Publié le 25 février 2026 20h40. Des chercheurs du MIT ont développé un système d’intelligence artificielle capable de concevoir des objets 3D réalistes et physiquement viables, comblant ainsi le fossé entre la créativité numérique et la fabrication concrète.
- Le système « PhysiOpt » combine l’IA générative avec des simulations physiques pour garantir que les conceptions 3D, comme des tasses ou des serre-livres, soient structurellement solides et utilisables.
- PhysiOpt utilise un modèle pré-entraîné, ce qui lui permet de comprendre la forme des objets sans nécessiter une formation spécifique, accélérant ainsi le processus de conception.
- Le système est plus rapide et plus efficace que les méthodes comparables, comme « DiffIPC », pour créer des modèles 3D réalistes.
L’intelligence artificielle générative (IA générative) a fait d’énormes progrès dans la création de conceptions 3D complexes et imaginatives. Cependant, ces créations virtuelles se heurtent souvent à un obstacle majeur : leur impraticabilité dans le monde réel. Un modèle peut générer une chaise esthétiquement plaisante, mais celle-ci risque de s’effondrer sous le poids d’une personne, faute d’une compréhension des principes physiques fondamentaux.
Pour résoudre ce problème, des chercheurs du Laboratoire d’informatique et d’intelligence artificielle (CSAIL) du MIT ont mis au point PhysiOpt, un système qui intègre des simulations physiques aux outils d’IA générative. PhysiOpt teste rapidement la viabilité structurelle d’un modèle 3D et ajuste subtilement sa forme pour garantir sa solidité, tout en préservant son apparence et sa fonction d’origine. Il suffit de saisir une description de l’objet souhaité ou de télécharger une image, et en moins d’une demi-minute, PhysiOpt produit un modèle 3D réaliste prêt à être fabriqué.
Par exemple, les chercheurs ont demandé à PhysiOpt de créer un « verre à boire en forme de flamant rose ». Le système a généré un modèle 3D de verre avec un manche et une base rappelant la patte d’un oiseau tropical, apportant des améliorations mineures pour assurer sa stabilité structurelle.
« PhysiOpt combine l’IA générative et l’optimisation de forme basée sur la physique, aidant ainsi quasiment tout le monde à générer les conceptions qu’il souhaite pour des accessoires et des décorations uniques »,
Xiao Sean Zhan, doctorant en génie électrique et informatique (EECS) au MIT et chercheur au CSAIL
L’un des atouts majeurs de PhysiOpt réside dans son utilisation d’un modèle pré-entraîné. Contrairement aux systèmes qui nécessitent une formation intensive pour comprendre les requêtes des utilisateurs, PhysiOpt s’appuie sur une connaissance préalable des formes et des objets.
« Les systèmes existants nécessitent souvent de nombreuses formations supplémentaires pour avoir une compréhension sémantique de ce que vous voulez voir. Mais nous utilisons un modèle avec cette sensation pour ce que vous souhaitez créer déjà intégré, donc PhysiOpt ne nécessite aucune formation. »
Clément Jambon, co-auteur principal et doctorant au MIT EECS et chercheur au CSAIL
Cette approche permet à PhysiOpt de tirer parti des « a priori de forme », c’est-à-dire des connaissances acquises lors d’une formation antérieure, pour générer des modèles 3D conformes aux attentes des utilisateurs. Les chercheurs ont démontré la polyvalence de PhysiOpt en créant un porte-clés de style steampunk, mélangeant esthétique victorienne et futuriste, ainsi qu’une « table girafe », un meuble original conçu pour exposer des objets.
Les performances de PhysiOpt ont été comparées à celles de « DiffIPC », une méthode similaire. Les résultats ont montré que le système du CSAIL était près de dix fois plus rapide par itération et produisait des objets plus réalistes.
Les chercheurs envisagent d’améliorer encore PhysiOpt en supprimant les artefacts indésirables et en modélisant des contraintes de fabrication plus complexes, comme la minimisation des surplombs pour l’impression 3D. Ils explorent également la possibilité d’intégrer des modèles de langage de vision pour permettre à PhysiOpt de prédire des contraintes telles que les charges et les limites, rendant ainsi le système encore plus autonome et intuitif.
Cette recherche a été soutenue, en partie, par le laboratoire d’IA Watson du MIT-IBM et par Wistron Corp. Les résultats ont été présentés en décembre lors de la conférence SIGGRAPH de l’Association for Computing Machinery sur l’infographie et les techniques interactives en Asie.
Les auteurs de l’article sont Xiao Sean Zhan, Clément Jambon, Kenney Ng ’89, SM ’90, PhD ’00, chercheur principal au MIT-IBM Watson AI Lab, Evan Thompson et Mina Konaković Luković, professeur adjoint au CSAIL.