Simuler le monde réel est un problème extrêmement complexe si l’on veut le faire avec un niveau de fidélité utile. Les techniques traditionnelles freinent les équipes de conception des entreprises automobiles et aérospatiales, mais BeyondMath confie cette tâche à l’IA avec une nouvelle façon de simuler le monde qui pourrait leur épargner des jours ou des semaines d’attente.
« Contrairement au langage, où nous n’avons pas de modèles mathématiques pour décrire le mot suivant, en physique, nous disposons de ces modèles. Et nous constatons que l’apprentissage automatique est en fait assez performant en calcul, et pas seulement en reconnaissance de formes », a déclaré le cofondateur Darren Garvey.
Le domaine dans lequel BeyondMath fait ses premiers pas s'appelle la dynamique des fluides computationnelle (CFD), et elle existe depuis aussi longtemps que l'informatique. Les équations qui régissent la façon dont un objet se déplace dans l'air ou dans l'eau, ou l'air autour d'un objet, sont d'une complexité diabolique. Ainsi, même si nous avons continuellement amélioré notre capacité à prédire, par exemple, la façon dont l'air s'écoule sur une aile, nous sommes encore loin de la perfection – et ce que nous pouvons faire nécessite tellement de puissance de calcul qu'elle est limitée aux superordinateurs et aux clusters de GPU.
Le résultat est que le processus de conception dans des industries comme l’automobile, l’avion et le bateau implique beaucoup de temps d’attente.
« Un concepteur réfléchit longuement à ce qui pourrait fonctionner, puis il exécute une simulation. Puis il revient le lendemain matin et obtient les résultats. Soit le résultat a été conforme à ce qu'il voulait, soit il n'a pas été conforme, et il doit répéter cette boucle plusieurs fois. Ensuite, il faut passer à la soufflerie », explique Garvey. Or, la soufflerie peut ne pas être conforme à la simulation, il faut donc retourner à la planche à dessin.
L’objectif de BeyondMath est d’accélérer la conception numérique, ce qui signifie raccourcir le délai entre le moment où l’on a une idée et celui où l’on découvre si elle est susceptible de fonctionner.
« Ils se demandent si, en modifiant la conception, ma voiture sera plus économe en carburant. Imaginez que vous ayez six mois pour concevoir une pièce pour un avion. Étant donné qu'une simulation prend tellement de temps, vous pourriez avoir droit à 20 tentatives pour essayer des choses. Mais si un concepteur pense à une idée et obtient des résultats en quelques secondes ou quelques minutes, dans ces mêmes six mois, vous pourriez être en mesure d'effectuer un million de modifications », a déclaré Garvey.
Et il semble de plus en plus que l'apprentissage automatique, plutôt que de simples GPU exécutant les mêmes équations, soit la solution pour y parvenir. Leur premier produit est une « soufflerie numérique » qui fournit une simulation en temps quasi réel du flux d'air sur une surface complexe avec une fidélité qui prendrait normalement des centaines de fois plus de temps.
Nous avons déjà vu des exemples de ce type dans la littérature scientifique, où un modèle de système météorologique peut être efficacement approximé en une fraction du temps, en utilisant un modèle d'apprentissage automatique formé sur des milliers d'heures de simulations et de modèles observés. Mais BeyondMath ne peut pas se permettre de disposer d'un ensemble de données de formation préexistantes.
« Il n’existe pas beaucoup de données de simulation, nous n’avons pas accès à Internet pour nous entraîner, comme dans le cas des LLM. Alors, comment obtenir quelque chose qui soit équivalent à ce que les concepteurs utilisent, qui fonctionne sur ces géométries très complexes, en tant que start-up ? »
Étonnamment, la réponse qu’ils ont trouvée n’est pas de s’appuyer sur des simulations, mais plutôt d’avoir un modèle qui comprend la théorie derrière quelque chose comme une soufflerie, ainsi que la réalité observée de cette théorie.
« Nous ne cherchons pas à nous rapprocher des simulations, mais à nous rapprocher du monde réel », a déclaré Garvey. « Et pour cela, il faut utiliser des données du monde réel. »
Une fois que le modèle comprend le comportement d’un système, il peut également participer activement à la conception, une possibilité que de nombreux ingénieurs ont déjà commencé à explorer dans d’autres domaines. Garvey a comparé cela à la compréhension d’images : « Là aussi, les modèles d’apprentissage automatique devaient marcher avant de pouvoir courir, mais une fois qu’ils étaient capables d’analyser une image, il leur semblait intuitif de la générer. »
Parmi les premiers marchés de BeyondMath figure la Formule 1, où certaines équipes anonymes envisagent d'utiliser le logiciel pour accélérer leurs processus d'aérodynamisme et de conception de véhicules.
« Ils font partie des plus gros utilisateurs de CFD et ils évoluent rapidement, ils adopteront de nouvelles technologies. Nous avons travaillé en étroite collaboration avec quelques équipes de F1, en effectuant de nombreuses évaluations et en comprenant leurs principaux problèmes. Nous sommes sur le point d'avoir une plateforme qui permettra réellement de rendre leurs voitures plus rapides », a déclaré Garvey.
En fait, il a exprimé l'espoir (avec l'avertissement habituel selon lequel il n'y avait aucune garantie) que d'ici six mois « nous serons en mesure de montrer que les clients bénéficient de ces modèles et qu'ils ont dépassé le stade de la recherche et des preuves de concept pour se lancer dans des choses qui ont un réel impact ».
Un nouveau financement devrait contribuer à rendre cela possible : BeyondMath vient de lever 8,5 millions de dollars lors d'un tour de financement d'amorçage mené par UP.Partners, avec la participation d'Insight Partners et d'InMotion Ventures.
La startup prévoit de doubler la taille de son équipe et d'augmenter sa capacité de calcul ; elle achète des Nvidia DGX 200 et travaille avec le géant des puces sur cette nouvelle application intéressante de son matériel de calcul omniprésent.
Bien que la communauté des pilotes de F1, très compétitive et riche, soit certainement un bon client, BeyondMath réfléchit à ses prochaines étapes.
« Nous constatons beaucoup de succès dans le domaine de la conception de nos clients, mais il faudra passer de cela à quelque chose de plus généralisable. Par exemple, si un modèle comprend les voitures ou les objets qui ressemblent à des voitures, il ne comprendra pas nécessairement un avion ou un vaisseau sanguin », a déclaré Garvey. « Mais c'est la danse classique des startups : vous devez trouver votre chemin vers la traction avant d'avoir la piste d'atterrissage pour vous développer. En tant qu'entreprise, nous nous concentrons sur ces clients de premier plan afin qu'ils puissent aider à démarrer l'entreprise. »
