L’IA va-t-elle remplacer la CFD ? Forces et limites

La question derrière les gros titres

Étudiants et jeunes ingénieurs demandent désormais si la CFD vaut encore la peine d’être apprise, puisque l’IA s’en chargera bientôt. La question est légitime, et les gros titres l’encouragent. Des modèles entraînés renvoient un champ d’écoulement en quelques secondes là où un solveur met des heures.

Voici où en est, selon moi, l’IA en CFD, du point de vue de quelqu’un qui fait des simulations et n’a aucun produit d’IA à vendre. En résumé, les modèles de substitution sont déjà utiles pour un type de problème, ils sont entraînés sur de la CFD et ne valent que ce qu’elle vaut, et les ingénieurs les plus exposés sont ceux qui n’ont jamais appris à vérifier un résultat.

Ce qu’est un modèle de substitution par IA

On range sous la même étiquette trois choses différentes.

• Les modèles de substitution fondés sur les données. Vous lancez de nombreuses simulations CFD sur une plage de conceptions ou de conditions de fonctionnement, puis vous entraînez un réseau de neurones à relier les entrées aux sorties. Le réseau prédit ensuite un nouveau cas presque instantanément. Il a appris à interpoler vos simulations.
• Les réseaux de neurones informés par la physique. Les équations de bilan sont intégrées à l’entraînement, de sorte que le réseau est pénalisé quand sa sortie les viole. Raissi et ses coauteurs les ont introduits sous leur forme moderne en 2019.
• L’apprentissage automatique à l’intérieur du solveur. Il s’agit par exemple de fermetures de turbulence apprises, de corrections apprises pour maillages grossiers ou d’initialisations apprises qui accélèrent la convergence. Ici, le solveur classique fait toujours le travail et le modèle l’assiste.

Les accélérations spectaculaires viennent de la première catégorie, et c’est elle que l’on vise quand on parle de remplacer la CFD.

Là où cela fonctionne aujourd’hui

En 2026, Aerospace America a rendu compte d’une table ronde réunissant des intervenants de NVIDIA, de Neural Concept et de Leonardo Helicopters. Les exemples comprenaient une prédiction du bruit au sol 540 fois plus rapide et un modèle d’IA remplaçant des calculs CFD de 24 heures pour la fonderie d’aluminium. Ce sont des chiffres avancés par les intervenants, et je n’ai pas vu les données sous-jacentes.

La logique derrière ces résultats se comprend. Une équipe de conception qui explore une famille de formes fixée, dans des conditions comprises dans une enveloppe connue, peut se permettre de calculer une série de cas une fois, puis d’interroger le modèle de substitution autant qu’elle le souhaite. L’avant-projet, les boucles d’optimisation et la surveillance en temps réel répondent tous à cette description.

Là où cela échoue

Il échoue en dehors de ce sur quoi il a été entraîné. Un modèle de substitution connaît son jeu d’entraînement et rien d’autre de la physique. Interrogez-le sur une géométrie, un régime d’écoulement ou une condition aux limites absents des données d’entraînement, et il renverra quand même un champ lisse et plausible. Il n’a aucun moyen de vous dire que la réponse est fausse.

Un solveur classique échoue bruyamment. Il diverge, ou les résidus stagnent, ou le bilan de masse ne boucle pas. Un réseau de neurones échoue en silence, et l’échec silencieux est le plus dangereux en ingénierie.

• Il a besoin que la CFD existe. Chaque cas d’entraînement est une simulation que quelqu’un a dû lancer et vérifier. Le même article note que les jeux de données propriétaires se limitent parfois à 20 simulations. Un modèle entraîné sur de la CFD non vérifiée en reproduit les erreurs à grande vitesse.
• La cohérence physique n’est pas garantie. Un modèle fondé sur les données peut renvoyer un champ qui ne conserve pas la masse. Les approches informées par la physique réduisent ce risque sans le supprimer.
• La certification reste à construire. Pour tout ce qui touche à la sécurité, les autorités veulent savoir pourquoi un résultat est digne de confiance. Selon le même article, des lignes directrices européennes pour certifier ces modèles sont attendues en 2027.

L’IA va-t-elle donc remplacer la CFD ?

À mon avis, l’IA déplace la CFD à un autre endroit du processus. Le solveur devient la source de vérité qui entraîne et contrôle le modèle rapide. La qualité des simulations sous-jacentes en devient plus importante, car leurs erreurs sont désormais copiées mille fois. La vérification et la validation, la partie la moins spectaculaire du travail, en deviennent la partie précieuse.

La répétition de routine se réduit, comme la quarantième variante d’une géométrie qu’une organisation simule depuis dix ans. Si un ingénieur ne fait que cela, un modèle de substitution le fera plus vite.

Le jugement qui entoure le calcul demeure. Il s’agit de décider quoi modéliser, de savoir quelle physique compte, de remarquer qu’une réponse est invraisemblable et de savoir où s’arrêtent les données d’entraînement. Ces compétences sont les plus longues à acquérir, et aucun modèle de substitution ne les possède.

Ce que je ferais en tant qu’ingénieur

• Apprendre correctement les fondamentaux. Ce sont eux qui permettent de distinguer une réponse juste d’une réponse assurée, quel que soit l’outil qui l’a produite.
• Apprendre assez d’apprentissage automatique pour poser de bonnes questions. Demandez quelle était la plage d’entraînement, comment le modèle a été testé en dehors et ce qu’il conserve.
• Traiter chaque prédiction d’un modèle de substitution comme une hypothèse tant qu’elle n’a pas été confrontée à une simulation complète en quelques points, y compris aux bords de l’espace de conception.
• Garder ses données de simulation en ordre. Des cas propres, documentés et vérifiés sont aujourd’hui un actif, bien plus qu’il y a cinq ans.

Ce que je ferais en tant que responsable

Posez une seule question à quiconque propose de remplacer la simulation par un modèle entraîné. Que se passe-t-il quand on lui demande quelque chose qu’il n’a jamais vu ?

Si la réponse est une description claire de l’enveloppe d’entraînement et un contrôle qui signale les requêtes hors de cette enveloppe, vous avez affaire à quelqu’un de sérieux. Si la réponse est un facteur d’accélération, gardez la licence du solveur.

À l’étudiant qui demande s’il faut apprendre la CFD, je réponds oui. Ceux qui utiliseront bien l’IA dans ce domaine sont ceux qui auraient su sans elle que la réponse était fausse.