Chez ANSYS, les agents IA automatisent aussi les processus de simulation
ANSYS entend infuser des agents IA dans l’ensemble de ses produits consacrés à la simulation. L’objectif : automatiser des tâches de configuration jusqu’alors chronophages pour multiplier les analyses de design.
L’IA agentique doit aussi bouleverser les pratiques d’ingénierie de conception. En février, Dassault Systèmes évoquait sa feuille de route produit orientée autour du « Vibe CADing ». C’est-à-dire la possibilité de créer des pièces en 3D à partir d’indications en langage naturel. En avril, Valeo justifiait le renforcement de son partenariat avec Google Cloud par l’accélération de la conception des systèmes embarqués. Chez ANSYS, filiale de Synopsys depuis un an, l’IA générative et agentique doit optimiser les processus de simulation.
L’éditeur entend infuser ses agents IA dans l’ensemble des tâches liées à la simulation : de la configuration physique, en passant par la préparation géométrique, la génération du maillage, l’exécution du solveur et l’obtention des prédictions.
« Les choses évoluent si rapidement que ce que nous pensions (il y a six mois) devoir prendre des décennies se concrétise aujourd’hui », déclare Ilya Tolchinsky, responsable produit principal pour l’IA chez Synopsys, auprès du MagIT. « Nous pensons donc réellement pouvoir parvenir à des agents autonomes, capables de fonctionner sur de longues périodes et de prendre en charge la majeure partie de la mise en place des simulations », ajoute-t-il. « Il nous reste encore à concrétiser pleinement cette vision, mais c’est précisément sur cela que nous travaillons activement ».
Des agents IA pour automatiser les tâches de configuration
En sus des assistants IA intégrés à ses produits, une douzaine d’agents IA devraient être disponibles d’ici à la fin de l’année du côté d’ANSYS. Il faut en compter le double chez Synopsys. En mars, avec la version 2026 R1 de son logiciel, il a introduit Mesh Agent. Celui-ci doit aider à configurer l’effort de maillage.
« Le maillage est une tâche fastidieuse, voire pénible. Cela demande un effort manuel énorme qui nécessite de l’expertise, et personne n’a envie de s’en charger. »
Ilya TolchinskyResponsable produit principal pour l’IA, Synopsys
Dans un logiciel de simulation, le maillage correspond au processus de division d’une géométrie continue – une pièce ou un assemblage de pièces 3D – en un ensemble d’éléments plus petits (des triangles, des tétraèdres, etc.) reliés par des nœuds. Cette subdivision simplifie l’exécution des équations mathématiques nécessaires à la simulation du comportement de la pièce. La qualité du maillage et sa finesse influencent directement les résultats, ainsi que le temps de calcul. Plus le maillage est fin, plus il est complexe à configurer et long à exécuter.
« Le maillage est une tâche fastidieuse, voire pénible. Cela demande un effort manuel énorme qui nécessite de l’expertise, et personne n’a envie de s’en charger », affirme Ilya Tolchinsky. Les ingénieurs doivent encore valider les étapes de configuration, mais l’agent doit les aider à résoudre les bugs les plus importants.
Dans cette même logique, dans le produit Discovery, un agent de validation est en cours de test pour s’assurer que les paramètres structurels, thermiques, fluides et électromagnétiques sont les bons avant de lancer les simulations.
« Cela permettra aux non spécialistes d’accéder au domaine de la simulation et rendra nos experts extrêmement productifs », vante le responsable produit.
Les clients n’ont pas encore massivement déployé ces agents, mais l’éditeur anticipe leur adoption rapide.
Cette réduction des interventions humaines doit servir un objectif : la multiplication des analyses sur des modèles 3D de pièces en cours d’élaboration. Par manque de temps, certains designs peuvent être écartés, tandis que les analyses actuelles peuvent ralentir les étapes de conception.
Les agents impliquent tout de même une refonte des processus et des équipes. Certaines industries servies par ANSYS et Synopsys doivent faire face à une concurrence féroce, dont le marché automobile et des semiconducteurs. Les acteurs concernés affichent leur volonté de réduire les cycles de conception produits, à la fois pour gagner en traction et pour réduire les coûts, comptabilisés en milliards de dollars.
La simulation passe à l’IA hybride
En cela, une autre pratique monte en puissance : le recours aux modèles de machine learning pour la simulation.
« Nous avions déjà des modèles de substitution auparavant, depuis des décennies », rappelle Ilya Tolchinsky. « Les nouveaux modèles d’IA les portent au niveau supérieur. En particulier, l’on peut s’éloigner du simple design paramétrique en intégrant différentes topologies dans le jeu de données d’entraînement. Ça permet d’explorer davantage et de sortir des limitations purement paramétriques ».
Avec GeomAI et SimAI, les clients d’ANSYS peuvent utiliser les données de leurs designs passés pour entraîner ces fameux modèles de substitution. L’éditeur se concentre principalement sur la simulation aérodynamique automobile et la thermique des puces. L’application au refroidissement des data centers est en cours d’exploration.
« Par exemple, dans l’analyse de fluides, l’on peut imaginer que le modèle de substitution amorce la résolution du champ d’écoulement. Nos mêmes solveurs qui produisent des résultats haute-fidélité sont alors dix fois plus rapides, car ils sont exécutés après le modèle ML. On obtient le meilleur des deux mondes », illustre Ilya Tolchinsky.
« Ce qui fonctionne pour l’instant c’est l’interpolation sur des espaces de conception bien définis. »
Ilya TolchinskyResponsable produit principal pour l’IA, Synopsys
C’est une voie également prise par Mistral AI. Après le rachat de la startup autrichienne Emmi AI, le fournisseur de LLM a présenté sa vision en matière d’hybridation. Il partage le même objectif qu’ANSYS et Synopsys : raccourcir les cycles de conception. Emmi AI s’appuie sur les briques de construction des Transformers, les architectures sur lesquelles sont basées les grands modèles de langage, pour entraîner des modèles de substitution plus facilement. Emmi AI a appliqué cette méthode à la validation de designs d’ailes d’avions et au moulage par injections. Une approche qui intéresse ANSYS, mais l’éditeur préfère pour l’instant s’allier avec des startups œuvrant dans le domaine.
« Nous explorons beaucoup de pistes », avance Ilya Tolchinsky. « D’après ce que j’ai pu constater, ce qui fonctionne pour l’instant c’est l’interpolation sur des espaces de conception bien définis. Il faut une grande quantité de données pour que le modèle d’IA ait vu suffisamment d’exemples […], mais il n’existe encore rien qui permette réellement d’apprendre la physique et de l’appliquer à un design complètement différent ».
En clair, contrairement à un LLM dont l’entraînement porte sur de multiples connaissances, il faut toujours spécialiser ces modèles de fondation appliqués à la physique.
Mais un LLM peut se révéler utile pour générer des données synthétiques. C’est ce que propose ANSYS lorsque ses clients manquent de données qualitatives et hétérogènes, afin d’entraîner leurs modèles ML de substitution.
S’imposer sur le marché émergent de la robotique
Outre l’automobile, l’aéronautique et (surtout) la conception de puces, le couple Synopsis-ANSYS s’intéresse de manière plus prospective à la robotique. Le groupe cible plus particulièrement les concepteurs de robot de nouvelle génération, eux-mêmes guidés par des agents IA. « Nous participons aux efforts de conception de systèmes critiques depuis des années, dans l’aviation et l’automobile. Nos logiciels peuvent assurer la mise en sécurité de robots de tout type, de la conception de leurs puces jusqu’à l’analyse de leur chute », vante l’interlocuteur du MagIT.
Il entend notamment compléter les plateformes de type Isaac SIM de Nvidia. « Les outils derrière Nvidia Isaac Sim sont essentiellement issus d’un moteur de jeu vidéo. Nous pouvons augmenter ce qui provient de la plateforme Omniverse et d’Isaac SIM », assure Ilya Tolchinsky. « Vous avez besoin de charger beaucoup de données lors d’entraînement de robots ou de véhicules autonomes, mais dans certains cas vous avez besoin de simulations physiques avancées pour valider leur comportement ». En clair, il s’agit de reproduire ce qu’ANSYS et les autres spécialistes de la simulation ont réussi à accomplir dans l’automobile : ne détruire qu’un seul robot pour valider son fonctionnement sécurisé. Le champ d’application est vaste : robots humanoïdes ou non, cobots, drones, ou encore les véhicules autonomes.
Pour approfondir sur IA appliquée, GenAI, IA infusée
