Projets

BMW simule des crash tests grâce à l'IA de Mistral

---

Le constructeur automobile collabore avec le Français Mistral AI sur des simulations de crash-tests. Objectif : une conception plus précise et plus rapide des futurs modèles de la marque.

PublicitéLe groupe BMW développe, en collaboration avec Mistral AI, des applications d'IA dédiées au développement de ses véhicules et à l'ensemble de sa chaîne de valeur. La première étape consiste à utiliser l'IA pour simuler les impacts de véhicules contre des obstacles (les crash tests). Les deux entreprises prévoient ensuite d'explorer d'autres domaines d'application.

Ce travail s'appuie sur les données de BMW, utilisées pour entraîner les modèles d'IA. « Pour le groupe BMW, l'utilisation des données industrielles est essentielle pour transformer l'intelligence artificielle en valeur ajoutée, souligne Franz Decker, le DSI et vice-président senior du groupe BMW. En combinant nos jeux de données d'ingénierie avec les capacités d'entraînement de Mistral AI, nous développons une IA spécialisée qui prend en charge des tâches de développement complexes. »

Les LIM de Mistral

BMW privilégie ainsi une approche de développement de modèles et d'applications d'IA personnalisés, les crash-tests en étant un exemple. Le constructeur réalise plusieurs milliers de simulations par semaine, générant un jeu de données de plus d'un pétaoctet. Ce jeu de données contient des informations détaillées sur la structure des véhicules et le comportement des matériaux aux chocs. Ces données servent ensuite de base à l'entraînement d'un modèle d'IA.

Pour le passage à l'échelle, le groupe BMW s'appuie sur de grands modèles industriels (LIM, pour Large Industrial Model). Ceux-ci sont entraînés avec des données d'ingénierie et de simulation spécifiques au secteur, issues du développement des véhicules et des tests de sécurité. Contrairement aux systèmes d'IA générative, les LIM intègrent directement les connaissances du domaine dans le modèle. Cela requiert non seulement des données industrielles, mais aussi une expertise et des environnements techniques adaptés, permettant aux systèmes d'IA d'apprendre directement des processus de développement de produits.

L'IA physique optimise des systèmes, pas des pièces

Selon un article de blog de Mistral AI, les entreprises de divers secteurs peuvent ainsi réduire leurs processus de développement et de prise de décision de plusieurs jours à quelques secondes seulement grâce aux processus assistés par l'IA et aux modèles d'IA dite physique. Basée sur les données, ceux-ci apprennent des résultats des programmes de simulation dans le monde réel et peuvent prédire les comportements directement à partir de géométries ou de données de mesure.

Selon Mistral, l'IA physique ne doit pas être confondue avec les grands modèles langage (LLM). Les architectures, les objectifs d'entraînement et les méthodes d'évaluation utilisés diffèrent fondamentalement. De plus, cette approche s'éloigne aussi significativement des solutions de régression basées sur l'IA, conçues pour optimiser la géométrie d'une pièce prise individuellement. L'essence de l'IA physique réside dans la généralisation en intégrant différentes géométries et paramètres. Ainsi, un seul modèle d'IA physique peut couvrir 'un produit dans son ensemble ou une famille de conceptions, évitant ainsi la création d'un modèle distinct pour chaque composant.

PublicitéDans le domaine de l'ingénierie automobile, les modèles d'IA physique sont particulièrement adaptés au développement de composants de gestion thermique pour les batteries ou à l'optimisation de l'aérodynamisme. En génie mécanique et sur des installations industrielles, leurs applications incluent la conception d'échangeurs de chaleur, de moteurs électriques et de compresseurs, ainsi que le développement d'éoliennes et de turbines à gaz.

Article rédigé par

Bernd Reder (CIO Allemagne, adapté par Reynald Fléchaux)

Partager cet article