Mistral y NVIDIA planean flujos de ingeniería con IA y pruebas de física compartidas

Mistral y NVIDIA anunciaron el 21 de octubre una colaboración de ingeniería industrial para conectar simulación, desarrollo de modelos de IA y diseño de productos en un circuito cerrado. Los flujos previstos combinan Mistral Large 4, generación de datos y modelado físico con las bibliotecas NVIDIA CUDA-X y Warp. El anuncio industrial publicado por NVIDIA también describe el uso de estas tecnologías por Mistral como un plan para acelerar simulaciones y producir datos de entrenamiento para modelos de ingeniería.

Una parte central del proyecto es una base de evaluación compartida. Las empresas pretenden desarrollar pruebas públicas y conjuntos de datos abiertos para modelos físicos, ofreciendo a investigadores y equipos industriales material común para comparar precisión y rendimiento. El trabajo también abarca flujos automatizados que convierten diseños asistidos por ordenador en simulaciones, donde deben evaluarse tanto el proceso de preparación como las predicciones físicas obtenidas.

Se prevén evaluaciones independientes para agentes de ingeniería asistida por ordenador y automatización del diseño electrónico. Examinarán el uso de herramientas, la finalización de procesos de varios pasos y la corrección técnica de los resultados, junto con el tiempo de ejecución y el coste computacional. El sector aeroespacial, la automoción y los semiconductores figuran entre las áreas objetivo. El anuncio presenta estas pruebas e integraciones como trabajo de desarrollo conjunto, sin publicar resultados de evaluación completos ni una fecha de entrega para todo el flujo de ingeniería.

Warp aporta un componente de cálculo ya existente. NVIDIA lo describe como un marco de Python de código abierto para acelerar física, IA y optimización. Compila funciones de Python en código ejecutable en GPU y admite simulación diferenciable, permitiendo que los gradientes de los resultados simulados regresen al entrenamiento o la optimización. Sus conexiones con PyTorch y JAX ayudan a enlazar cálculos numéricos con procesos de aprendizaje automático, manteniendo un control detallado del código de simulación.

El problema de generar datos es anterior a esta alianza. Un artículo técnico de NVIDIA de marzo describía el coste de producir datos físicos de alta fidelidad como una limitación para entrenar modelos de simulación. Su ejemplo construía un solucionador de fluidos bidimensional en Warp y aplicaba diferenciación a través de la simulación para una tarea de optimización. Ilustra un camino ya documentado entre física numérica y entrenamiento de modelos; no constituye una medición del rendimiento del nuevo flujo de Mistral. Los ejemplos anteriores tampoco establecen una aceleración para el conjunto de la colaboración.

La integración prevista con Omniverse se refiere a la creación acelerada por GPU de escenas 3D y recursos SimReady. La especificación existente de NVIDIA describe contenido de simulación basado en OpenUSD, con metadatos que pueden incluir etiquetas semánticas, atributos de sensores, propiedades de cuerpos rígidos y masa. Esas propiedades aportan información que necesita un simulador más allá de la forma visible del objeto. La especificación también permite configurar recursos para distintos requisitos de simulación, haciendo que la generación prevista sea pertinente para preparar entornos de ingeniería y no solo para visualizarlos.

Mistral ya había presentado su iniciativa de IA física en mayo, cuando indicó que Emmi AI se había incorporado a la empresa. Aquella explicación diferenciaba los modelos que aprenden de las salidas de solucionadores de los modelos de lenguaje entrenados con datos de simulación. Los modelos físicos predicen comportamientos mediante geometría, condiciones de contorno o mediciones. Mistral también conservaba un papel para los solucionadores convencionales en la verificación y los casos inusuales, mientras situaba los modelos aprendidos en la exploración repetida de diseños. La colaboración con NVIDIA añade cálculo acelerado y evaluación compartida a esa línea de ingeniería existente.

El componente de lenguaje se encuentra en una fase de publicación distinta de las pruebas de ingeniería propuestas. Mistral Large 4 entró en vista previa pública el 6 de octubre a través de Mistral Studio. Su anuncio indicó que se entrenó sobre infraestructura NVIDIA Grace Blackwell en centros de datos europeos operados por Mistral y que los pesos se publicarían a finales de octubre. El anuncio de ingeniería no convierte esa publicación prevista en una ya completada ni identifica un modelo físico publicado por separado.