新しい電子機器の回路図を仕上げても、部品の接続や動作電圧に誤りがないとは限りません。問題が試作後に見つかれば、設計の修正だけでなく、部品の再調達や基板の作り直しも必要になります。英国ロンドン発のCircuit Mindは、こうした回路設計の手作業をAIで減らすスタートアップです。同社は2500万ドルの資金調達を発表し、設計支援の対象をハードウェア開発のより広い工程へ拡大する方針を示しました。



今回の発表で軸となるのは、回路図を作るAIだけではありません。同時に提供が始まった「Agentic Verification Engine（AVE）」は、複数のAIエージェントを使って回路図の誤りを探す検証ツールです。Circuit Mindは従来、ハードウェアの構成を示すブロック図から回路図や部品表を作る作業を自動化してきましたが、AVEによって設計後のレビューにも踏み込みます。

同社によれば、エンジニアが新しいハードウェアの設計に1年以上を費やす場合があり、その作業には数千ページに及ぶ部品データシートの確認も含まれます。回路設計で扱う情報は、単なる文章ではありません。各端子の用途、許容電圧、通信方式、部品間の依存関係を矛盾なく組み合わせる必要があります。Circuit Mindの狙いは、この負担を文章生成だけで軽くするのではなく、設計判断を物理的な制約と照合できる仕組みに置き換えることです。

生成AIがソフトウェア開発の速度を変えるなか、同社は自社をハードウェア設計におけるCursorやClaude Codeのような存在として位置づけています。ただし、回路設計ではもっともらしい提案だけでは不十分です。提案した回路が実際に動作条件を満たすかどうかまで確認する点が、今回の発表を読み解く中心になります。

大規模言語モデル（LLM）は、文章やプログラムコードのパターンを基に回答を組み立てます。部品名や回路の構成を説明することはできても、回答の自然さが電気的な正しさを保証するわけではありません。Circuit Mindは、汎用LLMが専門家によって設計された回路を学習していないため、単独では回路設計に適さないとの見方を示しています。



同社のプラットフォームでは、AIエージェントの下に特許取得済みの物理ベースエンジンを置きます。AIが設計案を探索し、それぞれの判断を電気的な上限や動作条件と照合する構成です。判断材料には、Circuit Mindが独自に整備した電子部品の機械可読モデルも使われます。人がデータシートを読んで理解するだけでなく、システムが端子や制約を処理できる形式に変換している点が特徴です。

顧客企業が持つ設計ルールも入力できます。対象には承認済みメーカーの一覧まで含まれるため、電気的に成立するかという観点だけでなく、企業ごとの調達方針や標準にも沿った候補を探せます。同じ機能を実現する部品であっても、どのメーカーから購入できるか、社内で採用が認められているかによって実務上の選択肢は変わるからです。

この構造は、AIの役割を「正解を知っている回答者」から「制約の範囲内で候補を探す担当者」へ変えるものと捉えられます。物理ベースエンジンがあるからといって、設計の正しさが無条件に保証されるわけではありません。それでも、LLMの出力をそのまま採用せず、部品モデルや電気的制約に接続する考え方は、精度と説明責任が求められる企業利用で重要な評価点になるでしょう。

Circuit Mindが先に提供していた設計機能は、ハードウェアのブロック図を入力として使います。ブロック図は、電源、センサー、演算装置、通信機能といった構成要素の関係を大まかに表すものです。プラットフォームはそこから具体的な回路図、部品表、設計を支える分析情報を数分で生成します。



返されるのは一つの設計案だけではありません。コストや消費電力など、優先条件の異なる複数の候補を比較できます。ハードウェア設計では、安価な部品を選べば常に最善になるわけではなく、電力、性能、入手可能性、社内ルールなどの条件を同時に考える必要があります。複数案を短時間で探索できれば、エンジニアは部品を一つずつ調べる作業よりも、どのトレードオフを事業要件に合わせて採用するかという判断に時間を使えます。

完成した設計は、開発チームがすでに利用している電子設計自動化ソフトウェアへ書き出せます。これはECADやEDAと呼ばれるツール群で、回路図の作成や基板設計に使われます。既存環境に出力できるため、AI専用の閉じた作業場所で設計を完結させるのではなく、現在の設計工程へ成果物を引き渡せる構成です。

ここで区別しておきたいのは、回路図の生成とプリント基板上の物理的な配置・配線が同じ作業ではないことです。今回示されている中心機能は、ブロック図を具体的な回路図や部品表へ落とし込み、その判断材料を提供する部分にあります。導入を検討する企業は「基板設計のすべてを自動化する製品」と広く捉えるのではなく、自社工程のどこまでを対象にできるか確認する必要があります。

AVEが対象にするのは、作成された回路図のレビューです。複数のAIエージェントが部品のデータシートと、顧客が登録した確認用チェックリストを参照し、回路内の接続やバスを追跡します。バスとは、複数の信号や機器が情報をやり取りする経路です。エージェントは、端子表との食い違いや動作電圧の不一致がないかを調べます。



レビューを一つのAIに任せず、エージェント群に分担させている点がAVEの特徴です。回路図には、電源系統、通信線、制御信号、部品固有の条件など、性質の異なる確認項目があります。Circuit Mindはこの作業を「AIエージェントの群れ」と表現しており、それぞれが設計全体の接続関係をたどって問題候補を探します。

検出結果がそのままエンジニアに渡るわけでもありません。システムは、自ら見つけた内容を批評してから人に提示します。この自己検証は、根拠の弱い指摘や重複した警告を抑えるための段階と考えられます。ただし、どの程度の誤検出や見逃しがあるのか、AVE単独の詳細な評価値は現時点では明らかにされていません。利用企業には、AIの指摘を最終判断ではなく、レビュー範囲を広げる材料として扱う姿勢が求められます。

企業の設計レビューでは、単に誤りを発見するだけでなく、どのデータシートや社内規則に照らして問題と判断したのかを追えることも大切です。AVEは顧客のチェックリストを読み込めるため、一般的な確認に加えて、組織固有のレビュー基準を反映できる設計になっています。熟練者が持つ確認項目を形式化し、機械による全件確認と人による判断を組み合わせられるかどうかが、実運用での価値を左右するでしょう。

Circuit Mindが紹介している成果の多くは、新しいAVEではなく、ブロック図から回路図などを作る既存の設計機能に関するものです。この違いを押さえずに数値だけを見ると、検証機能でも同じ効果が確認済みだと受け取ってしまうおそれがあります。今回示された導入事例は、設計探索をどこまで短縮できるかを判断する材料として読むのが適切です。



米国の研究機関であるロスアラモス国立研究所では、中程度の難しさの基板をCircuit Mindで設計し、4時間強で作業を終えました。手作業の場合は60～80時間かかるとの見積もりで、この結果を記した報告書は同研究所によって公開を認められています。限られた一事例ではあるものの、部品調査や候補比較を自動化した場合の時間差を具体的に示しています。

フランスに本拠を置くエネルギー管理・産業オートメーション企業のSchneider Electricでは、初期評価において電子アーキテクチャの探索に費やす労力が90％超減ったと、同社のエネルギー管理部門CTOが説明しています。Circuit Mindは、利用者が部品表のコストを25％削減したとも述べています。また、米国の産業技術企業Emerson Electricのハードウェア責任者は、設計機能と検証機能の両方によって、システムアーキテクチャから回路図へ進む工程が速まり、設計検証とレビューの対象範囲も改善したと評価しています。

これらの数値を自社の投資対効果へそのまま当てはめることはできません。基板の難易度、既存の部品ライブラリ、社内ルールの整備状況、人によるレビュー工程によって成果は変わるためです。特にAVEは提供開始直後であり、設計機能と同水準の定量的な実績はまだ示されていません。導入判断では、回路図作成の短縮時間、検出できた不整合、人が再確認した警告の割合を分けて測る必要があります。

2500万ドルの調達額は、1850万ドルのシリーズAと、それまで公表されていなかったシードラウンドの資金で構成されます。シリーズAは米国のベンチャーキャピタルであるNorwest Venture Partnersが主導し、新規投資家のLightscape Partnersに加え、Third Prime、Differential Ventures、Blackhorn Venturesが参加しました。シードラウンドはThird Primeが主導しています。



NorwestのゼネラルパートナーであるDave Zilberman氏は、今回の取引に伴ってCircuit Mindの取締役に就任します。同氏は、AIと物理ベースモデルの組み合わせが、エンジニアによる電子機器の設計方法を根本から改善し得るとの見方を示しました。新規調達分を含め、Circuit Mindがこれまでに得た出資総額は3340万ドルとなります。

資金は、プラットフォームを設計ライフサイクルの後工程へ広げるために使われます。具体的に挙げられているのはテストとファームウェアです。ファームウェアは、機器内部でハードウェアを制御するソフトウェアを指します。回路図の作成と確認だけでなく、実機テストや制御ソフトウェアへ対象が広がれば、設計情報を工程間で引き継ぐ範囲も大きくなります。ただし、これらの新機能の提供時期や仕様は現時点で明らかにされていません。

営業、エンジニアリング、カスタマーサクセスの各チームも増員し、北米の顧客に対応する米国本社を設ける計画です。Circuit Mindは2018年、最高経営責任者のTomide Adesanmi氏と最高技術責任者のBasilio Gentile氏によってロンドンで設立されました。今回の資金調達は、単一の回路図生成ツールを拡販するだけでなく、ハードウェア開発の複数工程を支える基盤へ移行するための投資と見ることができます。

日本の製造業やハードウェア企業がCircuit Mindのような仕組みを評価する場合、生成された回路図の見栄えだけを比べても十分ではありません。注目すべきなのは、部品調査、設計案の比較、社内ルールとの照合、レビューという各工程で、人の作業がどのように変わるかです。特に、熟練エンジニアの判断を置き換えられるかではなく、確認漏れを減らしながら判断に必要な情報をそろえられるかを測るほうが現実的でしょう。



試行対象には、過去に人手で設計・レビューを終えた基板を選ぶ方法があります。既知の成果物と比較できるため、生成時間だけでなく、部品選定の差、電気的制約への適合、警告の妥当性を確認しやすくなります。設計機能とAVEの結果は分けて記録し、AIが提案を作る能力と、既存設計から不整合を見つける能力を混同しないことも欠かせません。

評価では、社内チェックリストや承認済みメーカー一覧をどこまで機械可読な形で用意できるかも確認したいところです。入力ルールが曖昧なままでは、AIが企業固有の基準を反映できません。逆に、導入準備を通じて設計ルールを明文化できれば、AI利用の成否とは別に、レビュー手順の属人性を見直す機会になります。既存のECAD環境へどの形式で出力できるか、変更履歴や判断根拠を追跡できるかといった運用面も、製品性能と同じ段階で確かめる必要があります。

Circuit Mindの発表が示す変化は、生成AIが回路図を書くようになったことだけではありません。AIエージェントを物理モデル、部品データ、企業固有の規則に接続し、検証へ使おうとしている点にあります。導入を考える企業は、全面的な自動化を前提にせず、対象基板を一つ定め、人手の基準結果と比較する小規模な検証から始めるのがよいでしょう。その際、短縮時間、見つけた不整合、誤った警告、人が最終確認に要した時間を別々に記録すれば、投資判断に使える材料を得られます。