Contexte et enjeux
La conception de cartes à circuits imprimés (PCB) repose encore sur des processus manuels lourds. Selon la société, les ingénieurs peuvent consacrer plus d’un an à un nouveau matériel, dont une partie importante consiste à lire des fiches techniques de plusieurs milliers de pages. Les erreurs détectées uniquement lors du prototypage entraînent des retards coûteux, ce qui justifie la recherche d’une automatisation fiable.
Architecture de la plateforme
Circuit Mind combine des agents d’intelligence artificielle avec un moteur physique breveté. Les agents s’appuient sur des modèles numériques des composants, fournis par le client sous forme de bases de données machine‑readable, ainsi que sur les règles d’ingénierie propres à chaque entreprise, y compris les listes de fournisseurs approuvés. Le moteur physique teste chaque décision de conception contre les limites électriques, tandis que le « Agentic Verification Engine » (AVE) orchestre un essaim d’agents qui parcourent les schémas, comparent les connexions aux tables de broches et aux tensions de fonctionnement, et ne transmettent les résultats qu’après auto‑validation.
Performances et retours d’expérience
Les premiers déploiements montrent des gains de productivité mesurables. Au laboratoire national de Los Alamos, un ingénieur a finalisé une carte de complexité moyenne en un peu plus de quatre heures, contre une estimation de 60 à 80 heures en méthode traditionnelle. Chez Schneider Electric, les évaluations internes indiquent une réduction de plus de 90 % du temps consacré à l’exploration d’architectures électroniques. Les clients Fortune 5 rapportent également une baisse de 25 % des coûts de la nomenclature (BOM). Ces résultats confirment que la combinaison IA + modélisation physique accélère la génération de schémas, de listes de matériaux et d’analyses associées.
Perspectives et limites
Le financement de 25 M$ – 18,5 M$ en série A mené par Norwest Venture Partners et le reste provenant d’un tour seed – sera dédié à l’extension du produit aux phases de test et de firmware, ainsi qu’à l’augmentation des équipes commerciales et techniques. La société prévoit d’ouvrir un siège aux États-Unis pour mieux servir le marché nord‑américain. Toutefois, la dépendance à des modèles propriétaires de composants implique que la qualité des vérifications repose sur la précision des bases de données fournies par les clients. De plus, les grands modèles de langage généraux ne sont pas entraînés sur des schémas industriels, ce qui limite leur capacité à remplacer le moteur physique dédié. L’intégration avec les outils de CAO existants reste un facteur critique pour l’adoption à grande échelle.
