Engenheiros costumam desenhar chips sem fio a partir de modelos já conhecidos e ajustá-los aos poucos, com simulações e testes trabalhosos. Pesquisadores da Universidade de Princeton, nos Estados Unidos, e do Instituto Indiano de Tecnologia de Madras (IIT Madras), na Índia, inverteram essa lógica. Eles deixaram uma inteligência artificial criar os circuitos a partir do desempenho desejado. O método está descrito em estudo publicado na revista Nature Communications e produziu estruturas de aparência quase aleatória que parecem funcionar muito bem.
Há um porém: ninguém sabe exatamente por que elas funcionam tão bem.
“Os humanos não conseguem entendê-los, mas eles podem funcionar melhor”, afirmou Kaushik Sengupta, professor de engenharia elétrica e de computação em Princeton e líder da pesquisa.
Do desempenho desejado ao desenho do circuito
O trabalho se concentrou nos chips sem fio, componentes que operam em frequências muito altas e estão por trás de redes 5G, sistemas de radar, tecnologias avançadas de sensoriamento e veículos autônomos. Desenvolvê-los é um processo lento. O engenheiro parte de um modelo predefinido e o melhora em rodadas sucessivas de simulação e teste. Além de demorado, o processo exige muita experiência, o que limita quanto e com que rapidez um projeto pode avançar.
A nova abordagem recebe o nome de “design inverso”. Em vez de montar o circuito peça por peça e depois verificar o que ele faz, os pesquisadores definem primeiro o que o componente precisa fazer e deixam o algoritmo encontrar a forma. É como pedir a um cozinheiro um prato com determinado sabor e deixá-lo inventar a receita, em vez de seguir uma receita pronta e torcer pelo resultado. Esse caminho tende a ser mais eficiente, mas é muito mais difícil de fazer funcionar.
Para isso, a equipe treinou redes neurais convolucionais, um tipo de modelo de IA muito usado para reconhecer padrões em imagens. Aqui, elas aprenderam a relacionar a geometria de um circuito ao seu comportamento eletromagnético, ou seja, à forma como os sinais de rádio se propagam por ele. Com esse aprendizado, o modelo prevê o desempenho de um desenho antes de ele existir. As redes trabalharam junto com algoritmos de otimização, que buscavam layouts que atendessem às especificações dos engenheiros.
Os cientistas não aceitaram cegamente o que a máquina propôs. Eles conferiram os projetos com simulações eletromagnéticas convencionais, fabricaram os componentes e mediram seu desempenho no laboratório.
Antenas e filtros projetados em minutos
Os testes cobriram desde antenas simples, com uma única entrada, até estruturas de radiofrequência mais complexas, com várias portas de conexão, como filtros e divisores de potência. A IA criou antenas compactas que operam em duas frequências diferentes, o que melhora o desempenho de aparelhos que operam em várias faixas. Também sintetizou, em poucos minutos, filtros que deixam passar apenas uma faixa precisa de frequências. Antes, esse tipo de tarefa levava dias ou semanas.
O mais surpreendente, porém, foi a aparência dos projetos. Eles não lembram nada do que um engenheiro desenharia.
“Estamos criando estruturas complexas e de formato aparentemente aleatório que, quando conectadas aos circuitos, alcançam um desempenho antes inatingível”, disse Sengupta.
Segundo o pesquisador, os projetos clássicos encaixam cuidadosamente os elementos eletromagnéticos para que o sinal percorra o chip do jeito planejado. “Antes, tínhamos uma maneira finita de fazer isso, mas agora as opções são muito maiores”, afirmou.
Modelos de difusão, da mesma família dos geradores de imagens, passam a desenhar componentes
O grupo de Princeton seguiu adiante. Em agosto de 2025, apresentou o Dall-EM, sistema baseado em modelos de difusão, a mesma família de técnicas usada por geradores de imagens. Em vez de testar e modificar candidatos em uma busca evolutiva, o sistema gera diretamente estruturas que cumprem as metas de desempenho. Segundo os pesquisadores, o tempo de projeto caiu pelo menos dez vezes em relação à abordagem anterior, e alguns desenhos ficaram prontos em segundos.
Em fevereiro de 2026, na Conferência Internacional de Circuitos de Estado Sólido do IEEE, a equipe mostrou uma estrutura de projeto que integra arquitetura do circuito, escolha de componentes, design eletromagnético e layout físico. Um estudo de junho de 2026 atacou um problema bem prático. As formas criadas pela IA podem impressionar na tela, mas um chip real tem espaço limitado, e os componentes precisam caber em uma área predefinida.
Corte de verba trava programa de quase US$ 10 milhões
A pesquisa também esbarrou em um obstáculo bem mais tradicional: dinheiro. Em maio de 2025, o National Semiconductor Technology Center anunciou quase US$ 10 milhões para um projeto liderado por Princeton e dirigido por Sengupta. A meta era desenvolver ferramentas de IA para o projeto de chips sem fio, com a participação de pesquisadores e parceiros da indústria.
Poucos meses depois, o projeto recebeu ordem de paralisação. Em agosto de 2025, o Departamento de Comércio dos Estados Unidos retirou o apoio à Natcast, organização que supervisionava o programa, após uma disputa sobre a forma como ela havia sido criada. A decisão fez parte de uma série de medidas do governo Trump contra programas iniciados na gestão Biden. A equipe buscou financiamento alternativo, mas enfrentou dificuldades. Uma auditoria do governo divulgada em agosto de 2026 confirmou que a Natcast encerrou as atividades em setembro de 2025. A situação do financiamento original de Princeton segue incerta.
O revés não interrompeu a ciência, como mostram as publicações posteriores do grupo. Mas ilustra como é difícil transformar um avanço de laboratório em uma tecnologia de uso amplo.
A caixa-preta dos circuitos criados por máquina
Resta uma questão maior: até que ponto podemos confiar em projetos que não entendemos completamente? Hoje, quase não há transparência sobre como a IA chega a esses desenhos. Isso dificulta prever o comportamento dos circuitos em todas as condições possíveis. Essa natureza de “caixa-preta” poderia levar a falhas ou vulnerabilidades inesperadas, sobretudo em aplicações críticas, como dispositivos médicos, veículos autônomos ou sistemas de comunicação.
Os próprios pesquisadores não veem a IA assumindo sozinha a engenharia de chips tão cedo.
“Ainda há armadilhas que exigem correção por projetistas humanos”, disse Sengupta. “A questão não é substituir projetistas humanos por ferramentas. A questão é aumentar a produtividade com novas ferramentas.”
Os protótipos foram fabricados e tiveram seu desempenho medido. Isso, porém, não comprova a confiabilidade de longo prazo em produtos comerciais. Os engenheiros ainda precisam verificar como os dispositivos respondem a variações de fabricação, mudanças de temperatura e condições de operação além das usadas nos testes iniciais.
