L'IA per la fisica trasforma giorni di simulazioni in secondi

Per gran parte del secolo scorso, un nuovo progetto di ala, batteria o struttura di automobile è stato verificato sempre allo stesso modo: gli ingegneri costruiscono una copia virtuale e risolvono le equazioni della fisica, punto per punto, su quella copia. I risultati sono affidabili, ma una singola simulazione può richiedere ore o giorni su una sala piena di computer, e preparare il modello può richiedere altri giorni. È questo il collo di bottiglia che il CEO di Luminary, Pete Schlampp, pone al centro di un articolo inviato a Engineering.com. La sua tesi è che i modelli di IA possano ormai prevedere lo stesso comportamento molto più rapidamente.

Il meccanismo è vicino a quello che ha reso possibili i grandi modelli linguistici. Un LLM impara le regolarità del linguaggio da miliardi di documenti e poi scrive nuovo testo senza consultare nulla. Un Large Physics Model, o LPM, impara le regolarità della fisica da migliaia di simulazioni fisiche: come l'aria scorre su un'ala, come il calore si propaga in una batteria, come il metallo si deforma in un urto. Una volta addestrato, prevede come si comporterà una nuova forma senza risolvere le equazioni da zero. Secondo l'autore, fornisce poi pressione, sollecitazione e calore in ogni punto della superficie in secondi, mentre il metodo tradizionale ne richiedeva giorni.

L'idea non è nuova in sé, e l'autore la inserisce in una serie più ampia di risultati. Nel 2024 Demis Hassabis e John Jumper di Google DeepMind hanno condiviso il premio Nobel per la chimica per AlphaFold, che ha previsto le strutture di praticamente tutte le 200 milioni di proteine note alla scienza. Un anno prima, GraphCast di DeepMind ha prodotto previsioni meteo a 10 giorni più accurate del principale sistema operativo in circa il 90% dei parametri testati, in meno di un minuto invece che in ore su un supercomputer. Nel febbraio 2025 il Centro europeo per le previsioni meteorologiche a medio raggio ha iniziato a far girare operativamente un modello di machine learning accanto al suo sistema esistente, segnalando miglioramenti fino al 20% nelle previsioni sui cicloni tropicali e una riduzione di mille volte dell'energia necessaria per produrre una previsione. Si tratta di sistemi meteorologici e biologici, non di LPM per componenti industriali, ma secondo l'autore condividono la stessa caratteristica: prevedere il comportamento di un sistema fisico prima che qualcuno esegua un esperimento.

L'autore attribuisce la diffusione di questa tecnologia a tre sviluppi. Le GPU rendono rapido e accessibile generare le migliaia di addestramenti necessari a un LPM, riducendo una singola simulazione da giorni a minuti. Le architetture transformer basate sull'attenzione offrono previsioni alla scala e alla velocità richieste dall'ingegneria. E gli agenti di IA che esplorano migliaia di progetti hanno bisogno di un riscontro fisico, perché senza di esso producono progetti casuali che potrebbero non funzionare nel mondo reale. L'autore sostiene inoltre che i risultati pubblicati mostrano previsioni degli LPM entro qualche punto percentuale dai metodi più lenti. Quegli studi non sono citati nel pezzo, e l'autore dirige un'azienda che vende questa tecnologia: la cifra resta quindi una sua affermazione finché test indipendenti non la confermeranno.

Se le affermazioni reggeranno, il vantaggio va oltre l'ufficio tecnico. Lo stesso modello che prevede come si comporterà un'ala prima di essere costruita può prevedere quanto sarà uniforme un lotto di componenti prodotti, e individuare un difetto che un controllo tradizionale non noterebbe. Una volta in servizio, un aereo, un motore o un veicolo può elaborare i dati dei sensori e segnalare un componente vicino al guasto, su ogni unità e in modo continuo, invece che solo nelle ispezioni programmate. Spingendosi oltre, un modello abbastanza veloce potrebbe trovarsi dentro un sistema di controllo e correggere la traiettoria di una macchina in tempo reale. Per i costruttori aeronautici, le case automobilistiche e gli ingegneri delle batterie, questo significa meno prototipi fisici e iterazioni più rapide. Il pezzo non indica quando la tecnologia arriverà alla maggior parte delle aziende né un costo, quindi restano aperti i tempi per i team di ingegneria più piccoli.