Neural Concept et Leonardo intègrent un AI Design Copilot : aérodynamisme et bruit des rotors évalués quasi en direct, pour raccourcir le développement.

Le 12 février 2026, une information a cristallisé une tendance de fond : l’IA ne sert plus seulement à analyser des données d’essais, elle s’installe au cœur de la conception. Neural Concept, spécialiste suisse de l’IA pour l’ingénierie, a mis en avant sa collaboration avec Leonardo Helicopters autour d’un “AI Design Copilot”. L’ambition est claire : donner aux équipes rotorcraft un outil capable d’estimer rapidement la performance aérodynamique et l’acoustique d’un rotor, afin de trier et d’optimiser des milliers de variantes avant d’engager des calculs lourds. L’intérêt est double. D’un côté, réduire le nombre de simulations CFD coûteuses et les boucles de retouche tardives. De l’autre, déplacer les décisions vers l’amont, là où une modification de géométrie coûte encore “peu”. Reste une exigence non négociable : dans un domaine soumis à la certification et aux marges de sécurité, l’IA ne peut pas être un oracle opaque. Elle doit être validée, bornée et auditée.

L’annonce qui acte un basculement vers l’IA de conception

Le sujet n’est pas “une IA de plus” dans l’aéronautique. Ce qui change, c’est le moment où l’IA intervient. Jusqu’ici, l’aviation utilisait déjà des algorithmes pour la maintenance prédictive, l’aide à la décision, ou l’analyse de données de vol. L’approche portée par AI Design Copilot vise autre chose : accélérer la création et l’évaluation de géométries 3D, au tout début du cycle, quand les choix structurants se prennent.

Le 12 février 2026, la collaboration entre Neural Concept et Leonardo a été présentée publiquement comme un exemple d’adoption “industrielle” de ces méthodes dans le monde hélicoptère. Le message est implicite, mais net : les rotorcraft ont trop de compromis simultanés (bruit, rendement, vibrations, marges en autorotation, contraintes structurelles) pour continuer à avancer uniquement au rythme des itérations classiques.

La réalité des rotors, un problème multiphysique qui coûte cher

Concevoir un rotor, c’est gérer des phénomènes qui se contredisent souvent. On veut plus de portance, moins de puissance, moins de bruit, moins de vibrations, une tenue correcte en conditions chaudes et hautes, et une robustesse mécanique compatible avec des milliers d’heures.

Le bruit est l’un des nœuds du problème. Le fameux “blade-vortex interaction” est un cauchemar de conception, parce qu’il dépend de la géométrie, du régime rotor, du profil de mission et de l’environnement. Modéliser proprement ces effets avec des méthodes de calcul haute fidélité reste lourd. Une évaluation CFD peut se chiffrer en centaines d’heures CPU dans des cas industriels, et certaines campagnes haute fidélité s’étirent sur des ordres de grandeur de “jours à semaines” sur des moyens de calcul importants. Ce poids informatique crée une mécanique perverse : on explore peu de variantes, donc on découvre tard les bonnes solutions, donc on retouche tard, donc on rallonge les délais.

C’est précisément là que l’IA devient intéressante : pas pour remplacer la CFD, mais pour réduire drastiquement le nombre de CFD nécessaires.

Le principe d’un copilot d’ingénierie, de la CFD vers un modèle surrogate

L’idée centrale est celle des modèles de substitution : au lieu de recalculer la physique complète à chaque variante, on apprend une relation entre une géométrie 3D et des indicateurs (efficacité, champs de pression, bruit, zones de séparation, etc.), à partir d’un historique de simulations et d’essais.

Neural Concept met en avant des surrogates de CFD fondés sur le géometric deep learning : l’IA “comprend” la forme, pas uniquement un tableau de paramètres. C’est clé pour l’aéronautique, où les détails de bord d’attaque, de bout de pale, ou de torsion changent la performance.

Concrètement, le flux de travail ressemble à ceci :

• on collecte des données (simulations existantes, essais, campagnes passées) ;
• on entraîne un modèle qui prédit des grandeurs d’intérêt sur de nouvelles géométries ;
• on déploie ce modèle dans un environnement où l’ingénieur peut tester, comparer, et itérer.

L’objectif affiché par Neural Concept n’est pas timide : compresser des semaines de travail CAD en minutes, explorer 10 à 1 000 fois plus de variantes par itération, et réduire jusqu’à 50% certaines retouches tardives. Même si ces chiffres doivent être replacés dans le contexte de chaque programme, ils donnent la direction : déplacer l’effort, du “fabriquer une solution” vers “choisir la meilleure parmi des milliers”.

La promesse du temps réel, utile mais à encadrer

Dire “temps réel” dans l’aéronautique peut être trompeur. Une prédiction quasi instantanée n’est pas automatiquement une vérité physique certifiable. Ce qu’apporte une simulation en temps réel, c’est une capacité de tri et de guidage.

L’usage le plus crédible est celui d’un entonnoir :

• l’IA explore large, détecte les tendances, élimine les mauvaises options ;
• des méthodes de fidélité intermédiaire confirment et raffinent ;
• la CFD haute fidélité et les essais valident un sous-ensemble réduit.

Ce modèle hybride est rationnel économiquement. Il reconnaît une réalité : si un calcul haute fidélité mobilise une chaîne outillée, des spécialistes et du HPC, alors chaque simulation “inutile” est un impôt sur le calendrier. Des retours d’expérience dans d’autres secteurs montrent qu’un outil de ce type peut diminuer fortement le volume de CFD à lancer, sans abandonner les exigences de validation.

La difficulté spécifique de l’acoustique, là où l’IA peut faire gagner le plus

Là où la collaboration avec Leonardo devient intéressante, c’est l’acoustique rotor. L’aéroacoustique des rotors est notoirement exigeante : il faut capturer des interactions non linéaires, des phénomènes transitoires, des effets de sillage, puis projeter un champ acoustique pertinent. Les outils existent, mais leur coût augmente vite avec la fidélité.

Un copilot peut aider de deux façons.

• D’abord, en proposant des géométries qui diminuent mécaniquement certains régimes de bruit (par exemple en modifiant la charge le long de la pale ou en atténuant certaines interactions).
• Ensuite, en donnant des estimations rapides de métriques acoustiques “proxy” qui permettent d’orienter le design, même si la mesure finale doit rester celle d’un calcul ou d’un essai validé.

C’est un point à dire franchement : l’IA n’achète pas une “certification acoustique” en un clic. Elle peut, en revanche, réduire le nombre de cycles aveugles et limiter les surprises tardives.

La question de la confiance, un problème d’ingénierie autant que d’IA

Le risque, avec ces outils, n’est pas technique. Il est organisationnel. Une équipe peut être tentée de croire une prédiction rapide parce qu’elle est confortable, et parce qu’elle “répond tout de suite”.

Dans un environnement certifié, il faut l’inverse : poser des garde-fous.

• domaine de validité clairement défini (ce que le modèle sait et ne sait pas) ;
• mesure d’incertitude et détection des cas “hors distribution” ;
• traçabilité des données d’entraînement et des versions ;
• stratégie de validation croisée avec CFD et essais.

Autrement dit, le copilot n’est pas un pilote automatique. C’est un outil de décision. Et un outil de décision doit rendre des comptes.

La place de Leonardo, un industriel qui a intérêt à accélérer sans tricher

Leonardo Helicopters se situe sur des marchés où la concurrence est dure et où les programmes sont longs. Les cycles de développement se comptent souvent en années, et la pression s’accroît : exigences environnementales, contraintes de bruit, attentes sur les coûts de maintenance, et apparition de nouveaux concepts (tiltrotor, compounds, plateformes sans pilote).

Dans ce contexte, un copilot de conception sert une logique simple : réduire le “time-to-knowledge”. Savoir plus tôt si une direction de design est viable, et éviter de mobiliser des ressources sur des impasses. Ce n’est pas glamour, mais c’est exactement ce qui fait gagner un programme : la maîtrise du risque technique, au bon moment.

L’autre gain, moins visible, est celui de la capitalisation. Un outil IA s’améliore avec les données. Plus il est utilisé, plus il devient un actif. À condition que l’industriel garde la main sur la gouvernance des données et la validation.

La limite qui compte, celle entre accélération et illusion de vitesse

L’IA en conception n’est pas un miracle. C’est une méthode pour acheter du temps, mais au prix d’une discipline nouvelle. Si l’entreprise traite le modèle comme un gadget, l’outil deviendra une source de confusion et de décisions fragiles. Si elle l’intègre comme une brique du jumeau numérique, avec un process d’assurance qualité comparable à celui des logiciels avioniques, alors le gain peut être réel.

Le secteur hélicoptère est un bon test, parce qu’il est impitoyable : le bruit, les vibrations, l’endurance et la sécurité finissent toujours par trancher. Si un copilot réussit à faire converger plus vite vers un rotor plus discret et plus efficient, ce sera une rupture concrète, pas un effet d’annonce. Et si cela ne tient pas les validations, l’épisode aura au moins clarifié une vérité : dans l’aéronautique, la vitesse n’a de valeur que si elle ne dégrade pas la preuve.

HELICOLAND est le spécialiste de l’hélicoptère.