Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
For most of the last century, a new wing, battery or car frame has been checked the same way: engineers build a virtual copy of it and solve the equations of physics, point by point, across that copy. The answers are trusted, but a single simulation can take hours or days on a roomful of computers, and preparing the model can take days more. This is the bottleneck Luminary's CEO, Pete Schlampp, puts at the centre of a contributed piece published on Engineering.com. His claim is that AI models can now predict the same behaviour much faster.
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.
The mechanism is close to what made large language models work. An LLM learns the patterns of language from billions of documents and then writes new text without looking anything up. A Large Physics Model, or LPM, learns the patterns of physics from thousands of physics-based simulations: how air flows over a wing, how heat moves through a battery, how metal bends in a crash. Once trained, it predicts how a new shape will behave without solving the equations from scratch. According to the author, it then gives the pressure, stress and heat at every point of the surface in seconds, where the traditional method needed days.
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.
The idea is not new on its own, and the author places it in a wider run of results. In 2024, Demis Hassabis and John Jumper of Google DeepMind shared the Nobel Prize in Chemistry for AlphaFold, which predicted the structures of virtually all 200 million proteins known to science. A year earlier, DeepMind's GraphCast produced 10-day weather forecasts more accurate than the leading operational system on roughly 90 percent of the measures tested, in under a minute instead of hours on a supercomputer. In February 2025, the European Centre for Medium-Range Weather Forecasts began running a machine-learning model operationally alongside its existing system, reporting gains of up to 20 percent on tropical cyclone predictions and a thousandfold reduction in the energy needed to produce a forecast. These are weather and biology systems, not LPMs for industrial parts, but the author argues they share the same trait: predicting how a physical system behaves before anyone runs an experiment.
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.
The author attributes three developments to the rise of this technology. GPUs make it fast and affordable to generate the thousands of training runs an LPM needs, cutting a single simulation from days to minutes. Attention-based transformer architectures give predictions at the scale and speed engineering requires. And AI agents that explore thousands of designs need physics feedback, since without it they produce random designs that may not work in the real world. The author also says published results show LPM predictions within a few percent of the slower methods. Those studies are not cited in the piece, and the author runs a company that sells this technology, so the figure is his claim until independent tests confirm it.
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.
If the claims hold, the gain goes beyond the design office. The same model that predicts how a wing performs before it is built can predict how consistent a batch of manufactured parts will be, and catch a defect that a traditional check would miss. Once a plane, engine or vehicle is in service, it can process sensor data and flag a part close to failure, on every unit and continuously, instead of only at scheduled inspections. Pushed further, a fast enough model could sit inside a control system and adjust a machine's trajectory in real time. For aircraft makers, carmakers and battery engineers, that means fewer physical prototypes and quicker iterations. The piece gives no date for when this reaches most firms, and no cost figure, so the timing for smaller engineering teams remains open.
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.