Mistral et NVIDIA préparent une ingénierie IA avec des évaluations physiques communes

Mistral et NVIDIA ont annoncé le 21 octobre une collaboration en ingénierie industrielle visant à relier simulation, développement de modèles d’IA et conception de produits dans une boucle fermée. Les processus prévus associent Mistral Large 4, génération de données et modélisation physique aux bibliothèques NVIDIA CUDA-X et à Warp. L’annonce industrielle publiée en parallèle par NVIDIA décrit également l’utilisation de ces technologies par Mistral comme un projet destiné à accélérer les simulations et à produire des données d’entraînement pour des modèles d’ingénierie.

Une composante majeure du projet est une base d’évaluation commune. Les entreprises entendent développer des tests publics et des jeux de données ouverts pour les modèles physiques, donnant aux équipes de recherche et industrielles des éléments partagés pour comparer précision et performances. Les travaux visent aussi les processus automatisés qui transforment la conception assistée par ordinateur en simulation, où le travail de préparation comme les prévisions physiques obtenues doivent être évalués.

Des évaluations distinctes sont prévues pour les agents d’ingénierie assistée par ordinateur et d’automatisation de la conception électronique. Elles examineront l’utilisation des outils, l’achèvement de processus en plusieurs étapes et la justesse technique des résultats, ainsi que le temps d’exécution et le coût de calcul. L’aérospatial, l’automobile et les semi-conducteurs sont les secteurs ciblés. L’annonce présente ces tests et intégrations comme un développement commun, sans publier de résultats d’évaluation achevés ni de date de livraison pour l’ensemble du processus d’ingénierie.

Warp constitue une composante de calcul déjà existante pour ces travaux. NVIDIA le décrit comme un framework Python à code source ouvert pour accélérer la physique, l’IA et l’optimisation. Il compile des fonctions Python en code exécuté sur GPU et prend en charge la simulation différentiable, permettant aux gradients des résultats simulés de remonter vers l’entraînement ou l’optimisation. Ses connexions à PyTorch et JAX contribuent à associer calculs numériques et apprentissage automatique, tout en préservant un contrôle détaillé du code de simulation.

La difficulté de générer des données précède ce partenariat. Un article technique de NVIDIA publié en mars décrivait le coût de production de données physiques de haute fidélité comme une contrainte pour entraîner des modèles de simulation. Son exemple construisait un solveur de fluides bidimensionnel dans Warp et utilisait la différentiation à travers la simulation pour une tâche d’optimisation. Il illustre une voie déjà documentée entre physique numérique et entraînement de modèles ; il ne mesure pas les performances du nouveau processus de Mistral. Ces anciens exemples ne démontrent pas non plus un facteur d’accélération pour toute la collaboration.

L’intégration prévue à Omniverse concerne la création accélérée par GPU de scènes 3D et de ressources SimReady. La spécification existante de NVIDIA décrit des contenus de simulation fondés sur OpenUSD, avec des métadonnées pouvant inclure des étiquettes sémantiques, des attributs de capteurs, des propriétés de corps rigides et la masse. Ces propriétés apportent au simulateur des informations au-delà de la forme visible de l’objet. La spécification autorise aussi leur configuration selon différentes exigences de simulation. La génération prévue concerne ainsi la préparation des environnements d’ingénierie autant que leur visualisation.

Mistral avait déjà présenté son initiative d’IA physique en mai, en indiquant qu’Emmi AI avait rejoint l’entreprise. Cette explication distinguait les modèles apprenant à partir des sorties de solveurs des modèles de langage entraînés sur des données de simulation. Les modèles physiques prédisent un comportement à partir de la géométrie, des conditions aux limites ou de mesures. Mistral conservait aussi un rôle aux solveurs classiques pour la vérification et les cas inhabituels, tout en positionnant les modèles appris pour l’exploration répétée de conceptions. La collaboration avec NVIDIA ajoute du calcul accéléré et une évaluation commune à cette orientation d’ingénierie existante.

La composante de langage se trouve à un stade de publication différent des évaluations d’ingénierie proposées. Mistral Large 4 est entré en préversion publique le 6 octobre dans Mistral Studio. Son annonce indiquait qu’il avait été entraîné sur une infrastructure NVIDIA Grace Blackwell dans des centres de données européens exploités par Mistral et que les poids seraient publiés fin octobre. L’annonce d’ingénierie ne transforme pas cette publication prévue en une sortie achevée et ne mentionne pas non plus de modèle physique publié séparément.