es.wedoany.com Noticia: El grupo italiano Dallara y la empresa estadounidense IBM anunciaron oficialmente su colaboración el 30 de abril de 2026, para desarrollar conjuntamente un modelo fundacional de IA basado en la física, con el fin de acelerar el diseño y la optimización aerodinámica de vehículos de alto rendimiento, e iniciar la aplicación exploratoria de la computación cuántica en los flujos de trabajo de diseño. Dallara es un fabricante líder mundial de coches de carreras y vehículos de alto rendimiento, suministrando en exclusiva chasis para competiciones de primer nivel como IndyCar, Fórmula 2, Fórmula 3, Super Fórmula e Indy NXT, además de dar servicio a series como Fórmula E, WEC e IMSA. Su capacidad de ingeniería se extiende también a los sectores de automóviles de carretera de alto rendimiento y aeroespacial.
El vehículo técnico central de esta colaboración es el modelo de red neuronal de grafos GIST, diseñado por IBM Research. Según el comunicado conjunto de ambas partes, en una prueba inicial con un objeto similar a un prototipo LMP2, los ingenieros diseñaron múltiples configuraciones geométricas para el difusor trasero, un componente clave situado en la parte inferior trasera del vehículo que genera carga aerodinámica para mejorar el agarre. Estas configuraciones se evaluaron utilizando métodos CFD tradicionales y el modelo de IA física de IBM. Mientras que el CFD tradicional tardó varias horas en completar todos los cálculos de configuración, el modelo de IA realizó la misma evaluación en aproximadamente 10 segundos, identificando el mismo diseño óptimo con un margen de error comparable al del CFD. Dallara estima que la aplicación de este modelo de IA subrogado a la evaluación de cientos de configuraciones geométricas típicas puede comprimir el tiempo de simulación de días a minutos.
El avance técnico del modelo GIST reside en el salto cognitivo de la "nube de puntos" a la "topología de malla". Los modelos de grafos anteriores para predecir fuerzas aerodinámicas solían tratar la malla del coche de carreras como una simple nube de puntos, lo que podría ser suficiente para turismos convencionales, pero no para componentes aerodinámicos extremadamente finos como los deflectores delanteros o los flaps Gurney en el alerón trasero, donde dos puntos físicamente adyacentes en la estructura de la malla pueden experimentar fuerzas completamente opuestas. GIST codifica simultáneamente las coordenadas de los puntos de la malla y sus relaciones de conexión, capturando la topología de la malla con mayor precisión y ofreciendo predicciones más ajustadas a las leyes físicas en componentes complejos. Para reducir la complejidad de la escalabilidad del Graph Transformer, los investigadores emplearon métodos de proyección aleatoria para generar incrustaciones de grafos y diseñaron una arquitectura invariante normativa, asegurando que el modelo generalice sin problemas entre diferentes proyecciones de incrustación y densidades de malla.
Los datos de entrenamiento del modelo provienen de los datos de simulación aerodinámica de alta fidelidad y la profunda experiencia técnica propios de Dallara. Ambas partes planean introducir datos reales de pruebas en túnel de viento y en pista en futuras fases para mejorar aún más el realismo del modelo. Andrea Pontremoli, CEO de Dallara, señaló que el salto de horas a segundos significa que se pueden completar muchas más iteraciones de desarrollo en el mismo tiempo, y que IBM es un socio único para incorporar capacidades de computación cuántica a estos algoritmos, lo que permitirá lograr más avances en el futuro. Alessandro Curioni, Vicepresidente Senior de IBM Research, afirmó que la IA está evolucionando hacia una capacidad fundamental que puede integrarse en todos los flujos de trabajo, y que este nuevo tipo de IA que aprende de los datos, junto con la evolución algorítmica, permite a los ingenieros realizar descubrimientos de una manera radicalmente diferente, con una velocidad varios órdenes de magnitud superior.
Fabrizio Arbucci, Director de Información de Dallara, señaló que los vehículos de alto rendimiento son un campo de pruebas ideal para los modelos de agentes neuronales, y su impacto potencial va mucho más allá de los circuitos. Incluso una reducción del 1% al 2% en la resistencia aerodinámica en el sector de los turismos, de forma acumulativa, generaría ganancias considerables en eficiencia de combustible. Por lo tanto, además de proporcionar herramientas de desarrollo más eficientes para proyectos de coches de carreras existentes como LMP2 e IndyCar, las perspectivas de aplicación de esta tecnología pueden extenderse a la optimización aerodinámica en la producción de turismos y en el sector aeroespacial. IBM y Dallara han iniciado simultáneamente la aplicación exploratoria de la computación cuántica, evaluando si la computación cuántica y la híbrida cuántica-clásica pueden ampliar aún más la fidelidad de simulación de problemas aerodinámicos complejos. Los resultados preliminares relacionados ya se han publicado en un estudio preimpreso en arXiv.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
