Mistral und NVIDIA planen KI-Engineering mit gemeinsamen Physik-Benchmarks

Mistral und NVIDIA haben am 21. Oktober eine Zusammenarbeit im industriellen Engineering angekündigt. Sie wollen Simulation, KI-Modellentwicklung und Produktkonstruktion in einem geschlossenen Kreislauf verbinden. Die geplanten Abläufe kombinieren Mistral Large 4, Datenerzeugung und physikalische Modellierung mit den Bibliotheken NVIDIA CUDA-X und Warp. Auch NVIDIAs begleitende Industrieankündigung beschreibt Mistrals Einsatz dieser Technologien als Vorhaben, um Simulationen zu beschleunigen und Trainingsdaten für technische Modelle zu erzeugen.

Ein wichtiger Teil des Projekts ist eine gemeinsame Bewertungsgrundlage. Die Unternehmen wollen öffentliche Benchmarks und offene Datensätze für Physikmodelle entwickeln. Forschungs- und Industrieteams erhalten damit gemeinsames Material, um Genauigkeit und Leistung zu vergleichen. Die Arbeit richtet sich außerdem auf automatisierte Abläufe, die computergestützte Konstruktionen in Simulationen überführen. Dabei müssen sowohl die Vorbereitung als auch die daraus entstehenden physikalischen Vorhersagen bewertet werden.

Für Agenten in der computergestützten Entwicklung und der Automatisierung elektronischer Entwürfe sind gesonderte Bewertungen vorgesehen. Sie prüfen Werkzeugnutzung, Abschluss mehrstufiger Abläufe und technische Richtigkeit der Ergebnisse sowie Ausführungszeit und Rechenkosten. Als Zielbereiche nennt die Ankündigung Luft- und Raumfahrt, Automobilindustrie und Halbleiter. Die Benchmarks und Integrationen werden als gemeinsame Entwicklungsarbeit vorgestellt. Abgeschlossene Bewertungsergebnisse oder ein Liefertermin für den gesamten Engineering-Ablauf werden dabei nicht veröffentlicht.

Warp stellt für diese Arbeit eine vorhandene Rechenkomponente bereit. NVIDIA beschreibt es als quelloffenes Python-Framework für beschleunigte Physikberechnung, KI und Optimierung. Es übersetzt Python-Funktionen in Code zur GPU-Ausführung und unterstützt differenzierbare Simulationen. Dadurch können Gradienten aus Simulationsergebnissen zurück in Training oder Optimierung fließen. Die Anbindung an PyTorch und JAX hilft, numerische Berechnungen mit maschinellem Lernen zu verbinden und zugleich detaillierte Kontrolle über den Simulationscode zu erhalten.

Das Problem der Datenerzeugung bestand bereits vor dieser Partnerschaft. Ein technischer NVIDIA-Beitrag vom März beschrieb die Kosten hochwertiger physikalischer Daten als Einschränkung beim Training von Simulationsmodellen. Das durchgearbeitete Beispiel erstellte einen zweidimensionalen Strömungslöser in Warp und differenzierte durch die Simulation hindurch, um eine Optimierungsaufgabe zu bearbeiten. Es zeigt einen bereits dokumentierten Weg von numerischer Physik zum Modelltraining. Eine Leistungsmessung des neu angekündigten Mistral-Ablaufs ist es jedoch nicht. Aus diesen älteren Beispielen ergibt sich auch keine Beschleunigungsrate für die gesamte Zusammenarbeit.

Die geplante Omniverse-Integration betrifft die GPU-beschleunigte Erzeugung von 3D-Szenen und SimReady-Assets. NVIDIAs bestehende SimReady-Spezifikation beschreibt Simulationsinhalte auf Basis von OpenUSD. Zu ihren Metadaten können semantische Kennzeichnungen, Sensoreigenschaften, Starrkörpereigenschaften und Masse gehören. Sie liefern Informationen, die ein Simulator über die sichtbare Form eines Objekts hinaus benötigt. Die Spezifikation erlaubt zudem, Assets an unterschiedliche Simulationsanforderungen anzupassen. Die geplante Inhaltserzeugung ist damit auch für die Vorbereitung technischer Umgebungen relevant, neben deren Visualisierung.

Mistral hatte seine Physik-KI-Aktivitäten bereits im Mai erläutert und damals erklärt, dass Emmi AI zum Unternehmen gekommen sei. Die frühere Darstellung unterschied Modelle, die aus Ergebnissen numerischer Löser lernen, von Sprachmodellen, die mit Simulationsdaten trainiert werden. Solche Physikmodelle sagen Verhalten anhand von Geometrie, Randbedingungen oder Messwerten voraus. Mistral behielt außerdem konventionellen Lösern eine Rolle bei Verifikation und ungewöhnlichen Fällen vor, während gelernte Modelle wiederholte Konstruktionsstudien unterstützen sollen. Die Zusammenarbeit mit NVIDIA ergänzt diese bestehende Engineering-Ausrichtung um beschleunigte Berechnung und gemeinsame Bewertungen.

Die Sprachmodellkomponente befindet sich in einer anderen Veröffentlichungsphase als die geplanten Engineering-Benchmarks. Mistral Large 4 startete am 6. Oktober über Mistral Studio in die öffentliche Vorschau. Laut Ankündigung wurde es auf NVIDIA-Grace-Blackwell-Infrastruktur in von Mistral betriebenen europäischen Rechenzentren trainiert. Die Gewichte sollten Ende Oktober veröffentlicht werden. Die Engineering-Ankündigung erklärt diese geplante Freigabe weder für abgeschlossen, noch benennt sie ein separat veröffentlichtes Physikmodell.