AeroMag Forge : l’innovation des matériaux commence au sein de l’entreprise
· Par Antonio Sedino · Reinventy Solutions Corp.
Calcul edge à faible consommation, connaissances propriétaires et ingénierie vérifiable : le projet Reinventy vise à relier la recherche sur les matériaux à la conception des machines électriques, en conservant la maîtrise du savoir industriel.
Le bon matériau peut transformer une machine entière. Il peut influer sur sa masse, ses pertes, sa gestion thermique, sa durée de vie et même son mode de fabrication. Pour une entreprise qui innove, la question dépasse le choix des matériaux à acheter : comment transformer ses connaissances en matériaux et en produits qu’elle ne pouvait pas réaliser auparavant ?
C’est dans cet espace que s’inscrit AeroMag Forge, le projet Reinventy consacré à l’ingénierie des machines électriques et aux liens entre matériaux, géométrie, fabrication et preuves. Le travail avec Alchemi, le programme de recherche sur les matériaux, ouvre une voie plus large : de la sélection raisonnée de matériaux existants à la proposition de nouvelles combinaisons et de nouveaux candidats à valider.
L’actif le plus précieux est ce que l’entreprise a appris
Un laboratoire industriel accumule bien plus que des documents. Il conserve des essais réussis ou infructueux, des relations entre procédés et propriétés, des contraintes fournisseurs, des observations et des décisions. Ce savoir devient utile lorsqu’il peut être interrogé et comparé sans perdre sa source ni son contexte.
Un système interne peut relier ces informations, repérer des lacunes et suggérer les expériences qui méritent une attention particulière. Le choix architectural consiste à garder les données, les modèles et les décisions sous le contrôle de l’entreprise, en réduisant le besoin de transmettre des formulations, des plans et des résultats confidentiels à des services externes.
La souveraineté signifie aussi décider qui accède à quoi, quel modèle est utilisé et comment reconstituer une conclusion. Héberger un ordinateur en interne constitue un point de départ : contrôle des accès, séparation des services, protection des archives et vérifications restent nécessaires à la qualification.
L’edge rapproche le calcul de son lieu d’utilisation
Des plateformes compactes peuvent aujourd’hui exécuter des modèles d’intelligence artificielle à proximité des instruments et des données. À titre de référence publique, NVIDIA annonce pour Jetson Orin Nano Super jusqu’à 67 TOPS INT8 et des modes de puissance de 7 à 25 watts. Ce maximum concerne certaines opérations d’inférence, sous des conditions de précision et de sparsité. Il ne mesure ni la vitesse d’un solveur physique ni la consommation électrique du système complet.
L’opportunité concrète consiste à bien répartir le travail. Un nœud edge peut exécuter des modèles compatibles avec sa mémoire, analyser des signaux, organiser des documents et appliquer des modèles prédictifs déjà entraînés. Les entraînements exigeants et les simulations à haute fidélité peuvent nécessiter des ressources internes plus puissantes. Le temps de calcul compte également : une puissance plus faible ne signifie pas automatiquement moins d’énergie pour chaque problème.
Pour un laboratoire, cette architecture rapproche l’intelligence du banc d’essai et réserve les calculs les plus coûteux aux questions qui les exigent. La puissance utile dépend du choix de la méthode et du modèle autant que du matériel.
Des propriétés du matériau aux décisions de conception
AeroMag Forge vise à rendre visible le lien entre les propriétés des matériaux et les choix de conception d’une machine électrique. Une modification peut favoriser un objectif et en pénaliser un autre : performances magnétiques, comportement thermique, masse, fabricabilité et coût doivent être considérés ensemble.
Le logiciel dispose déjà d’outils pour explorer des configurations conceptuelles, effectuer des calculs déterministes et vérifier la cohérence des informations. Une règle guide le projet : chaque résultat doit préciser son origine et le niveau de preuve qui le soutient. Une hypothèse, une propriété tirée d’un document, une simulation et une mesure sont des éléments distincts.
La connexion qualifiée aux données des matériaux et l’élargissement des capacités de simulation font partie du programme de développement. Un modèle géométrique conceptuel n’est pas encore une pièce prête à être produite ; réussir une vérification logicielle ne certifie pas une performance physique.
Découvrir, c’est proposer, vérifier et apprendre
La recherche internationale a déjà montré que les modèles d’apprentissage peuvent élargir la recherche de structures et de propriétés des matériaux. Le travail GNoME, publié dans Nature en 2023, illustre cette orientation scientifique. Il ne constitue pas une preuve des performances d’AeroMag Forge et ne démontre pas que tout candidat proposé puisse être fabriqué.
L’objectif de Reinventy est de construire un cycle dans lequel les connaissances de l’entreprise, les modèles et les ingénieurs collaborent pour sélectionner de meilleures hypothèses. Le système pourra suggérer des candidats, comparer des compromis et orienter le choix des essais. Leur confirmation exigera caractérisation, répétabilité et évaluation dans les conditions réelles d’utilisation.
La découverte d’un nouveau matériau reste donc un résultat à démontrer. L’intelligence artificielle peut aider à chercher avec davantage de méthode, à conserver les enseignements acquis et à expliquer pourquoi un candidat mérite l’expérience suivante.
Un laboratoire qui garde la maîtrise de son avenir
Pour Reinventy, la perspective d’AeroMag Forge et d’Alchemi consiste à réunir outils internes, calcul adapté à la tâche et chaîne de preuves compréhensible. Une entreprise doit pouvoir enrichir son patrimoine technique tout en développant de nouveaux produits, en gardant la maîtrise des informations qui la distinguent.
L’ambition est concrète : rendre plus accessible le parcours de la question industrielle au matériau candidat, puis du matériau à la machine. Sa crédibilité se construit à chaque étape grâce à des résultats vérifiables et à des décisions dont l’entreprise conserve la responsabilité.
Découvrez AeroMag Forge et Project Daedalus :
Explorez la plateforme de machines électriques AeroMag :
Sources publiques
Spécifications et conditions des performances NVIDIA Jetson Orin Nano Super : https://www.nvidia.com/en-au/autonomous-machines/embedded-systems/jetson-orin/nano-super-developer-kit/
NVIDIA, explication des performances avec sparsité et des modes de puissance : https://developer.nvidia.com/blog/nvidia-jetson-orin-nano-developer-kit-gets-a-super-boost/
Merchant et ses collègues, Scaling deep learning for materials discovery, Nature, 2023 : https://www.nature.com/articles/s41586-023-06735-9