Simulation physique et IA: ce que l’approche de NP Co change pour les calculs d’ingénierie et les bureaux d’études.
Simuler l’écoulement de l’air sur une aile, la chaleur dans une baie de serveurs ou la résistance d’une pièce mécanique prend souvent des heures, parfois des jours de calcul sur des machines puissantes. Ce temps de calcul limite le nombre de variantes qu’une équipe d’ingénierie peut tester. C’est ce goulet d’étranglement que vise NP Company (NP Co), une start-up parisienne qui a annoncé le 2 juin 2026 une levée de 6 millions d’euros.
Au-delà de cette entreprise, son projet illustre un mouvement de fond : l’intelligence artificielle ne sert plus seulement à rédiger des textes, elle commence à accélérer le cœur technique des industries.
La simulation numérique, un outil indispensable mais lent
Dans l’aéronautique, l’automobile, l’énergie ou l’électronique, presque aucun produit n’est fabriqué sans avoir d’abord été simulé. Les ingénieurs utilisent deux grandes familles de calcul :
- La mécanique des fluides numérique (CFD) pour l’aérodynamique, la ventilation, le refroidissement.
- Les éléments finis pour la résistance des matériaux, les vibrations, la thermique.
Ces méthodes résolvent des équations physiques sur des maillages de millions de points. Elles sont fiables, mais coûteuses : chaque modification de forme impose de relancer un calcul. Résultat, les équipes explorent peu de variantes et la simulation intervient souvent tard, pour valider plutôt que pour concevoir.
Ce que fait NP Co
NP Co développe des simulateurs physiques fondés sur des modèles de type transformer, la même famille d’architectures que les grands modèles de langage, mais pré-entraînés sur des données de physique industrielle. Le principe : plutôt que de résoudre les équations à chaque fois, le modèle apprend à prédire le résultat d’une simulation à partir d’un très grand nombre d’exemples. Selon l’entreprise, ses modèles fonctionnent dès leur déploiement chez le client, sans entraînement spécifique préalable.
| Élément | Ce qui est annoncé |
|---|---|
| Création | 2025, issue de l’Inria |
| Fondateurs | Emmanuel Menier (CEO) et Matthieu Nastorg (CTO), docteurs en IA pour la simulation (Université Paris-Saclay) |
| Levée | 6 M€ en pré-amorçage, menée par Partech, avec le family office de la famille Peugeot |
| Business angels | Guillaume Lample et Cédric O (Mistral AI), Florian Douetteau (Dataiku), Vincent Luciani (Artefact) |
| Secteurs visés | Aéronautique, défense, énergie, électronique, data centers, automobile |
Modèle fondationnel ou modèle de substitution : la différence
L’idée d’utiliser l’IA pour remplacer un calcul lent n’est pas nouvelle : on parle de « modèles de substitution » (surrogate models). Jusqu’ici, ils étaient le plus souvent entraînés pour un seul produit ou une seule famille de pièces, ce qui demandait de produire d’abord des centaines de simulations de référence.
La promesse d’un modèle fondationnel est différente : un modèle généraliste, pré-entraîné sur une grande variété de cas physiques, utilisable directement sur de nouveaux problèmes. C’est le même changement que celui vécu avec le texte, quand on est passé de modèles spécialisés par tâche à des modèles généralistes comme ChatGPT, Claude ou Mistral.
Des gains impressionnants, à vérifier
L’entreprise annonce des résultats en quelques secondes au lieu de jours, avec une fidélité comparable, et des accélérations jusqu’à 1 000 fois sur des benchmarks industriels, dont certains organisés par Safran. Ces chiffres sont déclaratifs : ils proviennent de l’entreprise et n’ont pas été vérifiés de façon indépendante.
« Avec un modèle fondationnel pré-entraîné, on peut explorer des milliers de conceptions dans le temps qu’il fallait pour en simuler une seule. » Matthieu Nastorg, CTO de NP Co (traduction).
Ce que cela change pour une direction technique
Explorer davantage de variantes
Si ces promesses se confirment, la simulation ne serait plus une étape lente de validation en fin de conception, mais un outil d’exploration utilisé tout au long du projet. Les équipes pourraient tester des centaines de formes ou de configurations et réserver les simulations classiques, plus coûteuses, aux options finales.
Raccourcir les cycles de développement
Moins d’attente entre deux itérations signifie des décisions plus rapides, et potentiellement moins de prototypes physiques.
Changer la façon de travailler
Un outil qui répond en quelques secondes s’utilise autrement : en réunion de conception, en comparaison directe entre options, voire par des profils moins spécialistes. C’est un changement d’organisation autant que d’outil.
Les limites à garder en tête
- La validité hors du domaine connu : un modèle appris peut se tromper sur des configurations très éloignées de ses données d’entraînement.
- La certification : dans l’aéronautique ou la défense, les calculs servant à certifier un produit obéissent à des règles strictes. Une prédiction par IA ne remplace pas une validation réglementaire.
- La confidentialité : les géométries et les résultats de simulation sont des données stratégiques. Leur hébergement doit être clarifié.
- L’intégration : l’outil doit s’insérer dans la chaîne existante (logiciels de CAO, outils de simulation, gestion des données produit).
Comment tester ce type d’outil : la méthode en 5 étapes
- Choisir un cas précis : une simulation fréquente et longue, dont vous maîtrisez bien les résultats.
- Constituer un jeu de référence : des cas déjà calculés avec vos méthodes habituelles, y compris des cas difficiles.
- Fixer les critères à l’avance : écart acceptable, temps de calcul, facilité d’utilisation.
- Comparer en conditions réelles : mêmes cas, mêmes personnes, mêmes délais.
- Décider de l’usage : exploration seulement, ou intégration plus large, avec quelle validation humaine.
Trois questions à se poser dès maintenant
- Quelles simulations prennent aujourd’hui le plus de temps dans nos projets ?
- Quelles données de référence permettent de comparer les résultats d’un outil d’IA ?
- Quelle validation humaine reste obligatoire avant une décision de conception ?
Notre lecture
L’IA appliquée à l’ingénierie est l’un des terrains où elle peut créer le plus de valeur, loin des seuls usages de rédaction. La France dispose d’atouts sérieux sur ce sujet, avec ses laboratoires et ses industriels. Comme pour tout outil émergent, la bonne démarche reste un pilote mesuré sur un cas précis, avec des critères de comparaison fixés à l’avance.
C’est la méthode que nous appliquons dans nos missions de conseil en innovation par l’IA : repérer les cas d’usage à forte valeur, organiser le test, mesurer, puis accompagner l’implémentation. Pour en savoir plus sur les notions techniques, consultez notre lexique de l’IA générative, ou réservez votre diagnostic IA gratuit.
