Moteurs de simulation physique — capacité IA

Architecture

Deux familles distinctes. D'un côté des moteurs numériques accélérés sur processeur graphique et différentiables : Newton est « an open-source, GPU-accelerated physics simulation engine built upon NVIDIA Warp », construit sur Warp et OpenUSD, et intègre MuJoCo Warp comme solveur principal. De l'autre des simulateurs appris, où un réseau de neurones sur graphe remplace l'intégrateur : l'état physique est représenté par un graphe de particules (GNS) ou par le maillage de calcul lui-même (MeshGraphNets), et la dynamique est calculée par passage de messages appris sur les sorties d'un solveur classique.

Capacités clés

Newton a été initié par Disney Research, Google DeepMind et NVIDIA, puis contribué à la Linux Foundation le 29 septembre 2025 pour rester, selon le communiqué, neutre vis-à-vis des fournisseurs ; le code est sous licence Apache 2.0 et la documentation sous CC-BY 4.0. Rev Lebaredian (VP Omniverse and Simulation Technology, NVIDIA) y résume l'objet : « Newton brings together GPU acceleration, differentiable physics and open standards like OpenUSD into an open source platform »
La version 1.0 GA a été annoncée le 16 mars 2026 à la GTC. NVIDIA y rapporte que MuJoCo Warp atteint « 252x speedup for locomotion and 475x for manipulation tasks on the NVIDIA RTX PRO 6000 Blackwell Series », et que Newton « integrates natively with NVIDIA Isaac Sim 6.0 and Isaac Lab 3.0 early access releases »
Côté apprentissage robotique, MuJoCo Playground (Zakka, Tabanpour, Liao, Haiderbhai, Holt, Luo, Allshire, Frey, Sreenath, Kahrs, Sferrazza, Tassa et Abbeel, arXiv, 12 février 2025) est présenté comme « a fully open-source framework for robot learning built with MJX », permettant d'entraîner des politiques « in minutes on a single GPU » et revendiquant un transfert « zero-shot sim-to-real transfer from both state and pixel inputs » sur quadrupèdes, humanoïdes, mains dextres et bras manipulateurs
Les simulateurs appris constituent la seconde famille. Sanchez-Gonzalez, Godwin, Pfaff, Ying, Leskovec et Battaglia (« Learning to Simulate Complex Physics with Graph Networks », ICML 2020) traitent « fluids, rigid solids, and deformable materials interacting with one another » et généralisent, à partir d'un entraînement sur des prédictions à un pas de temps avec des milliers de particules, à des milliers de pas de temps et « at least an order of magnitude more particles at test time »
Pfaff, Fortunato, Sanchez-Gonzalez et Battaglia (« Learning Mesh-Based Simulation with Graph Networks », ICLR 2021) portent la même idée sur le maillage adaptatif et couvrent aérodynamique, mécanique des structures et tissu, avec un coût annoncé « 1-2 orders of magnitude faster than the simulation on which it is trained » et une dynamique indépendante de la résolution
Les deux familles se rejoignent dans l'outillage : Newton intègre MuJoCo Warp comme solveur, est compatible avec MuJoCo Playground et Isaac Lab, et vise explicitement les deux publics que sont les roboticiens et les chercheurs en simulation

Usages documentés par secteur

IndustrieTRL non déterminableDiffusion émergente

L'usage industriel visé est l'apprentissage de politiques de manipulation et de locomotion en simulation avant transfert sur un robot réel, dans des tâches où la donnée réelle est coûteuse à produire et où l'essai physique abîme le matériel. Ce que les sources établissent est l'existence d'annonces d'adoption par des industriels nommés, sur des tâches nommées ; elles ne donnent ni site de production, ni date de mise en service, ni résultat mesuré en atelier, ce qui interdit de poser un niveau de maturité technologique.

Skild AI entraîne par apprentissage par renforcement des politiques d'assemblage de baies de calcul GPU, sur l'insertion de connecteurs, la pose de cartes et le vissage à tolérances serrées, avec Newton et Isaac Lab
Samsung prévoit d'utiliser Newton pour la génération de données synthétiques ancrées dans la physique, destinées à entraîner ses modèles vision-langage-action, sur la manipulation de câbles dans l'assemblage de réfrigérateurs avec un robot RB-Y1 ; Lightwheel produit pour cela des actifs calibrés sur mesures réelles
Toyota Research Institute est cité comme partenaire sur le développement des solveurs et la modélisation du contact
Les gains annoncés par NVIDIA — 252 fois sur la locomotion et 475 fois sur la manipulation — sont mesurés par l'éditeur pour MuJoCo Warp face à MJX, sur une carte RTX PRO 6000 Blackwell

Sources de cet usage

RechercheTRL non déterminableDiffusion établie

Pour les laboratoires, ces moteurs sont d'abord une infrastructure partagée : un même simulateur, un même format de scène et un même jeu de robots décrits permettent de comparer des méthodes qui, autrement, ne seraient pas comparables. Le passage de Newton sous gouvernance de la Linux Foundation répond à ce besoin autant qu'à un besoin industriel, et la publication de frameworks d'entraînement ouverts par des équipes académiques et industrielles mêlées en est la contrepartie côté usage.

Jim Zemlin, directeur exécutif de la Linux Foundation, présente la contribution du 29 septembre 2025 comme « an important step forward for scaling collaborative robotics simulation » ; le communiqué cite parmi les participants la Technische Universität München, l'université de Pékin, Lightwheel et Style3D
Moritz Bächer, directeur chez Disney Research, y situe l'apport de son équipe : « This has led to unique expertise in simulating highly complex robotic systems »
MuJoCo Playground est distribué en source ouverte, installable par un paquet unique, et publié par une équipe de treize auteurs menée par Kevin Zakka et comprenant Yuval Tassa et Pieter Abbeel
Newton est décrit dans son dépôt comme « a Linux Foundation project that is community-built and maintained »

Sources de cet usage

ScienceTRL non déterminableDiffusion émergente

La seconde famille change la nature de l'objet : le simulateur n'est plus un intégrateur d'équations mais un modèle entraîné sur les sorties d'un intégrateur, ce qui déplace la question de la justesse vers celle de la généralisation. Les deux travaux fondateurs sont publiés en conférence d'apprentissage automatique et évalués sur des domaines de mécanique classique, avec des gains de coût mesurés par rapport au solveur qui a produit leurs données d'entraînement. C'est une accélération relative à une référence donnée, pas une validation face à l'expérience.

GNS (Sanchez-Gonzalez et al., ICML 2020) simule fluides, solides rigides et matériaux déformables en interaction, et généralise à au moins un ordre de grandeur de particules supplémentaires au test
Les auteurs de GNS identifient comme leviers principaux le nombre d'étapes de passage de messages et l'atténuation de l'accumulation d'erreur par corruption des données d'entraînement avec du bruit
MeshGraphNets (Pfaff et al., ICLR 2021) couvre aérodynamique, mécanique des structures et tissu, avec une dynamique indépendante de la résolution et un passage à l'échelle vers des espaces d'états plus complexes au moment du test

Sources de cet usage

Limites connues

Les chiffres de cette fiche ne sont pas de même nature et il ne faut pas les additionner. Les accélérations de 252 fois et 475 fois sont publiées par NVIDIA, mesurées pour MuJoCo Warp face à MJX sur une seule carte, la RTX PRO 6000 Blackwell : ce sont des mesures de l'éditeur face à sa propre implémentation antérieure, non une comparaison indépendante à un solveur de référence du domaine. Les gains « 1-2 orders of magnitude » de MeshGraphNets sont relatifs au solveur qui a produit les données d'entraînement, sur les domaines publiés — un simulateur appris ne peut par construction pas être plus juste que la simulation dont il apprend, et la fiche ne cite aucune validation face à l'expérience physique. La stabilité sur de longues trajectoires reste un point faible traité empiriquement : les auteurs de GNS l'atténuent en bruitant les données d'entraînement, ce qui est un correctif mesuré, pas une garantie. Aucune des sources ouvertes ici ne donne de chiffre sur la performance en extrapolation hors distribution d'entraînement, ni n'établit qu'un simulateur appris ait été substitué à un code de calcul certifié dans une qualification d'ingénierie. Enfin, la question du fossé simulation-réalité n'est pas réglée par la vitesse : MuJoCo Playground revendique un transfert zéro-shot sur les plateformes qu'il documente, ce qui ne vaut pas pour une tâche arbitraire, et les usages industriels de Newton cités plus haut proviennent d'annonces d'éditeur qui ne nomment ni site de production ni date de mise en service — raison pour laquelle aucun TRL n'est posé sur cette fiche.

Débats documentés

Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.

Sources

Analyses de gap citant cette fiche

Aucune paire humain × IA documentée pour cette capacité à ce jour. Le comparateur permet de tester la combinaison et affiche son statut réel.

Architecture

Capacités clés

Usages documentés par secteur

IndustrieTRL non déterminableDiffusion émergente

RechercheTRL non déterminableDiffusion établie

ScienceTRL non déterminableDiffusion émergente

Limites connues

Débats documentés

Sources

Analyses de gap citant cette fiche

Fiches connexes — Scientifique