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

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.

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.

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.

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.

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'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.

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'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.

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.

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.