IBM a entraîné une IA sur 50 ans de données aérodynamiques de Dallara et réduit de plusieurs heures à 10 secondes le temps de calcul sur une LMP2 : 300 variantes testées avant le déjeuner

IBM et Dallara annoncent une collaboration pour accélérer la conception aérodynamique des voitures de course, avec une promesse simple, passer de simulations qui prenaient des heures à des évaluations en minutes.

Le coeur du projet repose sur des modèles d’IA “physiques”, entraînés sur des données aérodynamiques validées, et sur une exploration parallèle de l’informatique quantique pour aller plus loin sur les cas les plus complexes. Le signal le plus concret vient des premiers essais, sur un prototype de type LMP2, l’IA a évalué une série de configurations en environ 10 secondes, là où la CFD classique demandait plusieurs heures, avec des marges d’erreur jugées comparables. Pour les ingénieurs, la promesse est de tester beaucoup plus tôt, beaucoup plus large, et de réserver les gros calculs aux optimisations finales, mais il y a aussi des limites, une IA reste dépendante de ses données et de son domaine de validité.

IBM et Dallara valident une IA à 10 secondes

Dans l’expérimentation mise en avant, les équipes ont travaillé sur une voiture de course de type LMP2 et sur un élément très concret, le diffuseur arrière, cette pièce sous la caisse qui influence l’appui et la traînée. L’approche traditionnelle, la CFD, a pris “quelques heures” pour comparer des configurations. Le modèle d’IA, lui, a produit des évaluations en environ 10 secondes, tout en retrouvant le même design optimal.

Un exemple cité dans les tests porte sur un réglage d’angle du diffuseur, de -2 à +4 degrés. Ce type de variation paraît minuscule, mais en course, c’est typiquement ce qui change l’équilibre d’une voiture entre vitesse de pointe et stabilité. Là où l’ingénieur devait lancer des calculs, attendre, relancer, l’IA sert de “surrogate model”, une approximation rapide qui permet de trier les options avant d’investir du temps machine.

Le gain n’est pas juste du confort. Dallara explique qu’un programme normal peut impliquer des centaines de géométries à comparer, ce qui peut transformer une exploration en travail de plusieurs jours. Si l’IA fait le premier tri, l’équipe peut réserver les ressources les plus coûteuses aux cas prometteurs. Mais attention, si l’IA se trompe sur un cas hors distribution, tu risques d’écarter une bonne piste, et c’est là que la validation CFD reste incontournable.

Le modèle GIST s’appuie sur 50 ans de données

Pour obtenir ces vitesses, IBM met en avant une architecture appelée GIST, pensée pour les simulations physiques basées sur des maillages. L’idée est d’encoder non seulement les points d’un modèle 3D, mais aussi leurs connexions, ce qui compte pour prédire correctement des forces sur des pièces détaillées. Le modèle a été entraîné sur des données propriétaires et validées, issues de décennies de développement aérodynamique chez Dallara.

La collaboration revendique environ 50 ans de données aérodynamiques accumulées, sur des programmes de compétition où les vitesses moyennes peuvent dépasser 230 mph (environ 370 km/h). C’est un point clé, une IA de ce type n’est pas magique, elle devient utile quand elle a vu assez de cas réalistes. Un ingénieur, “Marc”, résume le bénéfice de façon très terrain, si je peux tester 300 variantes avant le déjeuner, je passe plus de temps à décider qu’à attendre.

La nuance, c’est que ces modèles sont très forts dans leur périmètre. Si tu changes radicalement de géométrie, de réglementation, ou de régime d’écoulement, l’IA peut perdre en fiabilité. Et comme les données sont propriétaires, difficile de comparer publiquement les performances à d’autres approches. Dans ce contexte, l’IA sert surtout à accélérer l’amont, puis tu reviens vers la CFD et les essais pour verrouiller les choix, surtout quand une décision peut coûter une saison.

IBM explore le quantique pour la fidélité des cas complexes

Au-delà de l’IA, les deux partenaires disent explorer l’intégration du calcul quantique dans le flux de conception, avec une approche hybride quantique-classique. L’objectif affiché n’est pas seulement d’aller plus vite, mais d’augmenter la fidélité sur des problèmes aérodynamiques complexes, ceux qui restent difficiles même sur des systèmes classiques très puissants. IBM insiste sur le fait que les défis d’ingénierie se jouent souvent sur la capacité à simuler correctement le monde physique.

Concrètement, l’ambition est de pousser plus loin la simulation quand l’IA rapide a déjà réduit l’espace des options. Tu peux imaginer une chaîne en trois temps, l’IA passe en revue des centaines de géométries en secondes, la CFD affine une short-list, puis des méthodes plus avancées, potentiellement aidées par le quantique, ciblent les phénomènes les plus délicats. Dallara parle d’un terrain d’essai idéal, la course impose des cycles courts et des critères de performance clairs.

Mais il faut garder la tête froide, le quantique est présenté comme une piste, pas comme un bouton “turbo” déjà prêt. L’intégration dans un workflow industriel demande des preuves répétables, des outils stables, et des gains mesurables sur des cas réels. Le discours reste prudent, “explorer” et “investiguer” dominent. Si ça marche, l’impact dépasserait le sport auto, avec des applications possibles dans le transport, mais à ce stade, la partie la plus tangible, c’est l’IA qui fait gagner des heures, dès maintenant.