Modéliser des phénomènes physiques complexes avec peu de données tout en respectant les lois du réel : c’est la promesse de DeepPhy, startup référencée par le Cetim qui combine intelligence artificielle et physique pour créer des jumeaux numériques fiables et exploitables.

Créée par deux chercheurs du LEMTA (CNRS – Université de Lorraine), la startup DeepPhy conçoit des solutions d’intelligence artificielle spécifiquement pensées pour les sciences de l’ingénieur. Sa technologie repose sur le Machine Learning informé par la physique (PIML), qui intègre dans les modèles d’IA les lois fondamentales du réel. Résultat : des jumeaux numériques plus fiables, capables de fonctionner avec des données limitées, de généraliser au-delà de l’existant, d’offrir des résultats interprétables et directement exploitables sur le terrain. Au cœur de cette approche, les réseaux de neurones informés par la physique (PINNs) permettent, par exemple, de reconstituer des champs physiques à partir de données partielles, d’identifier des paramètres difficilement mesurables ou d’anticiper des défaillances critiques.

Un cas d’usage emblématique est la modélisation du comportement de l’air dans les bâtiments. Grâce aux PINNs, DeepPhy optimise la conception des systèmes de ventilation, détecte les polluants en temps réel, planifie les opérations de maintenance et recommande des ajustements pour réduire la consommation énergétique, sans compromis sur le confort ou la sécurité.

Au-delà du génie climatique, les solutions DeepPhy sont mises en œuvre dans de nombreux secteurs : simulation de prototypes virtuels, analyse de structures, gestion de l’énergie, maintenance prédictive, évaluation des risques industriels… Chaque application associe modélisation physique, apprentissage automatique et contraintes opérationnelles, pour répondre à des problématiques complexes avec rigueur scientifique et efficacité opérationnelle.

La fiche de présentation détaillée de DeepPhy est disponible sur notre site, rubrique Mécathèque.