RechercheIEEE Spectrum AI · 24 juin 2026, 16:00· 2 min de lecture

L'IA conçoit des puces radio que les humains n'auraient pas pu imaginer

Résumé IASource uniqueImpact UE Pourquoi ça compte

Des chercheurs de l'université Princeton ont développé des méthodes d'apprentissage automatique capables de concevoir des circuits intégrés radiofréquences (RFIC) en une fraction du temps qu'il faudrait à un ingénieur humain. En combinant l'apprentissage par renforcement, la conception inverse et des modèles de diffusion, leur équipe a produit des puces dont les géométries ressemblent davantage à de l'art abstrait qu'à des schémas électroniques conventionnels, et pourtant, les prototypes physiques surpassent les circuits les plus avancés conçus à la main. Le gain de temps est spectaculaire : l'IA conçoit en quelques heures ce qui demande des mois à un expert humain. L'approche a été validée sur des cas concrets, avec des performances record mesurées sur les puces fabriquées.

L'enjeu dépasse largement le domaine des semi-conducteurs. Les RFIC sont les composants invisibles qui permettent à tous nos appareils de communiquer sans fil : téléphones mobiles, balises AirTag, réseaux 5G, voitures autonomes, communications par satellite. Toute la chaîne d'innovation dans ces secteurs bute sur la même contrainte : la lenteur et la rareté des experts capables de concevoir ces puces. Contrairement aux processeurs classiques (CPU, GPU), dont la conception est largement automatisée et normalisée, les RFIC exigent une maîtrise simultanée des équations de Maxwell, de la thermodynamique et de la mécanique des matériaux à différentes échelles, un exercice de jonglage entre plusieurs domaines physiques que seuls des ingénieurs très expérimentés maîtrisent après des années de pratique. Automatiser cette étape débloquerait non seulement la 5G et la 6G, mais aussi des applications comme les communications quantiques et les flottes de véhicules autonomes.

Le point de départ de ces travaux remonte à 2019, dans la foulée de la victoire d'AlphaGo sur le champion du monde de go Lee Sedol. L'équipe de Princeton s'est alors demandé si l'IA pouvait apprendre un art aussi opaque que la conception RF. Sept ans plus tard, les résultats donnent raison à ce pari. Mais les chercheurs soulignent que la prochaine étape nécessite des jeux de données partagés à grande échelle et des écosystèmes ouverts, pour que les modèles puissent apprendre des comportements électromagnétiques et électroniques universels. Aujourd'hui, les données de conception de puces sont jalousement gardées par les entreprises. Sans mutualisation, les progrès resteront fragmentés. Le parallèle avec l'essor des grands modèles de langage est explicite : c'est la masse de données d'entraînement qui a tout changé, et le même principe pourrait transformer la conception de semi-conducteurs pour les décennies à venir.

Impact France/UE

Les avancées en conception automatisée de puces RF pourraient accélérer le développement 5G/6G en Europe et bénéficier aux fabricants européens de semi-conducteurs comme STMicroelectronics et Infineon, mais aucun acteur européen n'est directement impliqué dans ces recherches de Princeton.

💬 L'analyse de Mathieu

Sept ans de travail, des puces aux géométries d'art abstrait qui surpassent les meilleurs designs humains en quelques heures. C'est impressionnant, mais le vrai signal dans cet article c'est ce que les chercheurs disent ensuite : sans mutualisation des données de conception, les progrès resteront fragmentés, exactement comme les LLMs avant qu'ImageNet et Common Crawl changent l'échelle. Les semi-conducteurs vont devoir traverser le même passage obligé, et les boîtes qui gardent jalousement leurs datasets ne font que repousser l'inévitable.

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1The Decoder

Des chercheurs ont laissé Claude Code découvrir des algorithmes d'IA qu'un humain n'aurait probablement pas conçus

Des chercheurs de l'Université du Maryland, de Google, de Meta et d'autres institutions ont mis au point AutoTTS, un système qui confie à un agent de codage - Claude Code d'Anthropic - la tâche de concevoir de façon autonome des algorithmes pour améliorer le raisonnement des modèles d'IA. En 160 minutes et pour seulement 40 dollars, l'agent a découvert un algorithme inédit qui réduit d'environ 70 % la charge de calcul par rapport à la méthode self-consistency standard, tout en atteignant une précision équivalente. Ce résultat change la donne sur la façon dont les algorithmes d'optimisation pourraient être développés. La méthode self-consistency, qui consiste à générer plusieurs réponses et à en extraire la plus cohérente, est largement utilisée pour améliorer la fiabilité des grands modèles de langage, mais elle reste coûteuse en ressources. Réduire ce coût de 70 % sans perte de précision représente un gain concret pour les équipes qui déploient ces systèmes à grande échelle, et soulève une question plus profonde : certains algorithmes utiles sont peut-être inaccessibles à l'intuition humaine. Ce travail s'inscrit dans la tendance croissante du test-time scaling, qui consiste à allouer davantage de puissance de calcul au moment de l'inférence plutôt qu'à l'entraînement. Confier à un agent IA la conception d'algorithmes que des chercheurs humains n'auraient probablement pas imaginés ouvre une nouvelle frontière dans la méta-optimisation. La question qui se pose désormais est de savoir jusqu'où cette automatisation peut s'étendre, et si d'autres domaines de la recherche en IA pourraient bénéficier d'une approche similaire.

💬 40 dollars, 160 minutes, et un algo qui réduit de 70% les coûts de calcul qu'aucun chercheur n'avait pensé à chercher là. C'est ça qui est troublant, pas la perf en elle-même : certains espaces de solutions sont peut-être hors de portée de l'intuition humaine, et on commence juste à s'en rendre compte. Reste à voir si ça tient hors benchmark.

RecherchePaper

1 source

2The Decoder

METR introduit un nouveau critère pour déterminer quand les agents IA deviennent plus coûteux que les humains

METR, l'organisation de recherche spécialisée dans l'évaluation des capacités des systèmes d'intelligence artificielle, a présenté une nouvelle métrique baptisée "horizon de dépense" (expenditure horizon), conçue pour déterminer à partir de quel moment un agent IA devient plus coûteux qu'un humain pour résoudre un problème donné. Contrairement aux indicateurs habituels qui mesurent la durée des tâches qu'un agent peut accomplir, cette métrique traduit directement la performance en dollars, en comparant le coût de calcul consommé par l'agent au coût équivalent d'une main-d'œuvre humaine. METR a testé cette approche sur le NanoGPT speedrun, un défi consistant à optimiser le plus rapidement possible l'entraînement d'un modèle de type GPT, et les premiers résultats se sont révélés décevants pour les agents IA actuels. Cette métrique s'inscrit dans un débat plus large sur la rentabilité réelle des agents IA en entreprise. Si les modèles progressent régulièrement sur des bancs d'essai mesurant l'autonomie ou la durée des tâches, la question du coût effectif reste largement ignorée alors qu'elle conditionne l'adoption concrète de ces outils par les entreprises. Un agent capable de résoudre un problème mais dont le coût en calcul dépasse celui d'un ingénieur humain n'a, économiquement, guère d'intérêt pour une organisation. METR reconnaît toutefois que sa métrique comporte des angles morts, notamment parce qu'elle capture mal certains types de tâches ou de gains de productivité indirects. L'organisation souligne aussi que la génération de modèles la plus récente pourrait rebattre les cartes, les coûts de calcul et les performances évoluant rapidement. Cette initiative rejoint les efforts d'acteurs comme OpenAI ou Anthropic pour mieux quantifier l'impact économique réel de leurs systèmes.

💬 Ce qui me frappe, c'est que METR compare enfin le calcul en dollars face à un salaire d'ingénieur, pas juste en "durée de tâche" comme d'habitude. Sur le NanoGPT speedrun les agents perdent déjà, ce qui confirme un truc qu'on sent depuis des mois sans le chiffrer : un agent qui résout un problème mais qui coûte plus cher qu'un humain n'intéresse aucune boîte, aussi impressionnant soit le résultat. Reste que la métrique a des angles morts et que la prochaine génération de modèles peut rebattre les cartes vite, donc je surveillerais ça plutôt que d'en tirer une conclusion définitive.

RecherchePaper

1 source

3The Decoder

Les agents de recherche IA n'échouent pas à chercher, mais à poser les bonnes questions face aux requêtes ambiguës

Les agents de recherche IA basés sur l'intelligence artificielle échouent rarement à cause de la recherche elle-même lorsqu'ils mènent des investigations en plusieurs étapes. Leur véritable faiblesse est ailleurs : ils ne demandent pas de clarification à l'utilisateur quand une requête est ambiguë. C'est ce que révèle un nouveau benchmark baptisé DiscoBench, conçu spécifiquement pour évaluer ce comportement. Les résultats sont frappants : les modèles qui persistent à relancer des recherches multiples plutôt que de poser une question de suivi obtiennent une précision de seulement 51,9 %, un score inférieur à celui obtenu en devinant simplement la réponse. Même le modèle le plus performant du test ne dépasse pas 43 % de précision globale. Lorsque l'ambiguïté est retirée des requêtes, la précision grimpe jusqu'à 40 points de pourcentage. Ce constat a des implications concrètes pour tous les usages professionnels des agents IA de recherche, des assistants documentaires aux outils d'aide à la décision. Un agent qui interprète mal une demande floue et fonce vers une réponse erronée, plutôt que de demander une précision, produit des résultats peu fiables malgré des capacités de recherche techniquement solides. Pour les entreprises qui déploient ces outils, cela signifie qu'améliorer la qualité des réponses passe autant par l'apprentissage du dialogue que par l'optimisation des moteurs de recherche sous-jacents. Ce travail s'inscrit dans une réflexion plus large sur les limites des agents autonomes multi-étapes, un axe de recherche en pleine expansion à mesure que ces systèmes gagnent en autonomie. La capacité à reconnaître l'incertitude et à interagir avec l'utilisateur, plutôt que de produire une réponse à tout prix, apparaît comme un enjeu central pour la fiabilité future de ces agents.

💬 Le vrai problème des agents de recherche, c'est pas qu'ils cherchent mal, c'est qu'ils n'osent jamais dire "je comprends pas ta question". Un score sous celui du pur hasard quand ils s'entêtent à relancer des recherches plutôt que de demander une précision, ça remet les pendules à l'heure : la fiabilité d'un agent IA se joue autant dans sa capacité à dialoguer que dans celle à chercher. Bon courage aux boîtes qui déploient ces outils en pensant que le moteur de recherche suffit à tout.

RecherchePaper

1 source

4Le Big Data

La science casse les codes : l’IA crée ses premiers vaccins humains

Des chercheurs de l'Université de Cambridge ont franchi une étape inédite dans l'histoire de la vaccination : un candidat vaccin contre les coronavirus, baptisé pEVAC-PS, conçu entièrement à l'aide de modèles d'intelligence artificielle, a été testé avec succès chez l'humain pour la première fois. L'essai de phase I a impliqué 39 volontaires sains qui ont reçu le vaccin par voie intradermique, sans aiguille. Aucun effet indésirable grave n'a été observé, et des signaux immunitaires ont été détectés contre plusieurs coronavirus distincts. Le vaccin a été développé en collaboration avec la société britannique DIOSynVax, qui ambitionne d'étendre la plateforme à d'autres agents pathogènes comme la grippe ou Ebola. Ce qui rend cette avancée significative, c'est l'approche adoptée pour contourner l'un des problèmes fondamentaux de la vaccinologie moderne : la dérive virale. Les coronavirus, comme les virus grippaux, mutent en permanence, rendant les vaccins existants progressivement moins efficaces. L'IA a permis ici d'identifier des zones structurellement stables, communes à plusieurs sarbecovirus, dont le SARS-CoV-2, le virus du SRAS de 2003 et des souches de coronavirus de chauve-souris à potentiel zoonotique. En ciblant ces régions conservées plutôt que des épitopes variables, le vaccin vise à entraîner le système immunitaire à reconnaître une famille entière de virus plutôt qu'un seul variant. C'est une stratégie qui pourrait transformer la manière dont l'humanité anticipe les pandémies, en passant d'une réponse réactive à une préparation proactive. Ce premier essai clinique s'inscrit dans un contexte de course mondiale à la prévention des prochaines crises sanitaires, accélérée par les leçons du Covid-19. Les gouvernements et institutions scientifiques cherchent des outils capables de réduire le délai entre l'émergence d'un nouveau pathogène et la mise à disposition d'un vaccin efficace. L'utilisation de l'IA pour la conception moléculaire représente une piste sérieuse : elle peut théoriquement compresser des années de tâtonnements expérimentaux en quelques mois de simulation computationnelle. Cela dit, les résultats immunitaires observés restent préliminaires et difficiles à interpréter, notamment parce que les volontaires avaient déjà été exposés au SARS-CoV-2 ou vaccinés contre le Covid-19. La prochaine étape, un essai de phase II avec un panel plus large de participants naïfs, sera déterminante pour évaluer l'efficacité réelle du pEVAC-PS. Cambridge et DIOSynVax ont encore plusieurs années de travail devant eux avant toute mise sur le marché, mais la preuve de concept est désormais posée.

UECette avancée de l'Université de Cambridge pourrait accélérer la préparation pandémique en Europe et nourrir les réflexions de l'EMA sur l'intégration de l'IA dans le développement de vaccins à large spectre contre les futures pandémies.

💬 C'est l'approche qui m'intéresse, pas le titre. Cibler les zones conservées plutôt que courir après chaque variant, c'est exactement le bon problème à résoudre, et l'IA est bien placée pour l'identifier parce qu'elle peut comparer des milliers de structures en un temps qu'aucun labo ne pourrait tenir manuellement. Phase I, 39 personnes, résultats préliminaires sur des gens déjà immunisés, bon, on reste loin d'une mise sur le marché. Mais la preuve que ça peut marcher en humain, c'était le verrou qui bloquait tout.

RecherchePaper

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic