Simulation physique : l'IA pourrait passer de jours à quelques secondes

Pendant la majeure partie du siècle dernier, une nouvelle aile, une batterie ou une structure de voiture a été vérifiée de la même manière : les ingénieurs construisent une copie virtuelle et résolvent les équations de la physique, point par point, sur cette copie. Les résultats sont fiables, mais une seule simulation peut prendre des heures, voire des jours, sur une salle entière d'ordinateurs, et la préparation du modèle peut encore demander plusieurs jours. C'est le goulot d'étranglement que Pete Schlampp, PDG de Luminary, place au centre d'une tribune publiée sur Engineering.com. Selon lui, des modèles d'IA peuvent désormais prédire le même comportement beaucoup plus vite.

Le mécanisme est proche de celui qui a rendu possibles les grands modèles de langage (LLM). Un LLM apprend les régularités du langage à partir de milliards de documents, puis rédige de nouveaux textes sans rien consulter. Un grand modèle de physique, ou LPM (Large Physics Model), apprend les régularités de la physique à partir de milliers de simulations : comment l'air circule autour d'une aile, comment la chaleur traverse une batterie, comment le métal se déforme lors d'un choc. Une fois entraîné, il prédit le comportement d'une nouvelle forme sans résoudre les équations depuis zéro. Selon l'auteur, il fournit alors la pression, les contraintes et la chaleur en chaque point de la surface en quelques secondes, là où la méthode traditionnelle exigeait des jours.

L'idée n'est pas nouvelle en soi, et l'auteur la replace dans une série de résultats plus large. En 2024, Demis Hassabis et John Jumper, de Google DeepMind, ont partagé le prix Nobel de chimie pour AlphaFold, qui a prédit la structure de quasiment les 200 millions de protéines connues de la science. Un an plus tôt, GraphCast, de DeepMind, produisait des prévisions météo à 10 jours plus précises que le système opérationnel de référence sur environ 90 % des critères testés, en moins d'une minute au lieu d'heures sur un superordinateur. En février 2025, le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) a commencé à faire tourner, de façon opérationnelle, un modèle d'apprentissage automatique en parallèle de son système existant, avec des gains allant jusqu'à 20 % sur la prévision des cyclones tropicaux et une réduction par mille de l'énergie nécessaire à la production d'une prévision. Il s'agit de systèmes de météorologie et de biologie, et non de LPM pour des pièces industrielles, mais l'auteur soutient qu'ils partagent le même trait : prédire le comportement d'un système physique avant que quiconque ne lance une expérience.

L'auteur attribue à trois évolutions l'essor de cette technologie. Les GPU rendent rapide et abordable la génération des milliers d'entraînements qu'un LPM requiert, ramenant une simulation unique de plusieurs jours à quelques minutes. Les architectures transformeurs à mécanisme d'attention produisent des prédictions à l'échelle et à la vitesse qu'exige l'ingénierie. Enfin, les agents d'IA qui explorent des milliers de conceptions ont besoin d'un retour fondé sur la physique, faute de quoi ils produisent des conceptions au hasard, qui risquent de ne pas fonctionner dans le monde réel. L'auteur affirme également que les résultats publiés montrent des prédictions des LPM à quelques pourcents près des méthodes plus lentes. Ces études ne sont pas citées dans le texte, et l'auteur dirige une entreprise qui vend cette technologie : ce chiffre reste donc son affirmation tant que des tests indépendants ne l'ont pas confirmé.

Si ces affirmations se vérifient, le gain dépasse le bureau d'études. Le même modèle qui prédit la performance d'une aile avant sa construction peut aussi évaluer la régularité d'un lot de pièces fabriquées et repérer un défaut qu'un contrôle traditionnel manquerait. Une fois un avion, un moteur ou un véhicule en service, il peut traiter les données des capteurs et signaler une pièce proche de la défaillance, sur chaque unité et en continu, plutôt que seulement lors des inspections programmées. Poussé plus loin, un modèle suffisamment rapide pourrait s'intégrer à un système de commande et ajuster la trajectoire d'une machine en temps réel. Pour les constructeurs aéronautiques, les constructeurs automobiles et les ingénieurs batteries, cela signifie moins de prototypes physiques et des itérations plus rapides. Le texte ne donne ni date à laquelle cela concernera la plupart des entreprises, ni coût, de sorte que le calendrier pour les petites équipes d'ingénierie reste incertain.