L’IA dessine des glisseurs sous-marins plus agiles pour explorer les océans

L’exploration des océans dépend aussi d’un défi très concret : faire parcourir de longues distances à des instruments sans épuiser leurs réserves d’énergie. Des scientifiques du MIT et de l’Université du Wisconsin à Madison proposent de s’attaquer à ce problème par la forme même des véhicules. Leur outil principal n’est pas seulement une nouvelle coque, mais un système qui associe intelligence artificielle et simulation physique pour imaginer, évaluer et sélectionner des glisseurs sous-marins autonomes plus efficaces.

L’ambition est de sortir du modèle très répandu du véhicule en forme de tube ou de torpille. Dans l’océan, pourtant, les animaux ont développé une grande diversité de silhouettes, adaptée à des manières de nager, de planer ou de se déplacer dans des flux d’eau très différents. Les chercheurs entendent exploiter cette diversité, sans se limiter à une copie du vivant, afin de concevoir des engins capables de mieux tirer parti de leur environnement.

Pourquoi la forme d’un glisseur est-elle si importante ?

Un glisseur sous-marin autonome est un véhicule conçu pour se déplacer avec une consommation d’énergie limitée. Contrairement à un sous-marin classique qui s’appuie généralement sur une propulsion continue, un glisseur cherche à avancer en exploitant sa dynamique dans l’eau. Sa géométrie influe donc directement sur la distance qu’il peut parcourir, sa stabilité et sa capacité à évoluer selon différentes orientations face au courant.

Les formes traditionnelles, proches du tube ou de la torpille, ne sont pas dépourvues d’avantages. Elles sont bien connues des ingénieurs, relativement simples à fabriquer et adaptées à de nombreux usages. Mais elles représentent aussi un compromis historique : elles n’épuisent pas nécessairement toutes les configurations susceptibles de réduire les frottements ou d’améliorer la portance.

Le point de comparaison central de l’étude est le rapport portance/traînée. La portance est la force qui aide un corps profilé à se maintenir ou à se diriger dans un fluide. La traînée correspond à la résistance opposée par l’eau à son déplacement. Plus le rapport entre les deux est élevé, plus le véhicule obtient un mouvement utile pour une même résistance rencontrée.

Niklas Hagemann, chercheur au MIT, résume l’objectif du pipeline développé par l’équipe : « Ce pipeline modifie les formes de glisseurs pour atteindre le meilleur rapport portance/traînée, optimisant leur performance en milieu aquatique. »

Plus de 20 formes comme point de départ

Pour éviter de partir d’une page blanche, l’équipe s’est appuyée sur plus de 20 modèles de formes maritimes conventionnelles. Cet ensemble inclut notamment des sous-marins et des requins. Le choix illustre une idée simple : les références utiles peuvent venir à la fois de l’ingénierie humaine et des morphologies façonnées par l’évolution.

Ces formes initiales sont entourées de ce que les chercheurs appellent des cages de déformation. Il s’agit d’une structure de contrôle placée autour d’un modèle tridimensionnel. En déplaçant certains points d’articulation de cette cage, le système modifie progressivement la surface de l’objet qu’elle contient. Une coque peut ainsi devenir plus large, plus fine, plus incurvée ou voir sa silhouette évoluer de façon plus inhabituelle.

Cette étape est essentielle : au lieu de demander à un ingénieur d’imaginer une à une des variantes, l’outil peut générer de nombreuses hypothèses de formes. Certaines restent proches d’un profil connu, d’autres s’en éloignent davantage. L’intelligence artificielle ne remplace pas ici les lois de la physique. Elle sert à explorer plus largement et plus rapidement un espace de conception qui serait très difficile à parcourir manuellement.

Les configurations obtenues sont ensuite soumises à des simulations qui mesurent leurs performances à différents angles d’attaque. Le système ne cherche donc pas uniquement une silhouette favorable dans une position idéale. Il évalue comment le comportement hydrodynamique évolue lorsque le glisseur change d’orientation par rapport au flux d’eau, une contrainte déterminante dans un environnement marin mouvant.

Le réseau neuronal accélère l’exploration des formes

Simuler précisément le passage de l’eau autour d’une structure est coûteux en calcul. Lorsqu’il faut tester un grand nombre de variantes, la méthode peut vite devenir lente. Les chercheurs ont donc mis au point un réseau neuronal chargé de modéliser le comportement des glisseurs dans les conditions physiques sous-marines.

Son rôle est d’aider à identifier les formes susceptibles d’atteindre le meilleur rapport portance/traînée. Le principe est celui d’une boucle d’optimisation : une forme est déformée, ses propriétés sont estimées dans la simulation, puis ces résultats guident la recherche vers d’autres variantes. L’IA permet ainsi de concentrer l’effort sur des candidats prometteurs, plutôt que de consacrer la même quantité de calcul à toutes les possibilités.

Cette approche est particulièrement intéressante parce qu’elle ne fixe pas d’emblée une forme unique considérée comme idéale. L’équipe peut partir de références variées et produire des géométries nouvelles. Les poissons et les phoques sont évoqués comme sources d’inspiration, car leurs morphologies témoignent de stratégies de déplacement très différentes dans l’eau. Mais le résultat recherché reste une machine adaptée à une mission scientifique et à des contraintes de fabrication, non une simple réplique animale.

Des prototypes confrontés aux essais réels

Une simulation, même très poussée, ne suffit pas à démontrer qu’un design fonctionnera dans le monde réel. Les écarts peuvent venir de la fabrication, des caractéristiques des matériaux ou de phénomènes physiques insuffisamment reproduits par un modèle numérique. Les chercheurs ont donc fabriqué un glisseur doté de deux ailes, dont l’allure rappelle celle d’un petit avion.

Ce prototype a été testé dans le tunnel aérodynamique Wright Brothers du MIT. Les mesures ont révélé une concordance substantielle avec les résultats prédits par les simulations. Tester une forme dans un tunnel permet de caractériser les forces exercées par un flux sur sa structure et de comparer ces données expérimentales aux calculs réalisés en amont.

L’équipe a également procédé à des essais en immersion. Selon les résultats rapportés, les nouveaux modèles sous-marins ont présenté des rapports portance/traînée supérieurs à ceux d’un glisseur traditionnel. C’est une validation importante de la méthode : les formes sélectionnées par le processus assisté par IA ne semblent pas seulement intéressantes à l’écran, elles conservent un avantage lorsque les dispositifs sont mis à l’épreuve.

Il faut néanmoins rester précis sur la portée de cette avancée. Les chercheurs ne présentent pas encore un engin prêt à remplacer l’ensemble des glisseurs existants. Leur travail montre surtout qu’une méthode de conception fondée sur l’IA et la physique peut déboucher sur des géométries crédibles, testables et plus performantes sur l’indicateur retenu.

Quels usages pour des glisseurs plus endurants ?

Les glisseurs sous-marins constituent des plateformes précieuses pour observer un milieu immense, difficile d’accès et soumis à de fortes variations. Ils peuvent recueillir des données sur la température de l’eau, la salinité, les courants et les effets du changement climatique. Leur intérêt tient à leur capacité à emporter des instruments de mesure tout en limitant l’énergie nécessaire au déplacement.

Dans ce contexte, chaque gain d’efficacité hydrodynamique compte. Un véhicule qui oppose moins de résistance à l’eau ou qui convertit mieux son mouvement peut potentiellement consacrer davantage de ses ressources à sa mission plutôt qu’à sa locomotion. Cela peut améliorer le suivi de courants marins, prolonger certaines campagnes de mesure ou permettre d’envisager des appareils de taille plus réduite.

La méthode étudiée pourrait aussi faciliter la personnalisation. Une forme ne répond pas aux mêmes besoins selon qu’un véhicule doit privilégier l’endurance, l’agilité ou une certaine stabilité. L’équipe souhaite justement intégrer de nouvelles fonctions dans son processus de conception pour mieux personnaliser les machines et explorer la possibilité de modèles miniatures.

Réduire l’écart entre simulation et océan réel

La prochaine étape annoncée par les chercheurs consiste à réduire davantage l’écart entre les performances calculées et celles constatées dans le monde réel. C’est un enjeu classique de l’ingénierie assistée par IA : un modèle est aussi utile que sa capacité à décrire des conditions concrètes, avec leurs incertitudes et leurs variations.

Dans l’océan, les courants peuvent changer soudainement. Pour être réellement utile, un glisseur ne doit donc pas seulement avoir une bonne efficacité dans une configuration fixe. Il doit aussi conserver une capacité d’adaptation lorsque les conditions évoluent. Les travaux en cours cherchent à accroître cette flexibilité et à imaginer des formes plus fines et plus performantes.

Chen, co-responsable du projet, envisage précisément des conceptions encore plus élancées. Cette perspective ouvre la voie à une exploration plus large des formes atypiques, y compris de géométries qui n’ont pas encore été testées dans des conditions réelles. La fabrication additive, notamment l’impression 3D, peut accompagner cette démarche en rendant plus accessible la production de prototypes aux architectures complexes, tout en visant une consommation moindre de matériaux et d’énergie que des procédés de fabrication manuels.

Ce qu’il faut surveiller

Le projet du MIT et de l’Université du Wisconsin à Madison est partiellement soutenu par une subvention de la DARPA. Ce soutien témoigne de l’intérêt pour des glisseurs de nouvelle génération pouvant embarquer efficacement des outils scientifiques destinés à l’observation marine. Il ne préjuge pas, à lui seul, de l’ensemble des usages futurs de cette technologie.

Les résultats à suivre seront moins la seule originalité visuelle des futurs prototypes que leur capacité à tenir leurs promesses hors des simulations. Plusieurs questions seront déterminantes : les gains de portance/traînée se maintiennent-ils dans des conditions aquatiques variées ? Les nouvelles géométries peuvent-elles être fabriquées et équipées sans annuler leur avantage ? Et jusqu’où l’IA peut-elle personnaliser un véhicule selon une mission précise ?

En associant l’exploration algorithmique à l’épreuve expérimentale, les chercheurs proposent une autre manière de concevoir les robots sous-marins. Plutôt que de perfectionner uniquement des silhouettes déjà familières, leur démarche invite à regarder l’océan comme un laboratoire de formes, puis à laisser la simulation et l’intelligence artificielle révéler celles qui méritent d’être construites.