HydroGym AI réduit la traînée de 11 % sur une aile simulée

Dans un modèle informatique d’une aile d’avion, un contrôleur entraîné sur un écoulement beaucoup plus simple a réduit de 38 % le frottement de surface et de 11 % la traînée totale. Ce résultat provient d’HydroGym, une nouvelle plateforme conçue par des chercheurs de l’Université de Washington, de l’Université du Michigan, de l’université RWTH d’Aix-la-Chapelle et de l’Université technique de Munich pour entraîner et comparer des systèmes d’intelligence artificielle contrôlant les fluides.

HydroGym utilise l’apprentissage par renforcement, une méthode dans laquelle un agent d’IA s’améliore en interagissant avec son environnement. Les chercheurs y ajoutent des connaissances en physique afin de réduire les essais-erreurs à l’aveugle qui rendent habituellement ces problèmes coûteux. Lors de leurs tests, cette approche a réduit jusqu’à 65 % les essais-erreurs nécessaires pour optimiser les stratégies de contrôle.

Le résultat obtenu sur l’aile a commencé par une expérience plus simple : un canal constitué de deux surfaces planes percées de trous, comme des tables de air hockey. Le contrôleur a appris à gérer l’air entrant et sortant par ces trous, perturbant l’écoulement turbulent tout en maintenant l’équilibre entre l’air entrant et l’air sortant. Une fois transféré à l’aile simulée, plus complexe, le modèle n’a eu besoin d’aucun entraînement supplémentaire. L’entraînement dans l’environnement simple était 100 fois plus rapide et 10 000 fois moins coûteux que l’entraînement direct sur l’aile.

La plateforme est conçue comme un banc d’essai commun plutôt que comme un contrôleur unique. Elle contient plus de 60 environnements couvrant différentes surfaces, différents écoulements et différentes méthodes de contrôle, notamment des surfaces capables de changer de forme, de minuscules volets, des éléments rotatifs et des jets. Elle peut également tester des systèmes distribués, dans lesquels de petits contrôleurs se coordonnent sur différentes parties d’une grande surface, et elle génère des données simulées tout en proposant plusieurs approches de modélisation physique.

Qu’est-ce que cela change en pratique ? Les chercheurs peuvent entraîner des modèles sur des problèmes de substitution peu coûteux, comparer les méthodes dans les mêmes conditions, puis vérifier si le contrôle appris se transfère à des géométries plus réalistes. Cela pourrait soutenir des travaux sur les avions, les éoliennes, le bruit des moteurs à réaction et le refroidissement des supercalculateurs. La limite est claire : ces résultats sont issus de simulations, et les chiffres communiqués par l’équipe de recherche doivent encore être confirmés dans des conditions réelles.