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

Les superordinateurs sont connus pour leurs hautes performances, ce qui leur permet de résoudre des problèmes computationnels complexes. Les ordinateurs les plus rapides du monde, ces machines peuvent traiter d’énormes ensembles de données et effectuer des calculs complexes à grande vitesse, capables d’exécuter jusqu’à un quintillion de calculs par seconde.

Fait intéressant, cette semaine même, le géant technologique Google a dévoilé sa puce de prochaine génération appelée « Willow », qui fonctionne avec des qubits supraconducteurs et peut résoudre un problème mathématique complexe en seulement cinq minutes tout en réduisant les erreurs de façon exponentielle.

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

Au milieu de tout cela, une nouvelle intelligence artificielle (IA) apparaît avec la capacité de résoudre des problèmes d’ingénierie complexes encore plus rapidement que les superordinateurs. Cette nouvelle solution technologique provient des chercheurs de l’Université Johns Hopkins, qui pourraient changer la donne dans le domaine 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 les principales industries. Son immense potentiel à améliorer l’efficacité et la productivité a fait croître son marché dépassant 184 milliards de dollars cette année et augmenter les revenus de plus de 15 trillions de dollars d’ici la fin de cette décennie. 

Un rapport récent a constaté que 68 % des organisations utilisent activement l’IA générative ou ont élaboré des feuilles de route après des implémentations pilotes réussies. 

Alors que l’IA continue de transformer divers secteurs, en particulier le paysage de l’ingénierie, les gens sont désormais confrontés au risque de devenir obsolètes. Les estimations suggèrent que, 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 n’est qu’une technologie qui permet aux machines et aux ordinateurs de simuler la pensée, l’apprentissage, la compréhension, la résolution de problèmes, la prise de décision et la créativité humaines. 

Sous l’IA se trouve l’apprentissage automatique, qui consiste à entraîner un algorithme pour créer des modèles utilisant des données afin de prendre des décisions et de faire des prédictions. 

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

L’apprentissage profond, sous-ensemble de l’apprentissage automatique, utilise des réseaux neuronaux à multiples couches qui sont encore plus efficaces pour simuler la puissance décisionnelle 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 au traitement du langage naturel. 

L’apprentissage profond change 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 h/24, et une prise de décision améliorée, ce qui a conduit à son application dans toutes sortes d’entreprises à travers les secteurs.

La capacité de la technologie à analyser efficacement d’énormes quantités de données, à identifier des motifs que les humains pourraient manquer, et enfin à exécuter des calculs rapides fait de l’IA un excellent outil pour résoudre des problèmes complexes. Lorsqu’il s’agit de grands ensembles de données et de scénarios décisionnels complexes qui seraient chronophages ou impossibles à gérer seuls par les humains, l’IA peut être d’une aide immense.

Ainsi, l’accent se porte de plus en plus sur l’utilisation de l’IA pour résoudre des problèmes complexes. Il y a un an, des chercheurs du MIT et de l’ETH Zurich ont utilisé l’apprentissage automatique pour résoudre le problème d’optimisation de routage efficace des colis de vacances pour des entreprises comme FedEx.

Ces entreprises utilisent un logiciel appelé solveur de programmation linéaire à variables entières mixtes (MILP) qui divise le problème en morceaux plus petits et utilise des algorithmes génériques pour trouver la meilleure solution, ce qui peut prendre des heures voire des jours.

Ici, l’élément clé qui ralentit l’ensemble du processus est que les solveurs MILP disposent de trop nombreuses 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 s’est appuyée sur le principe des rendements marginaux décroissants, puis a utilisé l’apprentissage automatique, entraîné avec un jeu de données spécifique au problème, pour trouver la solution optimale parmi le nombre réduit d’options.

Plus tôt ce mois-ci, une startup londonienne, PhysicsX, a présenté un grand modèle géométrique appelé LGM-Aero pour l’ingénierie aérospatiale. Le modèle de géométrie et de physique devrait contribuer à réduire de manière notable le temps de développement des concepts d’avion. L’entreprise a rendu publique une application de référence (« Ai.rplane ») construite sur LGM-Aero afin de démontrer les capacités de son modèle à générer des conceptions d’avions et à prédire la physique liée aux performances des avions.

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

Tout comme les LLM comprennent le texte, le LGM possède une vaste connaissance des formes et structures importantes pour l’ingénierie aérospatiale et, à ce titre, « peut optimiser plusieurs types de physique en quelques secondes, de plusieurs ordres de grandeur plus rapidement que les simulations numériques, et avec le 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 dévoilé ses derniers modèles, l’o1-preview et l’o1-mini, affirmant un bond significatif dans les capacités de raisonnement des grands modèles de langage (LLM).

Le modèle possède la capacité d’utiliser le « raisonnement en chaîne de pensée », similaire à ce que les humains font lorsqu’ils résolvent un problème, ce qui implique de diviser les éléments complexes en petites tâches gérables. L’application d’un raisonnement semblable à celui des humains dans les LLM a déjà été observée par Google Research et d’autres.

Un nouveau modèle d’IA pour résoudre les EDP

À mesure que l’utilisation et la popularité de l’IA continuent de croître, ses capacités augmentent également, les chercheurs et les entreprises travaillant à améliorer la technologie et à la rendre plus précise.

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

Cependant, les coûts computationnels liés à la résolution de ces équations peuvent être prohibitivement élevés. De plus, résoudre ces problèmes mathématiques massifs nécessitait généralement des superordinateurs, mais ce n’est plus le cas.

Le nouveau cadre d’IA permet même aux ordinateurs personnels de s’attaquer à ces équations aux dérivées partielles que les scientifiques utilisent pour traduire les processus ou systèmes du monde réel en représentations mathématiques de la façon dont les objets évoluent dans le temps et l’espace.

Ce n’est pas la première fois qu’un modèle d’IA est 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 avec des réseaux neuronaux a suscité beaucoup d’attention au cours de la dernière décennie grâce aux avancées de la capacité de calcul pour entraîner des réseaux neuronaux profonds.

Malgré le succès de l’opérateur neuronal, qui utilise l’IA pour apprendre l’opérateur de solution des EDP, les dernières recherches ont noté que des goulets d’étranglement computationnels persistent lors de l’exécution de tâches d’optimisation et de prévision. Cela est dû à l’incapacité des opérateurs neuronaux à évaluer les solutions d’EDP dépendantes de la géométrie.

Actuellement, la majorité des cadres d’opérateurs neuronaux, comme le souligne l’étude, sont développés sur un domaine à frontières fixes. De plus, la présence de variations de forme nécessite de réentraîner le réseau neuronal.

Ainsi, afin de relever ces défis computationnels, les chercheurs ont proposé DIMON — Diffeomorphic Mapping Operator Learning. Pour cela, ils ont combiné les opérateurs neuronaux avec des mappings diffeomorphes entre domaines et formes.

Le modèle élimine la nécessité de recalculer les maillages à chaque changement de forme. Ainsi, DIMON peut accélérer les simulations et optimiser les conceptions en prédisant simplement comment les éléments physiques tels que le mouvement, le stress et la chaleur se comportent à travers différentes formes, au lieu de décomposer les formes complexes en petits éléments.

En général, la résolution de ces équations implique de décomposer des formes complexes, comme des organes humains ou des ailes d’avion, en grilles ou maillages composés de petits éléments. Le problème est alors résolu sur chaque pièce simple avant d’être recombiné.

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

DIMON utilise ici l’IA pour comprendre le fonctionnement des systèmes physiques avec diverses formes. Ainsi, les chercheurs n’ont plus besoin de diviser les formes en grilles et de résoudre les équations à maintes reprises ; au contraire, l’IA exploite les motifs qu’elle a appris pour prédire comment différents facteurs se comporteront, rendant la modélisation de scénarios spécifiques à une forme plus efficace et plus rapide, et optimisant les conceptions.

Selon la co-leader Natalia Trayanova, professeure d’ingénierie biomédicale et de médecine à l’Université Johns Hopkins :

« Bien que la motivation pour le développer provienne de notre propre travail, nous pensons que cette solution aura généralement un impact massif sur divers domaines de l’ingénierie car elle est très générique et évolutive. »

Un point d’inflexion pour les conceptions d’ingénierie

Le nouveau cadre d’IA offre une approche qui permet de prédire rapidement les solutions d’EDP sur plusieurs domaines. De plus, il facilite de nombreuses applications en aval utilisant l’IA. 

En parlant des capacités du modèle, Trayanova a noté que DIMON peut essentiellement fonctionner sur n’importe quel problème dans n’importe quel domaine scientifique ou d’ingénierie pour résoudre les EDP sur plusieurs géométries.

Cela inclut les tests de collision, l’analyse de la façon dont les engins spatiaux réagissent à des environnements extrêmes, l’évaluation de la résistance des ponts au stress, l’étude de la propagation des fluides 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 réalisée beaucoup plus rapidement grâce au nouveau cadre d’IA.

Pour démontrer l’applicabilité du nouveau modèle à la résolution 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 informatiques très détaillés des cœurs de patients réels.

C’est en résolvant des équations aux dérivées partielles que l’arythmie cardiaque est étudiée. Cette condition provoque des battements irréguliers du cœur en raison d’un dysfonctionnement de l’impulsion électrique. Les jumeaux numériques de cœurs permettent aux chercheurs de déterminer si les patients peuvent développer cette condition, souvent mortelle, puis de recommander des traitements.

Le nouveau cadre d’IA s’est avéré efficace 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 la Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, applique des approches basées sur les données, la modélisation computationnelle et les innovations en imagerie cardiaque pour diagnostiquer et traiter les maladies cardiovasculaires. Elle introduit constamment des technologies novatrices dans la clinique.

Cependant, elle a noté que leurs solutions restent trop lentes, car il leur faut environ une semaine pour scanner le cœur d’un patient et résoudre les EDP afin de prédire si le patient est à haut risque de mort subite cardiaque, puis fournir le meilleur plan de traitement.

Mais cela connaît un changement monumental avec leur dernier modèle.

« Avec cette nouvelle approche IA, la vitesse à laquelle nous pouvons obtenir une solution est incroyable. »

– Trayanova

Le temps nécessaire pour réaliser la prédiction d’un jumeau numérique de cœur a été réduit de plusieurs heures à seulement trente secondes. Ce n’est même pas tout ; le calcul ne nécessite pas de superordinateur. Au contraire, tout est effectué sur un ordinateur de bureau, ce que Trayanova a déclaré permettre de “l’intégrer dans le flux de travail clinique quotidien”.

La polyvalence de la technologie la rend parfaite pour les situations où la résolution d’équations aux dérivées partielles sur de nouvelles formes est régulièrement nécessaire.

« Pour chaque problème, DIMON résout d’abord les équations aux dérivées partielles sur une forme unique, puis transpose la solution sur plusieurs nouvelles formes. Cette capacité de changement de forme met en évidence sa grande polyvalence. Nous sommes très enthousiastes à l’idée de l’appliquer à de nombreux problèmes ainsi que de la mettre à disposition de la communauté élargie pour accélérer leurs solutions de conception d’ingénierie. »

– Minglang Yin, chercheur postdoctoral en ingénierie biomédicale à Johns Hopkins, qui a développé la plateforme

Entreprises qui font progresser l’IA

Voyons maintenant les entreprises qui contribuent à porter la révolution technologique de l’IA à de nouveaux sommets.

1. NVIDIA Corporation (NVDA )

Fournisseur leader de GPU, Nvidia est la deuxième plus grande entreprise du monde, avec une capitalisation boursière de 3,28 billion de dollars. Au moment de la rédaction, ses actions s’échangent à 133,91 $, en hausse de 171,9 % depuis le début de l’année (YTD), avec un BPA (TTM) de 2,54, un PER (TTM) de 52,90 et un ROE (TTM) de 127,21 % tout en versant un rendement de dividende de 0,03 %.

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

Portée par la frénésie de l’IA, Nvidia a déclaré un chiffre d’affaires de plus de 35 milliards de dollars pour le troisième trimestre clôturé le 27 octobre 2024, soit une hausse 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 plein essor, propulsant un changement mondial vers le calcul NVIDIA,” a déclaré le PDG et fondateur Jensen Huang, qui a ajouté que l’IA ne transforme pas seulement les entreprises et les industries, mais aussi les pays qui sont “éveillés à l’importance de développer leur IA nationale et leur infrastructure”.

2. Microsoft Corporation (MSFT )  

Avec une capitalisation boursière de 3,32 billion de dollars, Microsoft se situe parmi les trois plus grandes entreprises mondiales par capitalisation. Ses actions, au moment de la rédaction, s’échangent à 447,24 $, représentant une hausse de près de 19 % depuis le début de l’année. Cela place le BPA (TTM) de l’entreprise à 12,11, le PER (TTM) à 36,92 et le ROE (TTM) à 35,60 %. Le rendement du dividende versé par Microsoft, quant à lui, est de 0,74 %.

L’implication majeure de Microsoft dans l’IA se fait via OpenAI, dans laquelle elle a investi plus de 13 milliards de dollars. En plus de son partenariat avec OpenAI, récemment 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 de juillet à septembre, l’entreprise a déclaré 65,6 milliards de dollars de ventes, soit une hausse 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 stimulée par une demande qui continue “d’être supérieure à notre capacité disponible”, selon le directeur financier de Microsoft.

3. ANSYS, Inc.

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

Avec une capitalisation boursière de 29,75 milliards de dollars, les actions d’Ansys s’échangent actuellement à 339,51 $, en baisse de 6,24 % cette année. Cela place le BPA (TTM) de l’entreprise à 6,47, le PER (TTM) à 52,55 et le ROE (TTM) à 10,48 %.

Pour le troisième trimestre 2024, Ansys a déclaré un chiffre d’affaires de 601,9 millions de dollars, en hausse de 31 % par rapport au troisième trimestre de l’année précédente, tandis que la valeur de ses contrats annuels (ACV) était de 540,5 millions de dollars. La marge opérationnelle GAAP a été de 26,8 %, tandis que la marge opérationnelle non GAAP était de 45,8 %. Les flux de trésorerie opérationnels pour la période s’élèvent à 174,2 millions de dollars, tandis que les revenus différés et le carnet de commandes s’élèvent à 1 463,8 millions de dollars.

Conclusion 

L’IA progresse à un rythme rapide, et l’introduction de nouveaux cadres d’IA comme DIMON représente une étape révolutionnaire dans la résolution de problèmes d’ingénierie complexes tout en réduisant drastiquement le temps et les coûts computationnels associés. Ainsi, cette percée accélère non seulement 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, continuent de faire de grandes découvertes, de construire des modèles puissants et de faire progresser les technologies, le potentiel d’intégration de l’IA dans les flux de travail quotidiens croît de façon exponentielle, ce qui annonce une nouvelle ère où l’IA génère une efficacité et une innovation sans précédent !

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