Cet article présente les avancées récentes en matière de modélisation neuronale de substitution, qui pourraient déboucher sur des avancées majeures dans des applications telles que l'aérodynamique automobile. Les problèmes industriels impliquent souvent des maillages volumétriques dont le nombre de cellules approche les 100 millions, ce qui pose des défis importants en termes d'évolutivité. Les géométries complexes complexifient encore la modélisation en raison d'interactions surface-volume complexes, et des quantités telles que les tourbillons sont fortement non linéaires et nécessitent des contraintes strictes d'absence de divergence. Pour répondre à ces exigences, nous présentons AB-UPT (Anchored-Branched Universal Physics Transformers), un nouveau cadre de modélisation permettant de construire des modèles neuronaux de substitution pour les simulations de dynamique des fluides numérique (CFD). AB-UPT est conçu pour (i) séparer les tâches d'encodage et de prédiction géométriques grâce à des opérateurs multibranches, (ii) combiner la simulation neuronale dans un espace latent de faible dimension avec un décodeur de champ neuronal ancré pour prédire des résultats haute fidélité, permettant ainsi une évolutivité vers des résultats haute résolution, et (iii) garantir la cohérence physique grâce à une nouvelle formulation d'absence de divergence. AB-UPT offre une précision de prédiction de pointe pour les champs de surface et de volume dans les simulations CFD automobiles, allant de 33 000 à 150 millions de cellules de maillage. De plus, l'architecture de champ neuronal fixe proposée permet d'appliquer des contraintes physiques strictes aux prédictions physiques sans dégradation des performances, comme l'illustre la modélisation de champs de Foucault libres divergents. En particulier, le modèle proposé peut être entraîné sur un seul GPU en moins d'une journée et prédire les champs de surface et de volume standard de l'industrie en quelques secondes. De plus, cet article démontre que la conception flexible de la méthode proposée permet des simulations neuronales utilisant uniquement des géométries de conception assistée par ordinateur, sans recourir à des procédures de maillage CFD coûteuses.
