Finansiering

Circuit Mind henter 18,5 millioner dollar i A-runde og kunngjør 25 millioner dollar til KI-basert elektronikkutvikling

mm
Legg til Unite.AI blant dine foretrukne kilder på Google
AI-generated conceptual illustration of a circuit board with schematic verification overlays

Circuit Mind har kunngjort en finansiering på 25 millioner dollar for å videreutvikle KI-plattformen sin for utforming og kontroll av elektroniske kretser. Finansieringspakken omfatter en A-runde på 18,5 millioner dollar og en tidligere ikke kunngjort såkornrunde, noe som bringer den London-baserte selskapets samlede finansiering opp i 33,4 millioner dollar.

A-runden ble ledet av Norwest, med deltakelse fra de eksisterende investorene Third Prime, Differential Ventures og Blackhorn Ventures, sammen med den nye investoren Lightscape VC. Third Prime ledet såkornrunden. Norwest-generalen Dave Zilberman går inn i styret i Circuit Mind.

Finansieringen kommer samtidig med AVE, selskapets nye agentiske verifiseringsmotor, som kontrollerer konstruksjoner opp mot datablad for komponenter og selskapets tekniske regler. Sammen med den eksisterende konstruksjonsassistenten ACE tar den for seg to sammenhengende utfordringer: å lage en fungerende krets og å finne feil før kretsen blir til et fysisk kretskort.

Automatisering av arbeidet mellom krav og kretsskjema

Elektronikkutvikling handler om mer enn å plassere symboler på en skjerm. Ingeniører må velge kompatible komponenter, oppfylle elektriske begrensninger, ta hensyn til tilgjengelighet og dokumentere hvorfor en konstruksjon oppfyller kravene. Et tilsynelatende lite avvik kan føre til at et team må gjennom produksjons- og testprosessen på nytt.

ACEs løsning, som står for «assistent for kretsingeniører», tar utgangspunkt i et maskinvareblokkskjema. Ifølge kunngjøringen utarbeider den et kretsskjema, en materialliste og tilhørende analyser på få minutter, samtidig som ingeniører kan sammenligne alternativer som er optimalisert for kostnad, størrelse, strømforbruk eller tilgjengelighet av komponenter.

Selskapets produktdokumentasjon gir flere nyttige detaljer: Inndata kan omfatte signaler, funksjonskrav, mekaniske begrensninger og innkjøpsbehov. Resultatene omfatter mulige kretsskjemaer, formfaktoranalyse, tilgjengelighetsanalyse og eksportfiler for ECAD-programvare og komponentbiblioteker. Ingeniører kan angi hvilke begrensninger som er viktige, og utforske alternativer.

Dermed blir ACE et verktøy for å håndtere avveininger i konstruksjonsarbeidet. En rimeligere komponent kan øke strømforbruket, mens en mindre kapsling kan gjøre varmehåndtering eller anskaffelse mer krevende. Automatisert søk kan gi ingeniører flere alternativer å vurdere, samtidig som de fortsatt har ansvaret for forutsetningene og godkjenningskriteriene.

Derfor kombinerer Circuit Mind KI med fysikk

Plattformen kombinerer agentisk KI med en patentert, fysikkbasert beslutningsmotor, strukturerte modeller av elektroniske komponenter og kundespesifikk teknisk kontekst. Denne konteksten omfatter godkjente produsenter, foretrukne komponenter og konstruksjonsregler. Circuit Mind sier at plattformen integreres med kundenes eksisterende ECAD-verktøy, biblioteker, systemer for produktlivssyklusstyring og tekniske miljøer.

Dette er et annet teknisk utgangspunkt enn å be en generell chatbot finne opp en krets. En språkmodell kan bidra til å tolke informasjon, men valg av komponenter og forbindelser krever også uttrykkelige kontroller opp mot elektriske grenser og konstruksjonskrav. Circuit Minds tilnærming er å kombinere automatisering med en strukturert beskrivelse av hva en komponent kan gjøre.

I sin tidligere presentasjon av ACE beskrev selskapet hvordan løsningen genererer forslag til kretsskjemaer og materiallister fra et blokkskjema, med optimalisering som også omfatter livssyklusstatus, robusthet i forsyningskjeden og foretrukne produsenter. Den nye kunngjøringen utvider dette fra å generere en konstruksjon til å verifisere den i tråd med virksomhetens egne arbeidsmåter.

Denne utviklingen skjer parallelt med andre forsøk på å ta i bruk KI i ingeniørarbeid, blant annet KI-assistert kretsdesign for brikker. Oppgavene er forskjellige: Circuit Mind arbeider med elektroniske kretser på kretskortnivå, ikke med den interne utformingen av en halvleder. Suksess på det ene området dokumenterer ikke ytelse på det andre.

AVE innfører en egen arbeidsflyt for verifisering

AVE bruker KI-agenter til å sammenligne konstruksjoner med datablad for komponenter og organisasjonens konstruksjonsregler. Circuit Mind sier målet er å avdekke problemer som tradisjonelle gjennomganger av kretsskjemaer kan overse, før en prototype produseres, og dermed redusere behovet for å lage nye kretskort.

Det er nyttig å skille mellom generering og verifisering. Et team må kontrollere en foreslått konstruksjon opp mot kravene sine, i stedet for å anta at en automatisert generator allerede har løst alle problemer. Verifisering gir også virksomheter en måte å bruke organisasjonens samlede kunnskap konsekvent på tvers av prosjekter.

Det er imidlertid viktig å ta hensyn til omfanget av hver kontroll. At et kretsskjema består en bestemt regelkontroll, betyr ikke automatisk at produktet er ferdig og kvalifisert. Fysisk utforming, elektromagnetisk interferens, termisk oppførsel, produksjonstoleranser og driftsforhold kan medføre ytterligere begrensninger. Circuit Minds påstander om etterprøvbar nøyaktighet bør derfor forstås i lys av modellene, forutsetningene og kontrollene som brukes.

Hva de rapporterte resultatene viser

Selskapet opplyser at ingeniørteam hos Emerson, Schneider Electric og Fortune 5-selskaper bruker plattformen. I kunngjøringen viser selskapet til at tidsplaner for designarbeid er blitt kortere, fra måneder til uker, at kostnadene for materiallisten er redusert med 25 %, og at det har vært færre nye revisjoner av kretskort før produksjon. Dette er resultater rapportert av selskapet, ikke resultater fra en felles, uavhengig referansetest.

Circuit Minds publiserte sammendrag av en evaluering fra Los Alamos National Laboratory gir mer kontekst. Det tok fire timer og 13 minutter å utforme en mikrokontroller med middels kompleksitet, sammenlignet med en oppgitt manuell referansetid på 60–80 timer. Dette omfattet 35 minutters oppsett, åtte minutters automatisert problemløsning og omtrent tre og en halv times manuelt arbeid. Det samme sammendraget beskriver et mer krevende FPGA-design der det gjensto betydelig manuelt arbeid fordi enkelte komponenter ikke var støttet under evalueringen. Disse kontrasterende eksemplene viser hvorfor man ikke bør generalisere én enkelt måling av tidsbesparelse til alle kretskort.

En uttalelse fra en leder i Schneider Electric i kunngjøringen beskriver tidlige evalueringer som tyder på at arbeidsinnsatsen med å utforske arkitekturer potensielt kan reduseres med mer enn 90 %. Dette er en mer avgrenset påstand enn å redusere hele utviklingssyklusen for maskinvare med samme andel. Utforsking, detaljdesign, kretskortlayout, testing og kvalifisering er ulike faser.

Utvidelse av plattformen og selskapets tilstedeværelse i USA

Circuit Mind, som ble grunnlagt av Tomide Adesanmi og Basilio Gentile, planlegger å bruke finansieringen til å utvide plattformen til å dekke hele livssyklusen for elektronikkdesign, styrke teamene innen salg, ingeniørarbeid og kundeoppfølging og etablere et hovedkontor i USA som betjener Nord-Amerika.

Den praktiske prøven blir hvor godt programvaren håndterer unntakene som gjør virkelige elektronikkprosjekter krevende: ufullstendige datablad, endrede krav, ukjente komponenter og standarder som er spesifikke for den enkelte organisasjon. Det er verdifullt å generere forslag raskere. Den største gevinsten kommer når ingeniører kan undersøke dokumentasjonen bak et automatisert valg og ta et pålitelig design videre til neste fase med mindre behov for omarbeiding.

Leo Park er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-hardware-startups, edge computing og de nye chip-arkitekturer som endrer hvordan kunstig intelligens brukes utenfor sentraliserte datasentre. Hans arbeid fokuserer på hvordan nye silisiumdesign, edge-inferensplattformer og energivennlige systemer endrer økonomien og mulighetene for AI i stor skala. Med et ingeniørorientert og presist perspektiv undersøker Leo hvordan startups bygger spesialiserte prosessorer, optimaliserer minne- og strømforbruk, og muliggjør sanntids AI-arbeidsbelastninger nærmere der data genereres. Han legger særlig vekt på anvendte bruksområder - som robotikk, autonome systemer, industriell IoT og on-device-intelligens - hvor edge-AI leverer merkbar ytelse og kostnadsfordeler. Artikler skrevet av Leo Park er AI-generert og gjennomgått av Unite.AIs redaksjonelle team for å sikre teknisk nøyaktighet, klarhet og ansvarlig dekning av det raskt utviklende AI-hardware- og edge computing-landskapet.