Física com IA poderá transformar dias de simulação em segundos

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.

Durante a maior parte do último século, uma nova asa, bateria ou estrutura de automóvel foi verificada sempre da mesma forma: os engenheiros constroem uma cópia virtual e resolvem as equações da física, ponto a ponto, em toda essa cópia. Os resultados são fiáveis, mas uma única simulação pode demorar horas ou dias num conjunto de computadores que ocupa uma sala inteira, e a preparação do modelo pode demorar ainda mais dias. É este o estrangulamento que Pete Schlampp, diretor executivo da Luminary, coloca no centro de um texto de opinião publicado no Engineering.com. A sua tese é que os modelos de IA já conseguem prever o mesmo comportamento muito mais depressa.

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.

O mecanismo está próximo do que tornou possíveis os grandes modelos de linguagem. Um LLM aprende os padrões da linguagem a partir de milhares de milhões de documentos e depois escreve novo texto sem consultar nada. Um Grande Modelo de Física (LPM, na sigla em inglês) aprende os padrões da física a partir de milhares de simulações baseadas em física: como o ar escoa sobre uma asa, como o calor se propaga numa bateria, como o metal se deforma num choque. Depois de treinado, prevê como se comportará uma nova forma sem resolver as equações do zero. Segundo o autor, o modelo fornece então a pressão, a tensão e o calor em cada ponto da superfície em segundos, quando o método tradicional precisava de dias.

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.

A ideia não é nova por si só, e o autor insere-a numa série mais vasta de resultados. Em 2024, Demis Hassabis e John Jumper, da Google DeepMind, partilharam o Prémio Nobel da Química pelo AlphaFold, que previu as estruturas de praticamente todas as 200 milhões de proteínas conhecidas pela ciência. Um ano antes, o GraphCast da DeepMind produziu previsões meteorológicas a 10 dias mais precisas do que o principal sistema operacional em cerca de 90 % das medidas testadas, em menos de um minuto e não em horas num supercomputador. Em fevereiro de 2025, o Centro Europeu de Previsões Meteorológicas a Médio Prazo começou a utilizar, de forma operacional, um modelo de aprendizagem automática em paralelo com o seu sistema existente, registando ganhos de até 20 % nas previsões de ciclones tropicais e uma redução de mil vezes na energia necessária para produzir uma previsão. Trata-se de sistemas de meteorologia e de biologia, não de LPM para peças industriais, mas o autor sustenta que partilham a mesma característica: prever como se comporta um sistema físico antes de qualquer experiência.

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.

O autor atribui ao crescimento desta tecnologia três fatores. As GPU tornam rápido e acessível gerar os milhares de treinos de que um LPM necessita, reduzindo uma única simulação de dias para minutos. As arquiteturas de transformadores baseadas em atenção permitem previsões à escala e à velocidade que a engenharia exige. E os agentes de IA que exploram milhares de projetos precisam de retorno da física, porque sem ele produzem projetos aleatórios que podem não funcionar no mundo real. O autor afirma ainda que os resultados publicados mostram previsões dos LPM a alguns por cento dos métodos mais lentos. Esses estudos não são citados no texto, e o autor dirige uma empresa que vende esta tecnologia, pelo que o valor continua a ser uma afirmação sua até que testes independentes o confirmem.

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 as afirmações se confirmarem, o ganho ultrapassa o gabinete de projeto. O mesmo modelo que prevê o desempenho de uma asa antes de ser construída pode prever a consistência de um lote de peças fabricadas e detetar um defeito que uma verificação tradicional deixaria passar. Depois de um avião, um motor ou um veículo entrar em serviço, pode processar os dados dos sensores e assinalar uma peça próxima da avaria, em cada unidade e de forma contínua, em vez de apenas nas inspeções programadas. Levado mais longe, um modelo suficientemente rápido poderia integrar um sistema de controlo e ajustar a trajetória de uma máquina em tempo real. Para os fabricantes de aeronaves, os construtores automóveis e os engenheiros de baterias, isto significa menos protótipos físicos e iterações mais rápidas. O texto não indica quando é que isto chegará à maioria das empresas nem apresenta qualquer valor de custo, pelo que o calendário para as equipas de engenharia mais pequenas continua em aberto.