Former un modèle aérodynamique précis, c'est un peu comme la cuisine : d'abord, le chef apprend des centaines de recettes pour saisir les principes généraux, puis il perfectionne facilement un plat particulier. Les ingénieurs ont créé AeroTransformer, une architecture de réseau de neurones entraînée sur un vaste ensemble de données, et lui ont « donné à manger » 30 000 formes d'ailes différentes, toute une galaxie d'idées culinaires galaxie. Dans les calculs, l'air se comporte comme l'eau dans une casserole eau : il s'écoule doucement autour des surfaces, ce qui permet d'utiliser une prédiction informatique simplifiée basée sur les équations du potentiel des vitesses — cette méthode ignore la viscosité et les tourbillons, mais donne une approximation rapide pour les formes lisses.

Après un réglage sur seulement 450 échantillons, l'erreur de prédiction est tombée à 0,36 % — six fois plus précise qu'un apprentissage de zéro avec la même petite quantité de données. Cette approche réduit fortement l'entropie entropie — la mesure de l'incertitude — dans les prévisions, c'est-à-dire que le modèle devient plus confiant dans ses évaluations.

L'outil en ligne permet déjà de modifier la forme de l'aile dans le navigateur et de voir immédiatement le résultat — la visualisation de la répartition de la pression et des forces aérodynamiques. Les développeurs ont mis le code et les données en accès libre : désormais, tout chercheur peut adapter le modèle à ses propres besoins — par exemple, pour optimiser des aubes de turbine ou des carrosseries profilées de voitures de course.