IBM e Dallara stanno sviluppando un approccio alla progettazione dei veicoli ad alte prestazioni che combina intelligenza artificiale, simulazione fisica e, in prospettiva, calcolo quantistico. L’obiettivo non è semplicemente ridurre i tempi di calcolo, ma trasformare il modo in cui gli ingegneri esplorano lo spazio delle soluzioni progettuali.
Alla base di questa evoluzione vi sono modelli AI che non si limitano a correlare dati, ma apprendono direttamente il comportamento di sistemi fisici complessi. Si tratta cioè di neural operator, modelli capaci di apprendere il legame tra input e output di sistemi descritti da complesse equazioni differenziali, come le Navier-Stokes che regolano il flusso dei fluidi. Questo consente di ricostruire interi campi fisici, come la distribuzione della pressione o delle forze su una superficie, superando l’approccio tradizionale basato sulla previsione di singoli valori.
Il ruolo cruciale dei dati: un dataset industriale senza precedenti
Uno dei limiti storici dei modelli AI applicati alla fluidodinamica è la qualità dei dataset disponibili, spesso basati su geometrie semplificate e condizioni operative statiche. La collaborazione tra IBM e Dallara introduce invece un dataset costruito su un modello CAD parametrico di vettura LMP2 (Le Mans Prototype 2), una categoria di prototipi da endurance caratterizzata da aerodinamica avanzata. La natura parametrica della geometria significa che questa può essere modificata attraverso variabili progettuali, permettendo di generare sistematicamente molte configurazioni mantenendo coerenza fisica e rilevanza industriale.
Le simulazioni non si limitano a una singola condizione, ma coprono un insieme strutturato di configurazioni operative, i cosiddetti map points, cioè combinazioni di condizioni del veicolo come heave, ovvero il movimento verticale della vettura, pitch, cioè il beccheggio, yaw, l’imbardata, e roll, il rollio, oltre ad altri parametri dinamici che descrivono il comportamento del mezzo in scenari realistici. In questo modo il modello apprende uno spazio multidimensionale di condizioni di guida, che include rettilinei, curve e variazioni dinamiche.
Un elemento distintivo è rappresentato dalla validazione esperta: ogni configurazione è stata verificata da ingegneri aerodinamici Dallara, garantendo che i dati riflettano non solo la correttezza numerica ma anche il comportamento fisico atteso del veicolo.
Dal CFD ai surrogate model: velocità senza rinunciare alla fisica
La progettazione aerodinamica si basa tradizionalmente sulla CFD, cioè la Computational Fluid Dynamics, che risolve numericamente le equazioni del flusso su mesh tridimensionali, ovvero griglie di calcolo che discretizzano la geometria. Questo approccio è estremamente accurato ma anche molto costoso in termini computazionali, al punto che anche analisi limitate possono richiedere ore di calcolo, mentre cicli completi di sviluppo si estendono per settimane.
I neural surrogate models, cioè modelli AI che approssimano il risultato delle simulazioni fisiche tradizionali, introducono un cambiamento radicale. Una volta addestrati, sono in grado di prevedere il comportamento aerodinamico di una nuova configurazione in pochi secondi, mantenendo un livello di accuratezza compatibile con le esigenze ingegneristiche.
Il problema è reso particolarmente complesso dal fatto che il flusso aerodinamico è fortemente non locale, cioè una modifica geometrica in una zona del veicolo può influenzare l’intero campo di flusso e redistribuire le forze anche su componenti distanti. Questo impone ai modelli AI di catturare interazioni globali complesse e non solo effetti locali, una delle principali difficoltà nella modellazione aerodinamica avanzata.
Nel caso di studio sul diffusore posteriore di una vettura tipo LMP2, il modello AI è stato in grado di replicare i risultati della CFD con margini di errore comparabili, riducendo i tempi di calcolo da alcune ore a circa dieci secondi.
GIST: il contributo chiave nella modellazione AI
Il cuore tecnologico del progetto è rappresentato da GIST, acronimo di Gauge-Invariant Spectral Transformer, un modello progettato per lavorare su geometrie complesse. A differenza di molti approcci precedenti, che trattano le superfici come semplici insiemi di punti indipendenti, GIST rappresenta la geometria come un grafo, cioè una struttura che descrive sia i punti sia le connessioni tra di essi, preservando le relazioni topologiche della mesh.
Questo aspetto è cruciale perché, in presenza di superfici sottili come ali o appendici aerodinamiche, due punti possono essere molto vicini nello spazio ma appartenere a regioni fisicamente separate, e quindi non devono influenzarsi direttamente. Il modello utilizza rappresentazioni spettrali della connettività della mesh e costruisce embedding definiti gauge-invariant, cioè stabili rispetto a cambiamenti nella rappresentazione matematica della geometria e nella discretizzazione della mesh.
Dal punto di vista computazionale, GIST evita operazioni estremamente costose come la decomposizione agli autovalori, utilizzando tecniche più efficienti che consentono di scalare a mesh con milioni di punti, come quelle tipiche delle simulazioni aerodinamiche reali.
Accuratezza e validazione industriale
I risultati mostrano che il modello è in grado di riprodurre con elevata fedeltà sia i campi di pressione sia le grandezze integrate utilizzate nella progettazione, come i coefficienti di resistenza aerodinamica e la deportanza, indicata anche come downforce. Gli errori medi si collocano nell’ordine dello 0,6-0,7%, valori compatibili con l’utilizzo nelle fasi iniziali di progettazione e coerenti con i requisiti industriali definiti da Dallara.
Dalla simulazione alla progettazione interattiva
Uno degli aspetti più rilevanti emersi dal lavoro è il passaggio da un uso passivo della simulazione a un modello attivo di progettazione. Il surrogate model consente di interrogare rapidamente lo spazio delle configurazioni, rendendo possibile un’esplorazione interattiva che sarebbe proibitiva con la sola CFD.
Nel caso del diffusore, questo significa poter analizzare in tempo reale l’impatto delle variazioni geometriche su resistenza e deportanza, individuando rapidamente il punto di equilibrio ottimale tra prestazioni aerodinamiche contrastanti. Il risultato è una trasformazione del processo progettuale da sequenziale a iterativo e dinamico.
Verso modelli progettuali
Il lavoro apre a sviluppi futuri che vanno oltre la semplice predizione. Tra questi vi è la possibilità di integrare stime di incertezza per valutare l’affidabilità delle previsioni, migliorare l’interpretabilità dei modelli collegando le decisioni a fenomeni fisici comprensibili e sviluppare tecniche di inverse design, cioè la capacità di risalire automaticamente dalle prestazioni desiderate alle modifiche geometriche necessarie.
Questa evoluzione indica una direzione chiara: l’intelligenza artificiale non come semplice strumento di analisi, ma come componente attiva del processo di progettazione.
Quantum computing: una traiettoria in fase esplorativa
Parallelamente allo sviluppo dei modelli AI, IBM e Dallara stanno avviando una fase iniziale di esplorazione sull’integrazione del calcolo quantistico nei processi di progettazione. L’obiettivo è valutare come approcci ibridi, che combinano tecniche classiche e quantistiche, possano in futuro affiancare i workflow di simulazione tradizionali e contribuire alla modellazione di problemi aerodinamici complessi.
Si tratta tuttavia di un ambito ancora iniziale, su cui le due aziende stanno conducendo attività di ricerca per identificare applicazioni concrete sia nel breve sia nel lungo termine.
Una nuova ingegneria della simulazione
La collaborazione evidenzia una convergenza tra intelligenza artificiale, simulazione fisica e tecnologie emergenti che sta trasformando profondamente l’ingegneria computazionale.
Andrea Pontremoli, amministratore delegato di Dallara, sottolinea: “Le corse insegnano che esistono due soli risultati: o si vince oppure si è costretti a imparare. La collaborazione con IBM dimostra la nostra volontà di continuare a superare i nostri limiti e non smettere mai di imparare”.
Alessandro Curioni, IBM Fellow e vicepresidente Algorithms and Applications di IBM Research, aggiunge: “Alcune delle sfide ingegneristiche più complesse riguardano la simulazione accurata del mondo fisico. Con Dallara, IBM applica l’intelligenza artificiale per accelerare la progettazione aerodinamica, mentre sviluppa in parallelo il calcolo quantistico per spingere ancora oltre le capacità di simulazione”.
