보이니 더 파보자”라고 하는 방식과 다름 - 흥미롭거나 유용하려면 꼭 마법 같아야 하나?