Révolutionner l’ingénierie : le nouveau rôle de l’IA dans la résolution d’équations complexes plus rapidement que les supercalculateurs

Les supercalculateurs sont connus pour leurs hautes performances, qui leur permettent de résoudre des problèmes de calcul complexes. Les ordinateurs les plus rapides du monde, ces machines peuvent traiter des ensembles de données massifs et effectuer des calculs complexes à des vitesses rapides, capables de résoudre jusqu’à un quintillion de calculs par seconde.

Intéressant, juste cette semaine, le géant de la technologie Google a présenté son prochain circuit appelé ‘Willow,’ qui fonctionne à l’aide de qubits supraconducteurs et peut résoudre un problème mathématique complexe en seulement cinq minutes tout en réduisant exponentiellement les erreurs.

Malgré ses performances impressionnantes, le circuit quantique est loin de casser la cryptographie moderne.

Au milieu de tout cela, une nouvelle intelligence artificielle (IA) arrive avec la capacité de résoudre des problèmes d’ingénierie complexes même plus rapidement que les supercalculateurs. La nouvelle solution technologique vient des chercheurs de Johns Hopkins, qui peuvent être des game-changers dans l’espace de l’ingénierie.

La nouvelle ère de l’IA

Après avoir été un sujet brûlant pendant des années, l’IA a enfin commencé à être utilisée de manière significative dans des industries clés. Son énorme potentiel pour améliorer l’efficacité et la productivité a fait que son marché dépasse 184 milliards de dollars cette année et est prévu d’augmenter les revenus de plus de 15 billions de dollars d’ici la fin de la décennie.

Un rapport récent a constaté que 68 % des organisations utilisent soit l’IA de génération ou ont développé des feuilles de route après des mises en œuvre pilotes réussies.

Alors que l’IA continue de transformer diverses industries, en particulier le paysage de l’ingénierie, les gens sont maintenant confrontés au défi de devenir obsolètes. Les estimations suggèrent qu’au cours de la prochaine décennie, jusqu’à 40 % des tâches d’ingénierie pourraient être automatisées.

Pour comprendre l’impact de l’IA sur le monde, nous devons d’abord comprendre que l’IA est simplement une technologie qui permet aux machines et aux ordinateurs de simuler la pensée humaine, l’apprentissage, la compréhension, la résolution de problèmes, la prise de décision et la créativité.

En dessous de l’IA se trouve l’apprentissage automatique, qui consiste à former un algorithme pour créer des modèles qui utilisent des données pour prendre des décisions et des prédictions.

Il existe différents types d’algorithmes ou de techniques d’apprentissage automatique, les réseaux de neurones artificiels étant l’un des types les plus populaires. Ces réseaux sont modélisés après la structure et la fonction du cerveau humain.

L’apprentissage profond, un sous-ensemble de l’apprentissage automatique, utilise des réseaux de neurones multicouches qui sont encore plus efficaces pour simuler le pouvoir de décision complexe du cerveau humain. Ces réseaux apprennent à partir des données et sont utilisés pour résoudre différents problèmes, allant de la reconnaissance d’images et de la parole à la traitement du langage naturel.

L’apprentissage profond est en train de changer complètement la façon dont les machines interagissent avec des données complexes, avec la capacité de dépasser les performances humaines tout en atteignant une grande précision.

Utiliser l’IA pour résoudre des problèmes complexes

L’IA offre de nombreux avantages, tels que l’automatisation des tâches répétitives, moins d’erreurs humaines, une disponibilité 24 heures sur 24 et une prise de décision améliorée, ce qui a conduit à son application dans toutes sortes d’entreprises dans des industries.

La capacité de la technologie à analyser efficacement de grandes quantités de données, à identifier des modèles qui pourraient avoir été manqués par les humains et à exécuter des calculs rapides fait de l’IA un outils précieux pour résoudre des problèmes complexes. Lorsque vous avez affaire à de grandes ensembles de données et à des scénarios de prise de décision complexes qui seraient chronophages ou impossibles pour les humains à résoudre seuls, l’IA peut être extrêmement utile.

Hence, une attention croissante pour utiliser l’IA pour résoudre des problèmes intriqués. Il y a un an, des chercheurs de MIT et ETH Zurich ont utilisé l’apprentissage automatique pour résoudre le problème d’optimisation de l’acheminement efficace des colis de vacances pour des entreprises comme FedEx.

Ces entreprises utilisent un logiciel appelé solveur de programme linéaire à nombres entiers mélangés (MILP) qui divise le problème en petites parties et utilise des algorithmes génériques pour trouver la meilleure solution, ce qui peut prendre des heures et même des jours.

Ici, la partie clé qui ralentit tout le processus est que les solveurs MILP ont trop de solutions potentielles. Les chercheurs ont utilisé un mécanisme de filtrage pour simplifier cette étape, ce qui a accéléré les solveurs MILP de 30 à 70 % sans affecter la précision. Pour cela, la technique reposait sur le principe de rendement marginal décroissant et puis utilisé l’apprentissage automatique, formé avec un ensemble de données spécifique au problème, pour trouver la solution optimale à partir du nombre réduit d’options.

Juste plus tôt ce mois, une startup basée à Londres, PhysicsX, a présenté un grand modèle de géométrie appelé LGM-Aero pour l’ingénierie aérospatiale. Le modèle de géométrie et de physique est censé aider à réduire de manière notable le temps de développement de concept d’avion. L’entreprise a rendu publiquement accessible une application de référence (‘Ai.rplane’) construite sur LGM-Aero pour montrer les capacités de son modèle à générer des conceptions d’avions et à prédire la physique liée aux performances de l’avion.

Le modèle est formé sur Amazon Web Services (AWS) cloud compute en utilisant plus de 25 millions de formes différentes, représentant plus de 10 milliards de sommets. Ses données de formation comprennent également une collection de simulations de dynamique des fluides computationnelle (CFD) et d’analyse des éléments finis (FEA) générées en collaboration avec Siemens.

De la même manière que les LLM comprennent le texte, le LGM a une grande connaissance des formes et des structures importantes pour l’ingénierie aérospatiale et, à ce titre, “peut optimiser sur plusieurs types de physique en quelques secondes, de plusieurs ordres de grandeur plus rapide que la simulation numérique, et au même niveau de précision”, a déclaré le PDG Jacomo Corbo.

Cette année, OpenAI, la société de recherche en IA soutenue par Microsoft derrière ChatGPT, a également présenté ses derniers modèles, le o1-preview et le o1-mini, affirmant un bond important dans les capacités de raisonnement des grands modèles de langage (LLM).

Le modèle vient avec la capacité d’utiliser un “raisonnement en chaîne de pensée”, similaire à ce que les humains font lorsqu’ils résolvent un problème, qui consiste à diviser des choses complexes en petites tâches gérables. L’application d’un raisonnement humain dans les LLM a été précédemment observée par Google Research et d’autres.

Un nouveau modèle d’IA pour résoudre les équations aux dérivées partielles

Alors que l’utilisation et la popularité de l’IA continuent de croître, ainsi que ses capacités, les chercheurs et les entreprises travaillent à améliorer la technologie et à la rendre plus précise.

Le dernier cadre d’IA des chercheurs de Johns Hopkins prend une approche générique pour prédire les solutions à des équations mathématiques chronophages et répandues. Les équations aux dérivées partielles (EDP) sont une tâche omniprésente dans le domaine de l’ingénierie et de la recherche médicale.

Cependant, les coûts de calcul impliqués dans la résolution de ces équations peuvent être prohibitivement élevés. De plus, résoudre ces énormes problèmes mathématiques nécessite généralement des supercalculateurs, mais pas plus.

Le nouveau cadre d’IA permet même aux ordinateurs personnels de traiter ces équations aux dérivées partielles que les scientifiques utilisent pour traduire des processus ou des systèmes du monde réel en représentations mathématiques de la façon dont les objets changent au fil du temps et de l’espace.

Ce n’est pas la première fois qu’un modèle d’IA a été proposé pour résoudre les EDP ; en fait, son idée a été partagée il y a quelques décennies. Dans le domaine émergent de l’apprentissage automatique scientifique, la résolution d’équations aux dérivées partielles à l’aide de réseaux de neurones a gagné beaucoup d’attention au cours de la dernière décennie grâce à tous les progrès dans la capacité de calcul pour la formation de réseaux de neurones profonds.

Malgré le succès de l’opérateur de neurones, qui utilise l’IA pour apprendre l’opérateur de solution EDP, la dernière recherche a noté que des goulets d’étranglement computationnels continuent d’exister lors de la réalisation de tâches d’optimisation et de prédiction. Ceci est dû à l’incapacité des opérateurs de neurones à évaluer les solutions EDP qui dépendent de la géométrie.

Actuellement, la majorité des cadres d’opérateurs de neurones, comme l’a noté l’étude, sont développés sur un domaine avec des limites fixes. De plus, avoir des variations de forme nécessite de réentraîner le réseau de neurones.

Ainsi, afin de répondre à ces défis de calcul, les chercheurs ont proposé DIMON — Diffeomorphic Mapping Operator Learning. Pour cela, ils ont combiné les opérateurs de neurones avec des mappages diffeomorphiques entre les domaines et les formes.

Le modèle élimine la nécessité de recalculer les grilles avec chaque changement de forme. De cette façon, DIMON peut accélérer les simulations et optimiser les conceptions en prédissant simplement comment les éléments physiques tels que le mouvement, le stress et la chaleur se comportent à travers différentes formes au lieu de diviser des formes complexes en petits éléments.

Généralement, résoudre ces équations implique de diviser des formes complexes, telles que des organes humains ou des ailes d’avion, en grilles ou en maillages composés de petits éléments. Le problème est alors résolu sur chaque pièce simple avant d’être réuni.

Cependant, si ces formes changent en raison d’un crash ou d’une déformation, les grilles doivent être mises à jour. Cela signifie que les solutions doivent être recalculées, ce qui rend l’ensemble du processus de calcul non seulement coûteux mais également lent.

DIMON utilise ici l’IA pour comprendre le fonctionnement des systèmes physiques avec différentes formes. Ainsi, les chercheurs n’ont pas besoin de diviser les formes en grilles et de résoudre les équations à nouveau et à nouveau ; plutôt, l’IA utilise les modèles qu’il a appris pour prédire simplement comment différents facteurs se comporteront, ce qui le rend plus efficace et plus rapide pour modéliser des scénarios spécifiques à la forme et optimiser les conceptions.

Selon le co-lead Natalia Trayanova, professeur de génie biomédical et de médecine à l’Université Johns Hopkins :

“Alors que la motivation pour le développer est venue de notre travail, c’est une solution que nous pensons aura un impact massif sur divers domaines de l’ingénierie car c’est très générique et évolutif.”

Un point de basculement pour les conceptions d’ingénierie

Le nouveau cadre d’IA fournit une approche qui permet une prédiction rapide des solutions EDP sur plusieurs domaines. De plus, il facilite de nombreuses applications en aval en utilisant l’IA.

En parlant des capacités du modèle, Trayanova a noté que DIMON peut fondamentalement fonctionner sur n’importe quel problème dans n’importe quel domaine de la science ou de l’ingénierie pour résoudre les EDP sur plusieurs géométries.

Cela inclut les tests de crash, l’analyse de la façon dont les vaisseaux spatiaux réagissent à des environnements extrêmes, l’évaluation de la façon dont les ponts résistent au stress, l’étude de la façon dont les fluides se propagent à travers différentes géométries, la recherche en orthopédie et la résolution d’autres problèmes complexes où les matériaux et les formes changent. La modélisation de tous ces scénarios peut désormais être rendue beaucoup plus rapide grâce au nouveau cadre d’IA.

Pour démontrer l’applicabilité du nouveau modèle pour résoudre d’autres types de problèmes d’ingénierie, l’équipe a testé DIMON sur plus de 1 000 “jumeaux numériques” de cœur. Ces jumeaux numériques sont des modèles d’ordinateur très détaillés des cœurs de patients réels.

C’est en résolvant les équations aux dérivées partielles que l’arythmie cardiaque est étudiée. La condition provoque un battement irrégulier du cœur en raison d’un dysfonctionnement de l’impulsion électrique. Les jumeaux numériques des cœurs permettent aux chercheurs de déterminer si les patients peuvent contracter cette condition, qui est souvent fatale, et de recommander des moyens de la traiter.

Le nouveau cadre d’IA s’est avéré réussi pour prédire comment les signaux électriques se propagent à travers chaque forme de cœur unique avec une grande précision sans même avoir besoin d’effectuer des simulations numériques coûteuses.

Trayanova, directrice de l’Alliance Johns Hopkins pour l’innovation diagnostique et thérapeutique cardiovasculaire, applique des approches axées sur les données, la modélisation computationnelle et les innovations en imagerie cardiaque pour diagnostiquer et traiter les maladies cardiovasculaires. Ils introduisent constamment de nouvelles technologies dans la clinique.

Cependant, elle a noté que leurs solutions sont toujours trop lentes, car cela leur prend environ une semaine pour scanner le cœur d’un patient et résoudre les EDP pour prédire si le patient est à haut risque de décès cardiaque subit et puis fournir le meilleur plan de traitement.

Mais cela connaît un changement monumental avec leur dernier modèle.

“Avec cette nouvelle approche d’IA, la vitesse à laquelle nous pouvons avoir une solution est incroyable.”

– Trayanova

Le temps nécessaire pour faire la prédiction d’un jumeau numérique de cœur a été réduit de plusieurs heures à seulement une demi-minute (30 secondes). Ce n’est même pas tout ; le calcul de ceci ne nécessite même pas un supercalculateur. Plutôt, c’est tout fait sur un ordinateur de bureau, que Trayanova a déclaré permettrait “de le rendre partie du flux de travail clinique quotidien”.

La polyvalence de la technologie la rend parfaite pour les situations où résoudre des équations aux dérivées partielles sur de nouvelles formes est répétitivement nécessaire.

“Pour chaque problème, DIMON résout d’abord les équations aux dérivées partielles sur une seule forme, puis mappe la solution à plusieurs nouvelles formes. Cette capacité de changement de forme met en évidence sa grande polyvalence. Nous sommes très excités de l’utiliser sur de nombreux problèmes ainsi que de le fournir à la communauté élargie pour accélérer leurs solutions de conception d’ingénierie.”

– Minglang Yin, boursier postdoctoral à l’ingénierie biomédicale de Johns Hopkins, qui a développé la plate-forme

Les entreprises qui font progresser l’IA

Maintenant, regardons les entreprises qui aident à prendre la révolution technologique de l’IA à de nouvelles hauteurs.

1. NVIDIA Corporation (NVDA )

Un fournisseur leader de GPU, Nvidia est la deuxième plus grande entreprise au monde, avec une capitalisation boursière de 3 280 milliards de dollars. Au moment de la rédaction, ses actions sont cotées à 133,91 dollars, en hausse de 171,9 % sur l’année, avec un BPA (TTM) de 2,54, un ratio cours/bénéfice (TTM) de 52,90 et un ROE (TTM) de 127,21 % tout en versant un rendement des dividendes de 0,03 %.

Les solutions matérielles et logicielles de l’entreprise sont cruciales pour les applications d’apprentissage profond et les simulations d’ingénierie, jouant un rôle important dans le progrès de la révolution de l’IA.

Propulsé par la manie de l’IA, Nvidia a rapporté un chiffre d’affaires de plus de 35 milliards de dollars pour le troisième trimestre clos le 27 octobre 2024, soit une augmentation de 17 % par rapport au trimestre précédent et une augmentation massive de 94 % par rapport à l’année précédente.

“L’ère de l’IA est en pleine vapeur, propulsant un changement mondial vers l’informatique NVIDIA”, a déclaré le PDG et fondateur Jensen Huang, qui a également noté que l’IA ne transforme pas seulement les entreprises et les industries, mais également les pays qui “se réveillent à l’importance de développer leur IA et leur infrastructure nationale”.

2. Microsoft Corporation (MSFT )

Avec une capitalisation boursière de 3 320 milliards de dollars, Microsoft est l’une des trois plus grandes entreprises au monde par capitalisation boursière. Ses actions, au moment de la rédaction, sont cotées à 447,24 dollars, représentant une augmentation de près de 19 % sur l’année. Ceci met le BPA (TTM) de l’entreprise à 12,11, le ratio cours/bénéfice (TTM) à 36,92 et le ROE (TTM) à 35,60 %. Le rendement des dividendes versé par Microsoft, quant à lui, est de 0,74 %.

L’implication la plus importante de Microsoft dans l’IA est via OpenAI, dans laquelle elle a investi plus de 13 milliards de dollars. Outre son partenariat avec OpenAI, qui a récemment été évalué à 150 milliards de dollars, Microsoft investit également massivement dans la recherche en IA, les solutions cloud et les applications pour l’ingénierie et le calcul scientifique.

Pour la période comprise entre juillet et septembre, l’entreprise a rapporté 65,6 milliards de dollars de ventes, soit une augmentation de 16 % par rapport à l’année précédente, tandis que ses bénéfices ont augmenté de 11 % pour atteindre 24,7 milliards de dollars. Cette croissance a été propulsée par une demande qui continue d’être “supérieure à notre capacité disponible”, selon le directeur financier de Microsoft.

3. ANSYS, Inc. (ANSS )

Cette entreprise se spécialise dans les logiciels de simulation d’ingénierie pour résoudre des problèmes complexes. L’entreprise, dont les services sont utilisés par des étudiants, des chercheurs, des concepteurs et des ingénieurs, intègre également de plus en plus l’IA pour améliorer l’efficacité.

Avec une capitalisation boursière de 29,75 milliards de dollars, les actions d’Ansys sont actuellement cotées à 339,51 dollars, en baisse de 6,24 % cette année. Ceci met le BPA (TTM) de l’entreprise à 6,47, le ratio cours/bénéfice (TTM) à 52,55 et le ROE (TTM) à 10,48 %.

Pour le troisième trimestre 2024, Ansys a rapporté 601,9 millions de dollars de chiffre d’affaires, en hausse de 31 % par rapport au troisième trimestre de l’année précédente, tandis que sa valeur contractuelle annuelle (ACV) était de 540,5 millions de dollars. La marge d’exploitation GAAP était de 26,8 %, tandis que la marge d’exploitation non GAAP était de 45,8 %. Les flux de trésorerie d’exploitation pour la période se sont élevés à 174,2 millions de dollars, tandis que ses revenus différés et son carnet de commandes étaient de 1,463,8 million de dollars.

Conclusion

L’IA progresse à un rythme rapide, et l’introduction de nouveaux cadres d’IA comme DIMON marque une étape révolutionnaire pour résoudre des problèmes d’ingénierie complexes tout en réduisant considérablement le temps et les coûts de calcul associés à ceux-ci. De cette façon, la percée non seulement accélère les processus de conception d’ingénierie, mais élargit également l’application de l’IA à divers domaines.

Alors que les chercheurs, ainsi que des entreprises comme Nvidia, font de grandes découvertes, construisent des modèles puissants et font progresser les technologies, le potentiel d’intégrer l’IA dans les flux de travail quotidiens augmente de manière exponentielle, ce qui indique une nouvelle ère où l’IA stimule une efficacité et une innovation sans précédent !

Cliquez ici pour en savoir plus sur l’investissement dans l’intelligence artificielle.