DARPA, IA et blisks : ce que recouvre vraiment cette promesse pour l’aéronautique

L’intelligence artificielle ne conçoit pas encore, seule, les moteurs des avions. Elle s’impose toutefois progressivement comme un outil précieux pour explorer des formes complexes, simuler des contraintes extrêmes et inspecter des pièces difficiles à fabriquer. Le blisk, composant monobloc utilisé dans certains moteurs aéronautiques, illustre bien cette rencontre entre calcul avancé, ingénierie de précision et exigences de sécurité.

Le rapprochement avec la Defense Advanced Research Projects Agency, ou DARPA, demande cependant à être précisé. L’agence américaine finance depuis longtemps des recherches ambitieuses en intelligence artificielle et en systèmes autonomes. Son initiative AI Next, souvent associée à l’enveloppe de plus de 2 milliards de dollars sur cinq ans, n’est pas un programme de conception de blisks annoncé en 2024. Elle a été dévoilée en septembre 2018 et portait plus largement sur une nouvelle génération d’IA capable de s’adapter plus efficacement aux situations inconnues.

L’enjeu reste concret : les méthodes soutenues dans la recherche en IA, qu’elles concernent l’apprentissage automatique, l’optimisation ou l’interaction entre humains et machines, peuvent à terme servir des domaines industriels aussi exigeants que l’aéronautique. Mais entre une démonstration de laboratoire et une pièce qui prendra place dans un moteur, la distance est considérable.

Qu’est-ce qu’un blisk dans un moteur d’avion ?

Le terme anglais blisk est la contraction de bladed disk. En français, on peut parler de disque aubagé monobloc. Au lieu de fixer séparément des pales sur un disque, le fabricant réalise l’ensemble sous la forme d’une seule pièce. Ces composants sont notamment présents dans certains étages de compresseurs de moteurs à réaction.

Cette architecture présente des atouts importants. En supprimant les systèmes de fixation entre les pales et le disque, elle peut réduire la masse de l’ensemble et limiter certains jeux mécaniques. Dans l’aéronautique, où chaque kilogramme compte et où les pièces tournent à très grande vitesse, ces gains sont recherchés. Les blisks sont aussi des objets d’ingénierie particulièrement complexes : leurs pales doivent assurer un écoulement d’air efficace tout en résistant aux vibrations, à la chaleur et aux efforts mécaniques.

Le revers de cette intégration est une fabrication et une maintenance plus délicates. Une dégradation localisée ne se traite pas nécessairement comme sur une pale démontable. Les industriels doivent donc disposer de méthodes de contrôle rigoureuses, de réparations qualifiées lorsque cela est possible, et d’une connaissance fine du comportement de la pièce au fil de son utilisation.

Pourquoi l’IA intéresse-t-elle les ingénieurs aéronautiques ?

Concevoir une pièce aéronautique revient à résoudre simultanément de nombreux problèmes. La forme d’une pale influe sur l’aérodynamique, mais aussi sur les vibrations, les températures, les matériaux, la méthode de fabrication, le coût et la durée de vie attendue. Modifier un seul paramètre peut produire des effets sur l’ensemble du système.

Les outils d’intelligence artificielle et d’apprentissage automatique peuvent aider les ingénieurs de plusieurs manières. Ils peuvent repérer des corrélations dans de grands volumes de données de simulation, proposer des configurations prometteuses à étudier ou encore accélérer le tri d’images issues de contrôles non destructifs. Les algorithmes d’optimisation sont particulièrement adaptés aux situations où il faut examiner un très grand nombre de compromis possibles.

Dans le cas d’un blisk, ces méthodes pourraient notamment contribuer à :

• explorer des géométries de pales compatibles avec plusieurs contraintes physiques ;
• réduire le nombre de calculs lourds nécessaires pour écarter rapidement les pistes les moins pertinentes ;
• analyser des données de capteurs ou des images d’inspection afin de détecter des anomalies ;
• anticiper des besoins de maintenance à partir de l’historique d’utilisation d’un équipement.

Il serait néanmoins trompeur de présenter l’IA comme un raccourci qui remplacerait les essais. Dans l’aéronautique, un modèle informatique doit être confronté à des données réelles. Les résultats doivent ensuite être vérifiés, documentés et validés selon des procédures strictes avant toute utilisation opérationnelle. La sécurité des vols impose une traçabilité que les modèles complexes, parfois difficiles à interpréter, ne fournissent pas toujours spontanément.

AI Next : ce que la DARPA a réellement annoncé

La DARPA est une agence du département de la Défense des États-Unis chargée de financer des projets de recherche à haut risque technologique. Elle est connue pour soutenir des programmes exploratoires, en lien avec des universités, des laboratoires et des entreprises, sans nécessairement conduire elle-même les travaux industriels qui en découlent.

En septembre 2018, elle a présenté AI Next, une initiative représentant un investissement de plus de 2 milliards de dollars sur cinq ans. Le but affiché était d’accélérer le développement de l’intelligence artificielle dite de « troisième vague ».

Pour la DARPA, les premières approches de l’IA reposaient largement sur des règles explicitement programmées. Les progrès plus récents de l’apprentissage statistique ont permis de traiter efficacement de grandes quantités de données, mais ces systèmes peuvent rester fragiles lorsque leur environnement diffère de celui sur lequel ils ont été entraînés. La troisième vague recherchée par l’agence devait combiner des capacités d’apprentissage avec davantage de raisonnement contextuel et d’explicabilité.

Ces objectifs peuvent concerner la robotique, l’analyse de données, la cybersécurité, l’aide à la décision ou la maintenance. Ils ne décrivent pas, à eux seuls, un partenariat identifié entre la DARPA et un projet consacré aux blisks. En octobre 2024, l’intérêt du rapprochement est donc avant tout technologique : les avancées recherchées dans l’IA de défense pourraient nourrir des méthodes utiles à l’ingénierie aéronautique.

Des robots plus adaptatifs, mais pas indépendants de l’humain

L’ambition d’obtenir des systèmes capables de s’adapter rapidement aux changements explique une grande partie de l’intérêt militaire pour l’IA. Dans des contextes où les informations évoluent vite, un logiciel qui ne sait fonctionner que dans des conditions parfaitement anticipées a une valeur limitée. Les programmes de recherche de la DARPA cherchent donc à améliorer la robustesse, la compréhension du contexte et la coopération avec les opérateurs humains.

Cette perspective s’applique aussi aux systèmes robotisés. Un robot industriel ou militaire peut recevoir des mises à jour logicielles, modifier certaines stratégies face à une situation nouvelle ou assister un technicien dans des tâches répétitives. Mais cette adaptabilité n’équivaut pas à une autonomie sans contrôle.

Les systèmes employant l’IA doivent rester soumis à des règles d’utilisation précises, particulièrement dans des missions critiques. La capacité à expliquer une recommandation, à signaler un niveau d’incertitude et à laisser un humain reprendre la main est essentielle. C’est l’une des raisons pour lesquelles la recherche sur l’explicabilité et la collaboration humain-machine occupe une place centrale dans les ambitions de la DARPA.

De la défense aux applications civiles : des transferts possibles

La recherche financée par la défense produit parfois des outils qui trouvent ensuite des applications civiles. Les méthodes de simulation, de vision par ordinateur, d’optimisation et de maintenance prédictive intéressent déjà les transports, l’énergie, la santé et l’industrie manufacturière.

Dans l’aéronautique civile, des moteurs plus efficients pourraient contribuer à réduire la consommation de carburant et les coûts d’exploitation. Les gains ne dépendent toutefois pas d’un algorithme isolé. Ils résultent d’un ensemble de choix portant sur la conception du moteur, les matériaux, la fabrication, les opérations de maintenance et l’intégration de l’avion dans son environnement d’exploitation.

L’IA peut aussi aider à mieux organiser les opérations industrielles. L’analyse automatisée de données de production peut détecter des écarts, tandis que des modèles prédictifs peuvent aider à planifier une intervention avant qu’une défaillance ne devienne plus coûteuse. Là encore, la qualité des données est déterminante. Un système entraîné sur des données incomplètes, biaisées ou mal représentatives risque de produire une recommandation peu fiable.

Les retombées économiques souvent associées à l’IA ne doivent donc pas masquer le travail nécessaire pour passer de la recherche à l’industrialisation. Il faut former les équipes, sécuriser les données, adapter les processus et mettre en place une gouvernance claire. Les promesses sont réelles, mais leur concrétisation dépend de cette chaîne complète.

Les limites techniques et éthiques à ne pas contourner

L’emploi d’IA dans l’ingénierie et la défense soulève des questions distinctes, mais liées. D’un point de vue technique, les modèles doivent être robustes face aux situations rares et aux données inhabituelles. Or ce sont précisément ces situations qui peuvent être les plus importantes pour la sûreté d’un système aéronautique.

La production de code par des systèmes autonomes constitue un autre sujet de vigilance. Elle peut accélérer le développement, mais du code généré automatiquement doit être relu, testé et intégré dans un cadre de sécurité. Une erreur difficile à détecter peut avoir des conséquences importantes lorsqu’elle concerne un système critique.

Sur le plan éthique et juridique, le recours à des systèmes adaptatifs dans le domaine militaire renforce les questions de responsabilité, de supervision humaine et de règles d’engagement. Le niveau d’autonomie acceptable ne se décide pas uniquement par des critères de performance. Il dépend aussi de choix politiques, de normes et d’un contrôle démocratique.

Ce qu’il faut surveiller

En octobre 2024, le principal enseignement n’est pas l’existence d’une machine qui aurait résolu, par elle-même, le défi des blisks. Il réside dans la convergence de plusieurs tendances : des composants aéronautiques toujours plus complexes, des capacités de calcul en hausse et une recherche publique américaine déterminée à rendre l’IA plus adaptable et plus fiable.

Trois éléments permettront de mesurer les progrès réels. D’abord, la capacité des outils d’IA à fournir des résultats compréhensibles aux ingénieurs, et non de simples propositions opaques. Ensuite, leur intégration dans des processus de certification et de contrôle compatibles avec les exigences de la sécurité aérienne. Enfin, le passage de démonstrateurs de recherche à des gains industriels mesurables, qu’il s’agisse de réduire le temps de conception, d’améliorer les inspections ou de mieux anticiper la maintenance.

La DARPA continuera probablement de jouer un rôle d’accélérateur dans la recherche de défense. Pour l’industrie civile, le défi sera de transformer ces avancées en outils vérifiables, sûrs et réellement utiles. C’est à cette condition que l’IA pourra contribuer durablement à l’évolution des moteurs, des robots et des systèmes industriels complexes.