IBM ha addestrato un’IA su 50 anni di dati aerodinamici di Dallara e ridotto il tempo di calcolo da diverse ore a 10 secondi su una LMP2: 300 varianti testate prima di pranzo

IBM e Dallara annunciano una collaborazione per accelerare la progettazione aerodinamica delle auto da corsa, con una promessa semplice: passare da simulazioni che impiegavano ore a valutazioni in pochi minuti.

Il cuore del progetto poggia su modelli di IA “fisici”, addestrati su dati aerodinamici convalidati, e su un’esplorazione parallela dell’informatica quantistica per andare più in là sui casi più complessi. Il segnale più concreto arriva dai primi test: su un prototipo di tipo LMP2, l’IA ha valutato una serie di configurazioni in circa 10 secondi, là dove la CFD classica richiedeva diverse ore, con margini d’errore giudicati comparabili. Per gli ingegneri, la promessa è testare molto prima, molto più ampiamente, e riservare i grandi calcoli alle ottimizzazioni finali, ma ci sono anche limiti, un’IA resta dipendente dai suoi dati e dal suo dominio di validità.

IBM e Dallara convalidano un’IA a 10 secondi

Nell’esperimento valorizzato, i team hanno lavorato su un’auto da corsa di tipo LMP2 e su un elemento molto concreto, il diffusore posteriore, il pezzo sotto la scocca che influenza carico aerodinamico e resistenza. L’approccio tradizionale, la CFD, ha impiegato “qualche ora” per confrontare configurazioni. Il modello di IA, invece, ha prodotto valutazioni in circa 10 secondi, ritrovando lo stesso design ottimale.

Un esempio citato nei test riguarda una regolazione dell’angolo del diffusore, da -2 a +4 gradi. Questo tipo di variazione sembra minuscolo, ma in gara è tipicamente ciò che cambia l’equilibrio di un’auto tra velocità di punta e stabilità. Lì dove l’ingegnere doveva lanciare calcoli, attendere, rilanciare, l’IA fa da “surrogate model”, un’approssimazione rapida che permette di selezionare le opzioni prima di investire tempo macchina.

Il guadagno non è solo comodità. Dallara spiega che un programma normale può comportare centinaia di geometrie da confrontare, trasformando un’esplorazione in lavoro di diversi giorni. Se l’IA fa la prima selezione, il team può riservare le risorse più costose ai casi promettenti. Ma attenzione, se l’IA si sbaglia su un caso fuori distribuzione, rischi di scartare una buona pista, ed è qui che la convalida CFD resta indispensabile.

Il modello GIST si appoggia su 50 anni di dati

Per ottenere queste velocità, IBM valorizza un’architettura chiamata GIST, pensata per simulazioni fisiche basate su mesh. L’idea è di codificare non solo i punti di un modello 3D, ma anche le loro connessioni, il che conta per prevedere correttamente le forze su pezzi dettagliati. Il modello è stato addestrato su dati proprietari e convalidati, provenienti da decenni di sviluppo aerodinamico in Dallara.

La collaborazione rivendica circa 50 anni di dati aerodinamici accumulati, su programmi di competizione in cui le velocità medie possono superare 230 mph (circa 370 km/h). È un punto chiave, un’IA di questo tipo non è magica, diventa utile quando ha visto abbastanza casi realistici. Un ingegnere, “Marc”, riassume il beneficio in modo molto pratico: se posso testare 300 varianti prima di pranzo, passo più tempo a decidere che ad aspettare.

La sfumatura è che questi modelli sono molto forti nel loro perimetro. Se cambi radicalmente geometria, regolamento o regime di flusso, l’IA può perdere in affidabilità. E poiché i dati sono proprietari, è difficile confrontare pubblicamente le prestazioni con altri approcci. In questo contesto, l’IA serve soprattutto ad accelerare il monte, poi torni alla CFD e ai test per fissare le scelte, soprattutto quando una decisione può costare una stagione.

IBM esplora il quantistico per la fedeltà sui casi complessi

Oltre all’IA, i due partner dicono di esplorare l’integrazione del calcolo quantistico nel flusso di progettazione, con un approccio ibrido quantistico-classico. L’obiettivo dichiarato non è solo andare più veloce, ma aumentare la fedeltà su problemi aerodinamici complessi, quelli che restano difficili anche su sistemi classici molto potenti. IBM insiste sul fatto che le sfide di ingegneria si giocano spesso sulla capacità di simulare correttamente il mondo fisico.

Concretamente, l’ambizione è spingere più in là la simulazione quando l’IA rapida ha già ridotto lo spazio delle opzioni. Puoi immaginare una catena in tre tempi: l’IA passa in rassegna centinaia di geometrie in secondi, la CFD raffina una short-list, poi metodi più avanzati, potenzialmente aiutati dal quantistico, mirano ai fenomeni più delicati. Dallara parla di un terreno di prova ideale, le corse impongono cicli brevi e criteri di prestazione chiari.

Ma va tenuta la testa fredda, il quantistico è presentato come una pista, non come un pulsante “turbo” già pronto. L’integrazione in un workflow industriale richiede prove ripetibili, strumenti stabili e guadagni misurabili su casi reali. Il discorso resta prudente, “esplorare” e “indagare” dominano. Se funzionerà, l’impatto andrà oltre il motorsport, con possibili applicazioni nel trasporto, ma a questo stadio la parte più tangibile è l’IA che fa guadagnare ore, già da ora.