DIMON, l’IA qui accélère les simulations d’ingénierie sur un ordinateur personnel

En ingénierie, les calculs les plus utiles sont souvent ceux qui coûtent le plus cher en temps machine. Prévoir la déformation d’une carrosserie lors d’un choc, la résistance d’un pont ou la circulation d’un signal électrique dans le cœur exige de résoudre des équations qui décrivent un monde physique complexe. En décembre 2024, un cadre d’intelligence artificielle baptisé DIMON ouvre une piste pour réaliser certaines de ces simulations beaucoup plus vite, y compris sur un ordinateur de bureau.

L’intérêt ne tient pas à l’abandon des lois de la physique au profit d’une IA qui devinerait les réponses. DIMON vise plutôt à éviter de reprendre depuis le début des calculs très proches, lorsque seule la forme de l’objet étudié change. Cette différence est cruciale dans les secteurs où l’on doit analyser des centaines ou des milliers de variantes : cœurs de patients, pièces mécaniques, matériaux, véhicules ou structures.

Les équations différentielles partielles, un obstacle central des simulations

Au cœur de cette recherche se trouvent les équations différentielles partielles, souvent abrégées en EDP. Elles servent à représenter la manière dont une grandeur évolue dans l’espace et dans le temps. Température dans un matériau, pression dans un fluide, contrainte dans une structure ou propagation d’un courant électrique : autant de phénomènes qui peuvent être exprimés par ce type d’équations.

Les résoudre précisément demande habituellement de découper l’objet en un très grand nombre de petites zones, ou mailles, puis de calculer les interactions entre ces zones. Plus la géométrie est détaillée et plus le phénomène est complexe, plus l’opération devient lourde. Les ingénieurs s’appuient alors sur des machines de calcul puissantes, parfois des supercalculateurs, en particulier lorsqu’ils doivent recommencer la simulation pour chaque nouvelle forme.

Or, dans de nombreux problèmes réels, la physique reste comparable alors que la géométrie varie. Un cœur n’a pas exactement la même forme d’un patient à l’autre. Une pièce industrielle peut être légèrement modifiée au fil de sa conception. Refaire tout le calcul pour chacune de ces variantes constitue une part importante du coût et des délais.

Comment DIMON évite de repartir de zéro

DIMON signifie Diffeomorphic Mapping Operator Learning. Son principe est d’apprendre une relation entre une forme de référence, la solution physique associée et de nouvelles formes apparentées. Le terme « diffeomorphic mapping » renvoie à une transformation géométrique lisse et réversible : l’outil cherche à établir un passage cohérent entre des géométries plutôt que de traiter chacune d’elles comme un problème entièrement inédit.

Minglang Yin, chercheur postdoctoral en ingénierie biomédicale à l’Université Johns Hopkins et développeur de ce cadre, résume l’approche ainsi : « DIMON résout d’abord les équations pour une forme unique avant d’appliquer cette solution à d’autres formes. »

Concrètement, le système s’appuie sur une solution calculée pour une première géométrie. Il apprend ensuite à prédire la solution attendue lorsque cette géométrie est déformée ou modifiée. Cette famille de méthodes est appelée apprentissage d’opérateurs : au lieu de prédire une seule valeur, l’algorithme apprend la transformation qui relie des données d’entrée à un champ physique complet.

Cette approche peut réduire fortement le temps nécessaire lors de l’utilisation du modèle. Les résultats rapportés indiquent que certaines modélisations peuvent être réalisées des milliers de fois plus rapidement que des procédures de simulation traditionnelles répétées. L’enjeu est particulièrement important pour les problèmes où l’équation doit être résolue encore et encore sur des formes différentes.

Il faut toutefois lire avec précision la comparaison avec les superordinateurs. DIMON ne signifie pas qu’un ordinateur personnel remplace tous les supercalculateurs ni qu’il rend inutiles les méthodes numériques classiques. Son avantage se situe dans des tâches ciblées : une fois le cadre appris et adapté à un problème, il peut fournir rapidement des estimations pour de nouvelles géométries, sans reconstruire toute la résolution numérique à chaque fois.

Un test sur plus de 1 000 jumeaux numériques cardiaques

L’équipe co-dirigée par Natalia Trayanova, professeure d’ingénierie biomédicale à Johns Hopkins, a évalué DIMON dans un domaine où la forme de l’organe est déterminante : le cœur. Les chercheurs ont travaillé sur plus de 1 000 jumeaux numériques cardiaques, c’est-à-dire des modèles informatiques détaillés de cœurs de patients réels.

L’objectif était de prédire la propagation des signaux électriques dans des cœurs aux morphologies différentes. Cette activité électrique coordonne normalement les battements cardiaques. Lorsqu’elle est perturbée, elle peut favoriser des arythmies, des troubles caractérisés par un rythme cardiaque irrégulier.

Dans ce contexte, une simulation classique peut être particulièrement lente. Le processus traditionnel d’analyse et de prédiction du risque de mort cardiaque subite peut prendre environ une semaine. Pour la génération de prédictions à partir du modèle, le travail indique que le temps de calcul peut tomber de plusieurs heures à 30 secondes avec DIMON, sur un ordinateur de bureau.

Cette rapidité pourrait rendre des modèles cardiaques sophistiqués plus compatibles avec des flux de travail de recherche et, à terme, avec des usages cliniques. Mais une prédiction accélérée doit conserver une précision suffisante sur des anatomies variées. C’est cette condition qui détermine la valeur d’un tel outil pour l’aide au diagnostic ou la préparation d’un traitement.

Des tests de collision aux structures : quels usages en ingénierie ?

Le cadre est pensé pour être générique et évolutif, ce qui explique l’attention qu’il suscite au-delà de la cardiologie. Dès lors qu’un problème physique dépend fortement de la forme d’un objet et implique des EDP à résoudre de façon répétée, le principe peut être pertinent.

Parmi les applications évoquées figurent les simulations de déformation des véhicules lors d’accidents. Dans l’industrie automobile, les ingénieurs doivent tester de nombreux scénarios de choc et de nombreuses variantes de conception. Pouvoir estimer plus vite le comportement d’une structure pourrait accélérer les phases d’itération, sans faire disparaître la nécessité des validations par simulation détaillée et par essais physiques.

La méthode pourrait aussi concerner :

• l’étude de la résistance des ponts et d’autres structures soumises à des contraintes ;
• le comportement de vaisseaux spatiaux dans des environnements extrêmes ;
• la recherche orthopédique, où l’anatomie et les contraintes mécaniques varient selon les patients ;
• l’ingénierie auditive et d’autres systèmes biologiques dont la géométrie influence fortement le fonctionnement.

L’intérêt commun à ces domaines est la répétition. Une ingénieure qui doit comparer une multitude de formes n’attend pas seulement un résultat correct : elle a besoin de l’obtenir assez rapidement pour explorer des alternatives. DIMON pourrait donc déplacer le goulot d’étranglement, du calcul répétitif vers la définition des bonnes hypothèses physiques et l’interprétation des résultats.

Une accélération qui repose sur un périmètre bien défini

Comme toute IA appliquée aux sciences physiques, DIMON n’est pas une solution universelle. Sa capacité à généraliser dépend des formes et des conditions sur lesquelles il a été préparé. Prédire avec fiabilité une petite variation autour de géométries connues est différent de traiter une forme radicalement nouvelle, un matériau inédit ou un phénomène physique absent des données de départ.

La qualité des modèles initiaux reste également fondamentale. L’IA apprend à prolonger une relation entre géométrie et solution, mais elle ne corrige pas automatiquement une mauvaise description du phénomène, une donnée anatomique imprécise ou une hypothèse de calcul inadaptée. Les méthodes classiques demeurent donc indispensables pour établir les références, contrôler la précision et traiter des cas sortant du domaine prévu.

Cette réserve est aussi ce qui rend l’approche crédible. Dans les disciplines d’ingénierie, les outils les plus utiles ne sont pas forcément ceux qui prétendent résoudre tous les problèmes. Ce sont ceux qui réduisent un délai concret tout en laissant aux spécialistes les moyens de vérifier le résultat.

Ce qu’il faut surveiller

La suite dépendra d’abord de la robustesse de DIMON lorsqu’il est appliqué à des géométries très diverses. Dans le domaine cardiaque, il faudra notamment confirmer que la vitesse obtenue ne masque pas des écarts importants pour certains profils de patients. Dans l’industrie, chaque application devra démontrer que les prédictions restent fiables face aux matériaux, contraintes et conditions d’usage réels.

Il faudra aussi mesurer le coût complet de la méthode. Une prédiction en 30 secondes constitue un résultat marquant, mais la préparation des données, la construction du modèle de référence et son apprentissage demandent eux-mêmes des compétences et des ressources. Le vrai bénéfice apparaît lorsque cet investissement initial est amorti sur un grand nombre de simulations.

Enfin, DIMON illustre une évolution plus large de l’IA pour la science : plutôt que de se limiter à générer du texte ou des images, les modèles apprennent à accélérer des calculs régis par les lois physiques. Si cette promesse se confirme sur différents cas d’usage, des simulations autrefois réservées à des infrastructures informatiques spécialisées pourraient devenir plus accessibles aux laboratoires, aux ingénieurs et aux équipes médicales.