Dans l’industrie des semi-conducteurs, il existe une catégorie de puces dont la conception est qualifiée d’« art obscur » — l’expression n’est pas de nous, mais du journal IEEE Spectrum en juin 2026 : « a dark art ».
Concevoir cette puce ne nécessite pas des millions de lignes de code, ni ne s’appuie sur un flux de conception automatisé standardisé. Elle repose sur l’intuition accumulée par des ingénieurs chevronnés pendant des décennies, sur ce sens du « je ne sais pas pourquoi, mais je sais que ça marche » qui ne s’enseigne pas. Une nouvelle puce, de la spécification au tape-out, peut prendre des années et coûter des dizaines, voire des centaines de millions de dollars.
Il s’agit des puces radiofréquence — ce petit morceau de silicium dans votre téléphone qui gère les signaux 5G.
Aujourd’hui, l’équipe dirigée par Kaushik Sengupta à l’université de Princeton a démontré une chose : cet art obscur, une IA l’a appris. En une semaine environ. Dans de nombreux cas, les prototypes conçus par l’IA à partir de zéro surpassent les meilleures solutions humaines disponibles.
Ce qui mérite qu’on s’y attarde, ce n’est pas « l’IA a encore gagné » — ce genre de titres est déjà omniprésent. Ce qui est fascinant, c’est de comprendre pourquoi les puces RF sont si difficiles, au point de donner des maux de tête aux vétérans les plus expérimentés, et comment une IA a réussi à apprendre quelque chose qui « n’a pas de formule ».
Des puces numériques comme un jeu de construction, des puces RF comme l’hydrodynamique
Pour saisir la difficulté des puces RF, il faut d’abord regarder leur version « facile » : les puces numériques — nos CPU et GPU familiers.
La logique des puces numériques est binaire : des 0 et des 1, des portes ouvertes ou fermées. Le signal suit un chemin prédéterminé, chaque étape est déterministe. Cette prévisibilité permet l’automatisation : les ingénieurs écrivent les spécifications, les outils EDA génèrent la disposition du circuit. C’est complexe, mais c’est un problème mathématique décomposable et optimisable.
Les puces RF, elles, dialoguent avec les ondes électromagnétiques.
À des fréquences comme 28 GHz (téléphones 5G) ou 77 GHz (radars automobiles), le comportement des ondes devient profondément indiscipliné. Elles ne suivent pas sagement un chemin — elles se réfléchissent, se couplent, rayonnent, interfèrent. Même deux composants distants de quelques centaines de microns sur la puce s’influencent mutuellement à travers le champ électromagnétique. Pour citer l’article d’IEEE Spectrum, cela revient à résoudre simultanément les équations de Maxwell, les lois de la thermodynamique et la mécanique des matériaux en interaction — le tout dans un espace de la taille d’un ongle.
Une analogie : concevoir une puce numérique, c’est comme assembler des briques — les règles sont claires, si ça tombe, c’est que c’est faux. Concevoir une puce RF, c’est comme gérer un réseau hydraulique parcouru de courants souterrains : vous construisez une digue ici, l’eau déborde à un endroit que vous n’aviez jamais envisagé. Appuyez sur un coin du tapis, l’autre coin se soulève.
Voilà pourquoi, dans le domaine numérique, les outils EDA accomplissent déjà l’essentiel du travail, tandis que la conception RF reste massivement artisanale — dépendante d’ingénieurs qui ajustent manuellement, itération après itération, en s’appuyant sur des « astuces affinées pendant vingt ans d’essais et d’erreurs ».
L’inspiration venue d’AlphaGo
En 2016, AlphaGo a battu Lee Sedol. Cette performance a frappé l’équipe de Sengupta : si une IA peut trouver la solution optimale dans un jeu dont l’espace de recherche dépasse le nombre d’atomes dans l’univers, pourrait-elle faire la même chose dans « l’espace de conception » des puces RF ?
Que signifie cet « espace de conception » ? Imaginez que vous devez concevoir un amplificateur de puissance 5G. Les paramètres à déterminer — le nombre d’étages d’amplification, les dimensions des transistors de chaque étage, la longueur et la largeur des lignes de transmission, la structure du réseau d’adaptation d’impédance — chaque choix influence tous les autres, et la combinatoire de l’ensemble forme un espace de possibilités aux proportions astronomiques. Face à cela, les ingénieurs humains s’appuient sur des templates : des topologies de circuits éprouvées par les générations précédentes, à l’intérieur desquelles ils optimisent.
Les templates sont utiles. Mais ils sont aussi une prison. Ils délimitent ce qui « ressemble à une bonne réponse » — alors que la réponse elle-même pourrait se trouver hors du périmètre tracé par ces templates.
L’équipe de Princeton voulait que l’IA explore cet espace à partir de zéro, sans aucun modèle humain de référence.
Apprentissage par renforcement : transformer la conception de puces en jeu
La méthode centrale employée s’appelle l’apprentissage par renforcement (Reinforcement Learning, RL).
Le principe est simple à comprendre : c’est comme entraîner une IA à jouer à un jeu vidéo. L’IA ne sait pas ce qu’est « une bonne conception de puce », mais elle peut essayer sans cesse — combiner aléatoirement des paramètres de circuit, puis recevoir un « score » (un indicateur de performance). Les combinaisons qui obtiennent un bon score sont mémorisées, les mauvaises sont écartées. Après des millions d’essais et d’erreurs, l’IA apprend progressivement « quel type de conception obtient un score élevé ».
Ce processus prend de quelques jours à une semaine. Une fois l’entraînement terminé, l’IA peut proposer une solution de conception en très peu de temps.
Mais il y a un goulot d’étranglement critique : chaque essai nécessite une simulation électromagnétique complète pour calculer le « score ». Les simulateurs EM traditionnels mettent de quelques minutes à plusieurs heures par simulation — ce qui est totalement impraticable pour un algorithme RL qui a besoin de millions d’essais.
L’IA remplace le simulateur physique
La deuxième percée de l’équipe de Princeton a été de remplacer le simulateur physique par une IA.
Ils ont entraîné un réseau de neurones convolutif — un type de modèle d’IA spécialisé dans l’extraction de caractéristiques spatiales — à prédire le comportement électromagnétique de structures métalliques bidimensionnelles arbitraires. En bref, vous lui montrez le plan d’un circuit, et en quelques millisecondes, il vous dit comment les ondes EM vont se comporter, sans résoudre manuellement les équations de Maxwell.
D’où viennent les données d’entraînement de ce simulateur IA ? D’un grand nombre de structures pixellisées générées aléatoirement, chacune annotée avec ses paramètres EM réels calculés par un simulateur traditionnel. Une fois entraîné, le gain de vitesse est de plusieurs ordres de grandeur : ce qui prenait entre quelques minutes et quelques heures se fait désormais en quelques millisecondes.
Avec ce simulateur rapide, l’apprentissage par renforcement peut fonctionner à grande échelle. Les deux combinés forment une chaîne de conception IA complète, allant de la « description du besoin » jusqu’au « layout de puce fabricable ».
Ce que l’IA a rendu : des puces qui ne ressemblent à rien de connu
En 2023, l’équipe a publié un premier résultat de validation : un amplificateur de puissance large bande couvrant la plage de 30 à 100 GHz. Cette bande englobe les fréquences 5G et radar grand public. Le design final a établi un nouveau record pour les amplificateurs de puissance sur silicium en termes de bande passante, puissance de sortie et rendement combinés.
Mais ce qui a le plus secoué l’industrie, c’est l’apparence du layout.
Les puces RF conçues par des humains présentent généralement des structures électromagnétiques symétriques et régulières — élégantes comme de la dentelle, prévisibles. Les structures produites par l’IA ressemblent davantage à des QR codes, ou à de l’art contemporain. Pas d’axe de symétrie, pas de motif répétitif, aucune « esthétique » lisible.
Parce que pour l’IA, ces considérations n’ont aucune importance. L’IA se préoccupe uniquement de savoir si les paramètres de scattering (paramètres S) de l’onde électromagnétique traversant cette structure satisfont les spécifications. Que ce soit joli, qu’un ingénieur puisse le comprendre — l’IA s’en moque.
Une voie médiane intéressante : le curseur d’interprétabilité
L’équipe de Princeton a aussi reconnu un problème : si un ingénieur ne comprend rien au design généré par l’IA, comment déboguer en cas de problème ? (Le test et le débogage des puces prennent souvent plus de temps que la conception elle-même.)
Ils ont donc introduit des modèles de diffusion — la technologie derrière les générateurs d’images comme Stable Diffusion et DALL·E. En entrée : les paramètres EM souhaités. En sortie : la structure du circuit. L’astuce, c’est qu’ils ont ajouté un « curseur de fréquence spatiale » : l’ingénieur peut choisir de laisser l’IA générer des structures à basse fréquence spatiale (traditionnelles, régulières, compréhensibles par un humain) ou à haute fréquence spatiale (pixellisées, aux formes arbitraires).
De l’entrée à la sortie, le processus prend environ six minutes.
L’intérêt de ce dispositif : l’IA peut aussi bien explorer des espaces de conception jamais visités par l’homme qu’accélérer le travail dans le cadre des paradigmes esthétiques et de débogage existants. Deux modes, un seul outil.
Garder la tête froide : l’IA « produit aussi des déchets »
La fin de l’article contient un aveu honnête qui mérite attention.
L’IA peut « halluciner » — produire des circuits qui violent les lois de la physique. La probabilité est faible, mais quand cela arrive, le résultat est un wafer bon pour la poubelle. La parade actuelle : une vérification humaine.
Il y a un goulot d’étranglement plus fondamental encore : les données.
Si la reconnaissance d’images par IA a progressé de façon fulgurante ces dix dernières années, c’est parce qu’ImageNet — un dataset de 14 millions d’images annotées — a servi de point de bascule. La conception de puces RF a besoin d’un dataset d’échelle comparable : des masses de structures de circuits associées à leurs résultats de simulation EM. Ces données sont produites chaque jour dans les laboratoires et les entreprises du monde entier, mais elles sont toutes enfermées derrière des accords de confidentialité.
L’article mentionne que le programme Natcast, dans le cadre du CHIPS Act américain, avait prévu de construire des données et une infrastructure partagées, mais ce plan a été abandonné. L’écosystème open source dans le domaine de la conception de puces a encore un long chemin à parcourir.
Au-delà des puces
Derrière cette histoire se dessine une ligne plus générale : quand l’IA passe de « l’assistance à l’optimisation de solutions humaines existantes » à « l’exploration de zéro d’espaces de conception jamais foulés par l’homme », les règles du jeu changent dans de nombreux secteurs.
Les joseki au Go, les bibliothèques d’ouvertures aux échecs, les schémas de repliement des protéines, les templates de circuits RF — autant de « raccourcis » forgés par l’expérience humaine. L’IA a prouvé une chose : dans bien des domaines, ces raccourcis ne sont pas des solutions optimales, mais simplement la frontière des capacités cognitives humaines.
Si la conception de puces RF est qualifiée d’art obscur, ce n’est pas parce que les lois physiques sont mystérieuses — les équations de Maxwell les décrivent parfaitement. C’est parce que le cerveau humain est incapable de suivre simultanément toutes les relations de couplage entre les variables dans un espace de conception absurdement vaste.
L’IA n’a pas ce problème. Elle n’a pas besoin de « comprendre ». Elle a juste besoin d’essayer, d’évaluer, d’ajuster, encore et encore.
Ce que l’IA a appris cette fois, c’est à faire ce que les humains n’avaient jamais fait auparavant.
Références
- AI Learns the “Dark Art” of RFIC Design — IEEE Spectrum, Kaushik Sengupta, 24 juin 2026
- Discussion Hacker News — 167 points, 116 commentaires