Un article publié par Semiconductor Engineering le 27 août 2026 préconise de considérer l’introduction de l’intelligence artificielle dans la conception de circuits radiofréquence RF comme une démarche progressive, et non comme un projet nécessitant le remplacement de la plateforme actuelle ou la reconstruction complète du flux de travail. L’idée part d’un problème concret : une grande partie des capacités des équipes RF et micro-ondes repose sur des connaissances institutionnelles accumulées par des ingénieurs expérimentés, notamment les méthodologies de conception d’amplificateurs de puissance, la caractérisation des dispositifs et les décisions prises au cours du travail qui n’ont pas été documentées sous une forme réutilisable.
Selon l’article, la perte de cette expertise prolonge la période de formation des nouveaux ingénieurs, ralentit l’évaluation de l’espace de conception et peut entraîner une nouvelle conception dont la nécessité aurait pu être détectée en testant un plus grand nombre de candidats. La première question ne devrait donc pas être de savoir si l’équipe adoptera l’intelligence artificielle, mais comment développer cette capacité sans perturber les outils dont les ingénieurs dépendent pour produire des conceptions réelles.
Trois étapes pouvant être mises en œuvre en parallèle
L’auteur Daren McClearnon, que la source présente comme directeur des produits d’intelligence artificielle et d’apprentissage automatique chez Keysight, propose un cadre en trois étapes : la capture des connaissances, la coordination des outils et l’accélération de l’exploration. Ce cadre n’exige pas qu’une étape soit achevée avant le début de la suivante.
Capturer l’expertise et la convertir en ressources réutilisables
La source indique que l’expertise RF ne réside généralement pas uniquement dans le code, mais qu’elle est répartie entre les outils, les équations et l’expérience pratique nécessaire pour relier les résultats des simulations à ce qui apparaît dans le matériel mesuré. Lors de l’étape de capture, ces connaissances doivent être converties en formats que l’équipe peut exécuter et partager, puis transmettre ultérieurement à des agents logiciels.
- Exporter les schémas et les layouts sous forme de code Python doté de paramètres réglables.
- Enregistrer les procédures des experts sous forme de scripts exécutables.
- Convertir le diagramme de flux de simulation en code documenté que les systèmes fondés sur des agents peuvent comprendre.
La valeur pratique de cette étape ne réside pas dans l’utilisation d’un modèle de langage en soi, mais dans le fait de rendre la méthodologie interne visible et reproductible, au lieu de la laisser dépendre de la mémoire de personnes données.
De l’écriture de scripts à la définition de l’objectif
L’étape de coordination s’appuie sur les connaissances qui ont été capturées. Au lieu d’écrire et de gérer manuellement chaque script, l’ingénieur peut définir le résultat souhaité, par exemple concevoir un amplificateur de puissance MMIC présentant un gain supérieur à 20 dB et une puissance de sortie supérieure à 28 dBm, puis laisser à un modèle de langage connecté aux outils le soin de trouver et d’appeler les outils appropriés.
Cela ne signifie pas, selon l’article, passer directement à une autonomie complète. Les organisations se situent actuellement souvent entre la programmation manuelle et l’utilisation d’assistants collaboratifs précoces qui comprennent l’intention de l’ingénieur, tout en maintenant une supervision humaine étroite. L’étape suivante consiste en des agents spécialisés prenant en charge des tâches à plusieurs étapes avec une délégation partielle, en s’appuyant sur cette même base de coordination.
Accélérer l’exploration tout en gardant la physique sous surveillance
La troisième étape vise à augmenter le nombre de conceptions pouvant être explorées et à réduire le temps d’attente. La source mentionne deux outils principaux : la modélisation de substitution, qui remplace les simulations électromagnétiques lourdes par des approximations rapides fondées sur des réseaux neuronaux et peut être, pour certaines structures, deux ou trois ordres de grandeur plus rapide ; et l’optimisation assistée par l’intelligence artificielle, capable de traiter simultanément un plus grand nombre de paramètres et de trouver des solutions adaptées à l’aide d’un nombre réduit de simulations.
Mais l’accélération n’a aucune valeur pratique si le résultat n’est pas fiable. Les risques sont particulièrement importants au niveau du boîtier, des interconnexions, du couplage, de l’intégrité de l’alimentation et de la masse, ainsi que des courants tridimensionnels ; ces facteurs peuvent rendre une réponse rapide et assurée éloignée du comportement réel du matériel, puis compliquer l’analyse de la cause racine des défaillances. Il faut donc comparer la physique utilisée dans la modélisation aux mesures réelles avant d’élargir le périmètre de délégation au système.
Que faut-il vérifier avant de passer à l’échelle ?
Le cadre insiste également sur l’importance de la traçabilité de la source des données, et pas seulement sur la qualité du modèle. L’équipe doit savoir d’où proviennent les données d’entraînement du modèle de substitution, comment elles ont été étiquetées et nettoyées, ainsi que les hypothèses et les limites connues qu’elles comportent. Cette transparence définit les limites de la rapidité et empêche qu’elle ne se transforme en risque invisible.
La source cite l’exemple de Sphere Semi, une entreprise de conception de circuits RFIC confrontée au problème de l’exploration d’une seule conception à la fois. L’entreprise a adopté un flux entièrement défini par le code et fondé sur Python pour exécuter les étapes de génération, de simulation, de classement et d’optimisation, avec l’exécution de centaines à plusieurs milliers de candidats au moyen de simulations conjointes des circuits et de l’électromagnétisme. Selon les chiffres rapportés dans l’article, cette approche a permis d’augmenter la productivité d’un facteur de 5 à 10, d’améliorer l’isolation de 6 dB et de réduire de 30 % la surface du filtre par rapport aux processus de conception manuels traditionnels.
Analyse de certi.news : le changement concret proposé par l’article ne consiste pas à remplacer l’ingénieur par un agent autonome, mais à transférer les connaissances dispersées vers des flux exécutables, puis à les relier à des objectifs de conception clairs et à des outils de vérification mesurables. Cela rend l’adoption moins dépendante d’une décision portant sur une plateforme unique et davantage liée à la qualité de la documentation, des données et des mesures. Toutefois, les résultats mentionnés concernent un seul exemple tel qu’il est présenté par la source et ne prouvent pas à eux seuls que les mêmes gains se reproduiront dans chaque conception ou environnement. Des questions telles que la possibilité de généraliser les modèles de substitution et leurs limites lorsque le boîtier, les structures ou les données changent nécessitent également une validation propre à chaque équipe.