« L'avenir de l'IA ne réside pas dans les grands modèles linguistiques comme ceux de ChatGPT. L'avenir de l'IA réside en réalité dans la découverte de solutions à des problèmes d'ingénierie complexes, grâce à l'apprentissage par renforcement. »
Les puces électroniques qui équipent tout, des smartphones aux dispositifs médicaux vitaux, font l'objet d'une pénurie mondiale, principalement parce que leur conception nécessite des mois de travail manuel minutieux de la part d'ingénieurs hautement spécialisés.
Pradeep Pydah est convaincu que l'IA est un outil essentiel pour surmonter ce goulot d'étranglement. Le PDG et fondateur d'AsterQuanta a mis au point une plateforme destinée à accélérer des tâches cruciales telles que la conception et le dimensionnement des circuits, permettant ainsi aux concepteurs de circuits analogiques de se concentrer sur l'analyse de la conception, grâce à l'expertise d'Amii en matière d'apprentissage par renforcement (RL), qui apprend à reconnaître des schémas à partir de l'expérience.
« L'avenir de l'IA ne réside pas dans les grands modèles linguistiques comme ceux de ChatGPT. L'avenir de l'IA réside en réalité dans la découverte de solutions à des problèmes d'ingénierie complexes grâce à l'apprentissage par renforcement », explique Pydah.
Un défi de taille
« Nous avons besoin de concepteurs analogiques hautement qualifiés et dotés d’une grande expérience pour concevoir des circuits. C’est un travail manuel, itératif par nature et complexe », explique M. Pydah.
« Il y a trop peu d'ingénieurs en semi-conducteurs, trop de composants, et les capacités humaines en matière de conception ne peuvent pas augmenter facilement. C'est là le problème. »
Le dimensionnement d'un circuit est un élément essentiel de la conception d'un circuit analogique. Une fois le circuit conçu, des ingénieurs spécialisés doivent ensuite s'atteler à son dimensionnement : déterminer les dimensions du circuit et de ses transistors, définir les tensions de référence et d'autres paramètres importants. Les décisions prises par ces ingénieurs ont un impact significatif sur les performances du dispositif.
La conception et le dimensionnement des circuits constituent une tâche fastidieuse et chronophage, qui repose en grande partie sur des essais et des erreurs. Elle est d’autant plus compliquée que les ingénieurs ne cherchent pas à optimiser un seul critère : selon l’utilisation prévue de la puce, les objectifs varient en matière de puissance, de tension, de chaleur et d’autres variables. De plus, toute modification apportée aux composants peut avoir des répercussions différentes sur ces objectifs.
Tout cela contribue à créer un goulot d'étranglement. La demande en circuits ne cesse d'augmenter, tandis que le nombre d'ingénieurs capables de réaliser ce travail reste limité.
Le pouvoir de « l'IA + X » : les chercheurs d'Amii à l'origine d'une idée révolutionnaire
Confiné chez lui à Bangalore en 2020 en raison de la pandémie de COVID-19, Pydah s'est inscrit à un cours en ligne sur l'apprentissage par renforcement proposé par Amii Fellows et par Adam White et Martha White, titulaires des chaires CIFAR en IA au Canada.
« J’ai appris l’apprentissage par renforcement, alors que j’avais une formation en circuits analogiques. Je les ai rejoints, puis j’ai vu les premiers résultats et j’ai été époustouflé. Croyez-moi, cette nuit-là, je n’ai pas fermé l’œil », a-t-il déclaré.
Une illustration éloquente de la philosophie « AI + X » d'Amii : allier une expertise approfondie dans un domaine spécifique à une maîtrise de l'apprentissage automatique pour résoudre des problèmes complexes issus du monde réel.
Fort de ses nombreuses années d’expérience en tant que concepteur de systèmes électroniques et de ses connaissances en circuits analogiques, Pydah a acquis la conviction que cette approche permettrait de créer une plateforme permettant à l’industrie des semi-conducteurs d’alléger la charge liée à la mise à l’échelle des circuits analogiques, et ainsi de permettre à un petit nombre d’ingénieurs spécialisés d’en faire davantage en moins de temps.
« En 2023, j'ai déménagé au Canada et la première chose que j'ai faite a été d'envoyer un e-mail à Amii et à l'Université de l'Alberta. »
« L'IA ne peut pas résoudre le problème de la capacité humaine en matière de conception, mais elle peut la renforcer. »
Pradeep Pydah
Co-fondateur d'AsterQuanta

Collaboration avec Amii dans le cadre d'un projet de développement d'IA sur mesure
Après s'être heurtée à un obstacle avec une ancienne méthode d'apprentissage par renforcement, AsterQuanta a contacté Amii. Grâce au soutien de Développement économique des Prairies Canada, les deux entreprises ont travaillé sur la création d'un agent d'IA sur mesure dans le cadre d'un accord de développement.
Les missions de développement d’IA sur mesure d’Amii s’étendent sur une période de 12 à 14 mois et visent à mettre à profit, puis à transférer au client, notre expertise, notre technologie et nos talents. Amii recrute un chercheur spécialisé en apprentissage automatique qui travaille aux côtés de l’équipe du client pour faire progresser et développer l’IA. Le client bénéficie également de l’accès à l’écosystème de recherche et à l’infrastructure plus larges d’Amii, tout en conservant 100 % des droits de propriété intellectuelle sur tout ce qui est développé.
Au départ, AsterQuanta a utilisé une ancienne forme d’apprentissage par renforcement appelée « Deep Deterministic Policy Gradient » (DDPG). Le DDPG est conçu pour un « espace d’action continu », ce qui signifie qu’il gère des plages de valeurs numériques lisses et infinies. À l’instar d’un variateur d’intensité lumineuse utilisé à la place d’un interrupteur marche/arrêt, il permet de « glisser » vers n’importe quel point précis au sein d’un ensemble de données.
Si cette méthode permettait à l’IA d’affiner des valeurs décimales précises, comme le réglage exact des tensions et des largeurs de transistors sur un continuum, elle présentait toutefois une limitation majeure : elle traitait le circuit comme une simple liste de cibles, en ignorant complètement sa structure. Comme le modèle ne pouvait pas « voir » comment les composants électroniques étaient reliés entre eux, le réglage d’une variable déclenchait souvent des effets en cascade imprévisibles, rendant le processus peu fiable.
Analyse du circuit : comment l'approche avancée d'Amii en matière d'apprentissage par renforcement a accéléré son succès
Amii et AsterQuanta se sont donc lancés dans la création d’un agent utilisant une approche plus récente d’apprentissage par renforcement, capable de comprendre la structure d’un circuit, explique Payam Mousavi, responsable scientifique en apprentissage automatique chez Amii, qui a travaillé sur le projet. Pour ce faire, ils ont d’abord dû traduire cette structure sous une forme compréhensible par l’agent.
« Chaque fois que l’on se lance dans un projet en RL, quel qu’il soit, il faut représenter son problème sous la forme d’une structure de données. Pour les circuits, on pourrait évidemment deviner que, vous savez, les circuits ressemblent à des graphes. Alors pourquoi ne pas [les] utiliser ? », explique-t-il.
Les équipes ont converti les schémas des circuits en cartes de nœuds et d’arêtes interconnectées : les composants sont devenus des nœuds, tandis que les fils sont devenus des arêtes. Elles ont ensuite utilisé un réseau convolutif de graphes spécialisé, capable d’analyser le graphe ainsi que les tensions, les objectifs de performance et les mesures des composants. Après plusieurs itérations, l’équipe a trouvé la combinaison adéquate d’informations sur la structure et les tensions nécessaire pour améliorer les performances de l’agent.
Mousavi a développé son nouvel agent à l'aide de Soft-Actor Critic (SAC) RL, une méthode de pointe conçue pour encourager l'exploration. Au lieu de simplement récompenser l'agent en fonction de la solution finale qu'il trouve, celle-ci le récompense également pour son imprévisibilité occasionnelle et sa volonté d'essayer de nouvelles choses. Ainsi, l'agent ne se cantonne pas à la première réponse qu'il trouve ; au contraire, il continue d'explorer de nouvelles options, ce qui lui permet parfois de trouver des réponses encore meilleures.
De quelques semaines à quelques heures : des résultats impressionnants
Les résultats finaux se sont révélés impressionnants. Amii a testé le nouvel agent RL sur un régulateur de 500 mA — que l'on trouve couramment dans les smartphones et les équipements médicaux —, considéré comme un cas de référence idéal et concret. L'équipe a comparé ses performances à celles du NSGA-II, un algorithme évolutif multi-objectifs couramment utilisé pour des problèmes tels que le dimensionnement des circuits.
En à peine cinq heures, l'agent RL a pu simuler des solutions de taille de circuit pour plusieurs cibles, contre 24 heures pour le NSGA-II, tout en présentant un taux d'erreur inférieur.
Ces résultats impressionnants ont démontré que l'équipe avait vu juste en décidant de transformer les schémas des circuits en graphiques. L'agent a obtenu de bien meilleurs résultats grâce à ces connaissances supplémentaires et, le processus de conception étant itératif, les ingénieurs ajustent et peaufinent sans cesse les variables pour optimiser le dimensionnement des circuits — ce qui se traduit par un gain de temps considérable.
« En général, cela prendrait deux ou trois jours à un concepteur expérimenté. Pour un concepteur débutant, il faudrait compter deux ou trois semaines. Mais un agent y parviendrait en moins de 10 heures. Il ne s’agit pas de remplacer les ingénieurs, mais de les rendre plus productifs », explique Pydah.
« L'IA ne peut pas résoudre le problème de la capacité humaine en matière de conception, mais elle peut la renforcer. »
Réussir à grande échelle : créer des agents reproductibles grâce à l'apprentissage par transfert
L’agent RL ne se contente pas d’accélérer le dimensionnement des circuits individuels ; il crée un cadre réutilisable qui tire les leçons acquises pour résoudre plus rapidement et plus efficacement des défis de conception de circuits entièrement nouveaux, grâce à l’intégration de l’apprentissage par transfert. L’équipe a intégré au système un réseau de graphes à deux niveaux : le niveau inférieur analyse la solution finale, puis la transmet au niveau supérieur, qui la condense en une sorte de résumé. L’agent peut ensuite utiliser ce résumé comme un enseignement qui l’aidera à trouver des solutions aux futurs défis de dimensionnement de circuits. Pour aller encore plus loin, AsterQuanta ne crée pas les circuits elle-même. En s’appuyant plutôt sur les travaux menés avec l’équipe Amii, Pradeep a pu développer une plateforme de conception que les clients d’AsterQuanta peuvent utiliser pour créer leurs propres agents RL de dimensionnement automatisé.
Contrairement à ses concurrents qui se contentent de vendre l'agent de conception basé sur l'IA, AsterQuanta permet à ses clients de créer leurs propres agents, leur offrant ainsi un plus grand contrôle. Selon M. Pydah, l'entreprise collabore déjà avec des universités et des entreprises technologiques internationales dans plusieurs pays qui s'intéressent à la plateforme.
Favoriser l'autosuffisance mondiale : la voie à suivre
Et selon Pydah, cette technologie arrive à un moment crucial. L’industrie mondiale des semi-conducteurs est fortement concentrée dans quelques régions du globe seulement. Face aux préoccupations croissantes concernant la protection de l’information et la souveraineté des données, de nombreux acteurs cherchent à devenir plus autonomes en matière de conception de circuits, dans une optique de démocratisation et de décentralisation de l’IA. L’Agent d’AsterQuanta est parfaitement positionné pour répondre à cette demande en permettant aux organisations de créer et de contrôler leurs propres agents personnalisés, plutôt que de dépendre de solutions externes.
Un partenariat durable dont l'impact ne cesse de croître
Bien que l'entreprise se concentre désormais sur la mise en œuvre du système basé sur RL, M. Pydah précise qu'AsterQuanta continue d'entretenir des liens étroits avec Amii. Conformément à l'objectif principal de transfert de connaissances et de talents dans le cadre du partenariat avec Développement économique Canada pour les Prairies, l'entreprise a embauché à temps plein le résident en apprentissage automatique d'Amii qui a travaillé sur le projet.
De plus, ils ont sollicité et obtenu la participation de Matt Taylor, chercheur de renommée mondiale, membre de l'Amii et titulaire de la chaire CIFAR Canada, en tant que conseiller auprès de leur équipe de l'Alberta.
Alors qu'AsterQuanta étend sa présence à l'échelle mondiale tout en renforçant son ancrage local, les conditions sont réunies pour des avancées encore plus révolutionnaires à la croisée de l'IA et de la conception de semi-conducteurs.
Travailler chez Amii
Contactez notre équipe pour découvrir comment Amii peut aider votre entreprise à mettre en œuvre des solutions d'IA de pointe.