Plus rien ne semble arrêter le progrès technologique et l’intelligence artificielle. Récemment, une start-up suisse a mis au point un prototype de vélo aérodynamique en se servant d’une IA et du procédé deep learning. Zoom sur cette prouesse technologique.
Un modèle de vélo réalisé grâce au deep learning
Concernant les véhicules (avions, voitures, tramway) et leurs formes, rien n’est laissé au hasard dans le choix adopté. Afin de déterminer quel est le profil le plus aérodynamique, des ingénieurs doivent faire de multiples simulations numériques. L’engin doit avoir le moins de résistance au mouvement possible et une consommation d’énergie minimale. Ces démarches prennent généralement beaucoup de temps car elles demandent de multiples itérations et à chaque fois des calculs informatiques complexes. Pour mettre fin à cela, une start-up nommée « Neural Concept » et issue du giron de l’Ecole Polytechnique Fédérale de Lausanne (EPFL), en Suisse, vient de présenter une approche nouvelle ayant recours au deep learning (apprentissage machine profond) afin de prédire la forme la plus aérodynamique pour une vitesse et une dimension données.
A la fin de son doctorat, Pierre Baqué a fondé la start-up en question. Aidé d’une équipe du laboratoire de vision artificielle de l’EPFL, il a appliqué l’algorithme pour concevoir un carénage aérodynamique du vélo qui sera utilisé par l’équipe française au World Human Powered Speed Challenge, un concours de vitesse ayant lieu en septembre 2018. Les engins qui y concourent sont munis d’un pédalier mais aussi d’une coque rigide permettant d’accroître la vitesse maximale (le record du monde est à plus de 133 km/h). Ces travaux pionniers ont été présentés à Stockholm pendant une conférence sur le machine learning.
Un procédé à la fois efficace et moins chronophage
L’utilisation du deep learning et de l’intelligence artificielle a de nombreux avantages. Par rapport à la conception classique, il n’y a pas besoin de multiplier les simulations chronophages en partant d’une forme guidée par l’intuition de l’ingénieur ou du designer. Ici, c’est l’entraînement initial du modèle qui prend du temps. Ce qui est crucial, c’est la diversité des formes présentes dans les données d’apprentissage. Pierre Baqué explique le procédé : « L’algorithme peut être entraîné à partir de 100 à 10 000 formes, pour lesquelles les simulations d’écoulement fluide avaient déjà été réalisées. Certaines sont des formes utilisées dans l’industrie, d’autres ont été générées aléatoirement ». Il ajoute que les formes d’entraînement peuvent être très différentes de la cible. « Cela donne à notre système une grande flexibilité. D’autant plus que nous pouvons également fournir en entrées des données issues de tests grandeur nature en soufflerie », affirme-t-il.
L’intérêt du deep learning n’est pas seulement de gagner du temps mais aussi d’être plus précis et efficace : « Le système permet de produire des formes 5 à 20 % plus aérodynamiques que la méthode habituelle », précise encore le chercheur en vision par ordinateur. Une méthode d’optimisation mathématique, appelée la descente de gradient, est utilisée en deep learning. Elle permet de modifier la forme pour choisir celle qui entraîne la moindre résistance aérodynamique. Pierre Baqué l’assure, l’usage de neurones artificiels (deep learning) dans ce cadre est une première. Il concède que les industriels peuvent déjà utiliser d’autres méthodes algorithmiques n’impliquant pas d’apprentissage.
Ce qui est fascinant, c’est l’usage que d’autres spécialités en ingénierie pourraient faire de cette approche. Beaucoup d’entre elles (pas seulement ceux qui conçoivent des véhicules) ont recours aux logiciels de mécanique des fluides numériques (CFD pour Computational Fluid Dynamics), gourmands dès que le niveau de précision requis est élevé. Cette méthode pourrait par exemple être transposée au transfert de chaleur, objets de nombreuses simulations dans le bâtiment.
