From RANS Prediction to Hydrofoil Optimization: A Benchmark of Neural Surrogates

Concevoir un hydroptère, cette structure en forme d'aile qui soulève un bateau hors de l'eau pour réduire la traînée, est un jeu de tâtonnements incessants. Pour trouver la forme parfaite, les ingénieurs doivent tester des milliers de variations, modifiant la courbure, l'épaisseur et l'angle de l'aile. Pour chaque nouvelle forme, ils doivent lancer une simulation informatique complexe qui résout la physique de l'eau s'écoulant autour de l'objet. Ces simulations sont incroyablement précises mais aussi incroyablement lentes ; un seul test peut prendre des heures sur des ordinateurs puissants. De ce fait, explorer toute la gamme de conceptions possibles est souvent trop coûteux et chronophage. Ces dernières années, des scientifiques ont tenté d'accélérer ce processus en entraînant l'intelligence artificielle pour qu'elle serve de raccourci. Au lieu de résoudre les équations de la physique à partir de zéro à chaque fois, ces modèles d'IA apprennent à prédire l'écoulement de l'eau et les forces résultantes en se basant sur des motifs déjà observés. L'espoir est que ces « substituts neuronaux » puissent trouver les meilleures conceptions en quelques secondes plutôt qu'en plusieurs heures.

Cependant, une nouvelle étude publiée par le chercheur indépendant Aarav Dixit révèle une faille critique dans la manière dont nous jugeons actuellement ces raccourcis de l'IA. Pendant des années, la méthode standard pour décider quel modèle d'IA était le meilleur consistait à vérifier à quel point sa prédiction de la pression de l'eau correspondait aux simulations informatiques lentes et de haute fidélité. Si l'IA obtenait la carte de pression correcte, elle était considérée comme une réussite. Mais cet article soutient que réussir la carte de pression ne signifie pas nécessairement que l'IA aidera un ingénieur à trouver la meilleure aile de bateau. Le véritable test d'un outil de conception n'est pas seulement de savoir s'il imite bien une carte, mais s'il mène au même design gagnant que la méthode lente et fiable. Pour le découvrir, le chercheur a mis en place une compétition rigoureuse en tête à tête entre quatre types différents de modèles d'IA, les forçant tous à résoudre le même problème de conception, puis vérifiant leurs réponses finales avec des simulations de haute précision inédites.

L'étude s'est concentrée sur un ensemble spécifique d'hydroptères basés sur des formes standards connues sous le nom de profils NACA, qui sont définis par des nombres simples décrivant leur courbure et leur épaisseur. Le chercheur a généré une base de données de 381 simulations informatiques détaillées de l'écoulement de l'eau sur ces foils à différentes vitesses et angles. À partir de ces données, quatre familles distinctes de réseaux de neurones ont été entraînées pour prédire l'écoulement ainsi que les forces de portance et de traînée. Le premier type, un réseau de neurones convolutifs, recherche des motifs locaux dans l'écoulement, comme un œil humain balayant une carte. Le deuxième, un opérateur de Fourier, analyse l'écoulement en le décomposant en ondes globales. Le troisième, un réseau d'opérateurs profonds, sépare la description de la forme de la description des conditions d'écoulement. Le quatrième, un réseau de neurones informé par la physique, est contraint par les lois fondamentales du mouvement des fluides, le forçant à respecter les règles de la physique même lorsqu'il fait des suppositions.

Une fois entraînés, ces modèles ne se sont pas contentés de prédire un cas unique ; on leur a confié la tâche de trouver la meilleure forme d'hydroptère possible. Chaque modèle a reçu les mêmes points de départ et une limite stricte de quarante tentatives pour améliorer le design. Le but était de maximiser le rapport portance/traînée, ce qui revient à faire avancer le bateau plus vite avec moins d'effort. Crucialement, la boucle d'optimisation s'est déroulée entièrement sur les prédictions de l'IA ; l'ordinateur lent et de haute fidélité a été tenu à l'écart durant la recherche pour voir comment l'IA se comporterait lorsqu'elle est le seul outil disponible. Après que l'IA a sélectionné son meilleur design, le chercheur a lancé une nouvelle simulation de haute précision sur cette forme spécifique pour voir ce que la physique réelle en disait. Cette vérification finale a été comparée à une référence où l'ordinateur lent lui-même effectuait l'optimisation, fournissant ainsi l'étalon-or de ce que devrait être la meilleure réponse possible.

Les résultats ont montré un décalage surprenant entre précision et utilité. En termes d'erreur de prédiction brute, un modèle, le réseau d'opérateurs profonds, a été le grand vainqueur. Il a prédit la pression, la portance et la traînée avec la plus grande précision sur des cas de test inédits, suivi de près par le réseau informé par la physique. Le modèle informé par la physique était également le plus rapide, offrant une accélération d'environ 665 fois par rapport à la simulation traditionnelle. Cependant, lorsque ces modèles ont été utilisés pour concevoir réellement un nouvel hydroptère, la situation a changé. Le réseau d'opérateurs profonds et le réseau informé par la physique ont tous deux trouvé des designs qui performaient exceptionnellement bien, atteignant des rapports portance/traînée compris entre 36 et 37. En revanche, le modèle qui recherchait des motifs locaux a rencontré des difficultés significatives, trouvant des designs beaucoup moins efficaces. Le modèle qui analysait les ondes globales était stable mais choisissait systématiquement des designs qui n'étaient pas aussi bons que les autres.

La découverte la plus importante est peut-être que les performances de ces modèles d'IA n'étaient pas constantes. Lorsque le chercheur a exécuté le même processus d'optimisation plusieurs fois avec des conditions de départ légèrement différentes, les designs finaux variaient. Le réseau d'opérateurs profonds et le réseau informé par la physique produisaient des gagnants différents selon l'exécution, tandis que le modèle de motifs locaux était instable tant dans ses prédictions que dans ses choix de conception. De plus, l'étude a mis en évidence une limite cachée dans le processus de vérification lui-même. Même lorsque l'IA trouvait un excellent design, la vérification finale utilisant la simulation de haute précision a montré que les résultats étaient sensibles à la résolution de la grille informatique. La force de la traînée, en particulier, changeait jusqu'à 26 % lorsque la grille de simulation était affinée, suggérant que même la « vérité » utilisée pour vérifier l'IA possède ses propres incertitudes.

Ce travail démontre que le passage d'une bonne prédiction à une bonne conception n'est pas direct. Un modèle peut être excellent pour deviner la pression en chaque point d'une aile, mais peut tout de même échouer à guider un ingénieur vers la forme optimale. L'étude conclut que le domaine de l'apprentissage automatique scientifique doit aller au-delà des simples mesures d'erreur. Pour véritablement combler le fossé entre l'intelligence artificielle et l'ingénierie, ces outils doivent être évalués sur la qualité des conceptions qu'ils produisent et sur la robustesse de ces conceptions sous différentes conditions. La meilleure IA n'est pas nécessairement celle qui dessine la carte la plus précise, mais celle qui mène de manière fiable à la meilleure destination.