La conception des puces entre dans une phase où l’IA ne se contente plus d’assister les ingénieurs : elle propose des agencements que les méthodes classiques n’auraient pas nécessairement produits. Avec AlphaChip, Anna Goldie et Azalia Mirhoseini ont déjà montré qu’un système d’IA pouvait générer une organisation circulaire de composants, ensuite validée pour une puce. Leur nouvelle entreprise, Ricursive, veut désormais étendre cette approche à des puces entières et apprendre de chaque itération.
L’enjeu dépasse le confort des équipes de conception. Anna Goldie estime que la demande de calcul pourrait être multipliée par 10 000 en cinq ans. Pour suivre ce rythme, les fabricants et les concepteurs doivent produire des puces plus rapidement, mais aussi optimiser chaque espace, chaque connexion et chaque watt consommé.
AlphaChip a déjà produit un agencement circulaire validé
L’exemple d’AlphaChip montre ce que l’IA peut apporter à une étape particulièrement complexe de la conception matérielle : le placement des composants sur une puce. Le système a généré une organisation circulaire, décrite comme une forme de « donut », qui a d’abord surpris les ingénieurs avant de s’avérer fonctionnelle.
Un agencement de puce désigne la manière dont les blocs de calcul, la mémoire, les interconnexions et les autres composants sont positionnés les uns par rapport aux autres. Ce placement influence directement la longueur des connexions, la consommation énergétique, la dissipation thermique et les performances globales.
Les concepteurs humains travaillent avec des contraintes nombreuses et interdépendantes. Déplacer un bloc peut raccourcir une liaison, mais aussi créer un problème de chaleur ou compliquer le routage d’une autre partie du circuit. L’IA peut explorer un grand nombre de configurations et retenir celles qui obtiennent les meilleurs résultats selon les critères fixés.
À retenir : AlphaChip n’a pas seulement accéléré un placement existant. Il a produit une forme inhabituelle, puis validée, que les ingénieurs n’auraient pas forcément retenue au départ.
L’approche repose sur l’apprentissage par renforcement. Le système place progressivement les composants, mesure la qualité de l’agencement obtenu, puis utilise ce retour pour améliorer les tentatives suivantes. La récompense peut intégrer plusieurs objectifs, comme la réduction des distances entre composants ou l’amélioration de la qualité du routage.
Cette méthode ne remplace pas la vérification technique. Un agencement généré par une IA doit encore passer par des étapes de simulation, de validation et de fabrication. La valeur d’AlphaChip tient donc autant à sa capacité à proposer des solutions qu’à la possibilité de les intégrer dans un processus industriel contrôlé.
Ricursive veut passer du placement à la puce entière
Ricursive cherche à aller plus loin qu’une optimisation locale. Selon les explications données par ses fondatrices, l’entreprise travaille sur des systèmes capables d’optimiser des puces entières plutôt que de découper systématiquement le problème en dizaines de blocs indépendants.
Cette différence modifie l’échelle du travail confié à l’IA. Dans une méthode traditionnelle, une équipe peut diviser une puce en sous-ensembles, optimiser chaque partie, puis tenter de faire fonctionner l’ensemble. Cette organisation facilite la gestion du projet, mais elle peut aussi empêcher l’algorithme de prendre en compte certaines interactions entre blocs éloignés.
Une optimisation globale donne à l’IA une vision plus large des compromis à effectuer. Elle peut chercher une organisation qui ne maximise pas forcément chaque bloc pris séparément, mais qui améliore le comportement de la puce dans son ensemble.
Le logiciel développé par Ricursive doit également apprendre des conceptions précédentes. Chaque itération fournit des informations sur les choix efficaces, les contraintes rencontrées et les résultats obtenus. Le système peut ensuite utiliser cette expérience pour accélérer les conceptions suivantes.
Une logique de conception cumulative
Le principe rappelle une boucle d’optimisation : une première puce fournit des données, ces données améliorent le modèle, puis le modèle produit une nouvelle proposition. La répétition de ce cycle doit réduire le temps consacré aux essais manuels et augmenter le nombre de solutions explorées.
Cette capacité à transférer l’expérience d’un projet à l’autre constitue l’un des axes annoncés par Ricursive. L’entreprise ne présente pas seulement l’IA comme un outil exécutant une tâche isolée, mais comme un système capable de progresser au fil de plusieurs conceptions.
La démarche reste toutefois soumise aux contraintes de chaque architecture. Une solution efficace pour une puce d’intelligence artificielle ne convient pas nécessairement à un processeur généraliste, à un composant mobile ou à une puce destinée à un environnement soumis à de fortes contraintes thermiques.
La hausse de la demande de calcul impose de raccourcir les cycles
La pression sur la conception matérielle vient directement de l’augmentation des besoins en calcul. Les modèles d’IA exigent des infrastructures capables de traiter davantage de données, avec des accélérateurs spécialisés et des systèmes de mémoire adaptés.
Anna Goldie prévoit une demande de calcul multipliée par 10 000 en cinq ans. Cette projection défend une réduction importante des cycles de conception : si la demande progresse plus vite que la capacité à développer de nouvelles puces, les infrastructures risquent de devenir un goulot d’étranglement.
Une puce nécessite généralement plusieurs étapes successives : définition de l’architecture, conception logique, placement des composants, routage, vérification, fabrication de prototypes et validation. Une erreur détectée tardivement peut entraîner un retour en arrière coûteux, car elle peut nécessiter de modifier le design puis de relancer certaines étapes.
L’IA peut intervenir à plusieurs endroits de cette chaîne :
- exploration d’architectures possibles ;
- placement des blocs et des composants ;
- optimisation des interconnexions ;
- estimation des performances et de la consommation ;
- détection d’erreurs dans le design ;
- réutilisation des enseignements tirés de puces précédentes.
Le marché des outils d’EDA, pour electronic design automation, illustre cette demande. Il a été évalué à 17,53 milliards de dollars en 2025 et pourrait atteindre 42,85 milliards de dollars en 2035, avec une croissance annuelle moyenne prévue de 9,35 % entre 2026 et 2035. Les outils basés sur l’IA et les environnements de conception dans le cloud figurent parmi les facteurs associés à cette progression.
| Étape de conception | Contribution possible de l’IA | Bénéfice recherché |
|---|---|---|
| Architecture | Exploration de configurations | Comparer davantage de solutions |
| Placement | Organisation des composants | Réduire les distances et améliorer le routage |
| Optimisation | Recherche de compromis entre performance et consommation | Améliorer l’efficacité globale |
| Vérification | Détection de défauts et de contraintes violées | Réduire les retours en arrière |
| Itérations | Apprentissage à partir des designs précédents | Raccourcir les projets suivants |
Ces outils ne suppriment pas les contraintes industrielles. Ils peuvent accélérer l’exploration et la validation, mais la puce doit toujours respecter des règles physiques, électriques et de fabrication précises.
L’IA trouve des solutions difficiles à imaginer manuellement
Le cas de l’agencement circulaire met en évidence un avantage spécifique des algorithmes : ils ne sont pas obligés de reproduire les habitudes des concepteurs humains. Lorsqu’un système reçoit une fonction objectif et un ensemble de contraintes, il peut explorer des formes qui semblent contre-intuitives avant d’être évaluées techniquement.
Les ingénieurs disposent d’une expertise indispensable, mais leur travail s’appuie aussi sur des architectures, des bibliothèques et des méthodes éprouvées. Cette expérience accélère la conception, tout en pouvant limiter l’espace des solutions envisagées. Une IA entraînée pour optimiser plusieurs critères peut remettre en cause certaines conventions.
Cette liberté ne signifie pas qu’une solution inhabituelle est automatiquement meilleure. Un agencement original doit prouver sa valeur à travers des mesures concrètes : performances, consommation, température, surface, fiabilité et compatibilité avec les outils de fabrication.
L’intérêt de l’IA réside donc dans l’exploration systématique. Elle peut évaluer rapidement des alternatives que les équipes humaines n’auraient pas le temps d’étudier une par une. Les ingénieurs peuvent ensuite examiner les meilleures propositions et concentrer leur travail sur les choix d’architecture et les validations critiques.
Optimiser plusieurs contraintes à la fois
La conception d’une puce ne consiste pas à maximiser une seule variable. Une fréquence plus élevée peut augmenter la consommation. Une réduction de la surface peut compliquer le refroidissement. Des connexions plus courtes peuvent imposer une organisation moins flexible.
Les systèmes d’IA peuvent formaliser ces arbitrages sous la forme d’une fonction d’optimisation. Le concepteur définit les objectifs, leur importance relative et les contraintes à respecter. L’algorithme recherche ensuite des configurations offrant le meilleur compromis mesurable.
Cette approche peut s’appliquer aux puces destinées à l’IA, où la densité de calcul, la bande passante mémoire et l’efficacité énergétique sont particulièrement importantes. Elle peut aussi concerner les composants embarqués, les processeurs spécialisés et les systèmes nécessitant une faible consommation.
Le rôle des ingénieurs évolue plus qu’il ne disparaît
La conception de puces par IA ne rend pas inutile l’expertise humaine. Les ingénieurs restent responsables de la définition des objectifs, de la sélection des contraintes et de la vérification des résultats.
Un modèle peut optimiser une métrique sans comprendre toutes les conséquences d’un choix. Il peut aussi exploiter une faiblesse dans la fonction de récompense et produire une solution performante sur le papier, mais difficile à fabriquer ou à maintenir. La validation humaine et les outils de contrôle restent donc essentiels.
Le travail se déplace progressivement vers la supervision de systèmes capables de générer de nombreuses propositions. Les équipes peuvent consacrer davantage de temps à l’architecture, à la définition des interfaces, à l’analyse des risques et à la préparation de la fabrication.
Cette évolution exige également de nouvelles compétences. Les concepteurs doivent savoir formuler des objectifs mesurables, analyser les résultats d’un modèle et comprendre les limites des données utilisées pour l’entraîner. Les spécialistes du matériel devront travailler plus étroitement avec les experts en apprentissage automatique et en infrastructure logicielle.
À retenir : l’IA automatise surtout l’exploration et l’optimisation. La responsabilité du design final, de sa vérification et de sa fabrication reste liée à des processus d’ingénierie.
La question de la traçabilité devient également centrale. Pour intégrer une proposition générée par une IA dans un processus industriel, il faut pouvoir expliquer les contraintes utilisées, comparer les résultats et conserver l’historique des itérations. Un système qui produit une solution impossible à auditer sera difficile à adopter dans des environnements exigeant une forte fiabilité.
Les limites industrielles se déplacent vers la vérification
Accélérer la génération d’un design ne suffit pas si la vérification ne suit pas. Plus l’IA produit de variantes, plus les équipes doivent disposer de moyens efficaces pour tester ces propositions.
La vérification doit couvrir les propriétés logiques du circuit, le respect des contraintes électriques, le comportement thermique, le routage et la compatibilité avec les processus de fabrication. Une amélioration sur une métrique peut dégrader une autre partie du système.
Le passage de l’optimisation d’un bloc à celle d’une puce entière augmente encore la complexité. Les interactions entre composants deviennent plus nombreuses et les erreurs peuvent apparaître à des niveaux différents. L’IA doit donc être intégrée à une chaîne complète, et non utilisée comme un générateur indépendant.
Les données comme avantage compétitif
Les systèmes de conception apprennent à partir de résultats précédents. La qualité des données disponibles peut donc déterminer la qualité des propositions produites. Les informations pertinentes comprennent les plans de puces, les résultats de simulation, les contraintes de fabrication et les performances mesurées.
Les entreprises qui disposent d’un historique important peuvent bénéficier d’un avantage pour entraîner et évaluer leurs outils. Cela renforce l’intérêt d’une approche capable de réutiliser les enseignements d’un design à l’autre, comme celle annoncée par Ricursive.
La confidentialité constitue une contrainte majeure. Les plans de puces et les résultats de fabrication sont des actifs stratégiques. Les outils d’IA devront pouvoir fonctionner dans des environnements contrôlés, avec une gestion rigoureuse des accès et des données utilisées pendant l’apprentissage.
Ricursive parie sur une boucle d’amélioration des puces
Le projet de Ricursive s’inscrit dans une tendance précise : utiliser l’IA pour réduire le temps entre deux générations de matériel. Ses fondatrices veulent construire des systèmes qui conçoivent, évaluent et améliorent les puces de manière itérative.
La différence avec une automatisation classique tient à la mémoire du processus. Un outil traditionnel exécute une tâche selon des règles définies. Une approche récursive cherche à tirer parti des résultats précédents pour modifier les décisions prises lors des conceptions suivantes.
Le nom Ricursive reflète cette ambition d’amélioration répétée. L’entreprise veut optimiser des puces entières et créer des motifs complexes, plutôt que de limiter l’IA à une étape étroite du placement. AlphaChip constitue le précédent technologique mis en avant par ses fondatrices, avec un agencement circulaire validé pour une puce.
Le calendrier industriel sera déterminant. La demande en calcul progresse, mais les puces avancées nécessitent aussi des capacités de fabrication, des outils de vérification et des chaînes d’approvisionnement adaptées. Même un design plus efficace ne résout pas seul les contraintes de production.
Notre avis : l’IA devient un outil de conception, pas encore un concepteur autonome
La conception des puces est bien en train de changer, mais le bouleversement le plus crédible n’est pas le remplacement immédiat des ingénieurs. Il se situe dans la capacité à explorer plus de configurations, à repérer des agencements inattendus et à réutiliser les résultats d’un projet à l’autre.
AlphaChip fournit un exemple concret avec un agencement circulaire validé. Ricursive veut transformer cette démonstration en une méthode plus large, capable d’optimiser des puces entières et de raccourcir les cycles de conception. La projection d’une demande de calcul multipliée par 10 000 en cinq ans donne à cette stratégie une justification industrielle claire.
Dans les six prochains mois, l’attention se portera surtout sur la capacité de Ricursive à transformer cette approche en outil utilisable dans des workflows de conception réels. Les résultats les plus significatifs ne seront pas seulement des formes surprenantes, mais des gains mesurables en temps, en performance, en consommation et en fiabilité.
Si ces gains se confirment, l’IA pourrait devenir l’un des principaux moteurs de l’évolution des outils EDA. La prochaine frontière ne sera alors plus de savoir si une machine peut dessiner une puce, mais jusqu’où elle peut améliorer plusieurs générations de matériel sans perdre la maîtrise humaine du résultat.