Mon nouveau collègue s'appelle Claude
Depuis quelque temps, un nouveau collègue m'intrigue.
Il s'appelle Claude. Il ne prend pas de café, ne réserve jamais de salle de réunion et semble relativement disponible lorsqu'on lui demande de reprendre une analyse à 22 heures.
Sur le papier, le profil est intéressant.
Mais derrière la touche d'humour se cache une vraie question de R&D : que peut réellement apporter un agent d'intelligence artificielle lorsqu'il est associé à un code de simulation scientifique comme OpenMC ?
Pas pour écrire un paragraphe ou résumer un document. Pour travailler directement sur une étude numérique.
De l'assistant conversationnel à l'agent de calcul
Lorsqu'on parle d'intelligence artificielle générative, on pense souvent à une interface dans laquelle on pose une question et on obtient une réponse. Mais les outils évoluent rapidement.
Avec un agent capable d'accéder à un environnement de développement, de lire des fichiers, de modifier du code et d'exécuter des commandes, la logique change.
Imaginons un projet OpenMC déjà structuré. Un cas de référence décrit un disque absorbant contenant du bore, soumis à un faisceau neutronique. La géométrie, les matériaux, la source et les tallies sont définis. Un script de post-traitement permet d'extraire les résultats et de produire les figures nécessaires à l'analyse.
Je peux naturellement lancer cette simulation, récupérer le fichier de résultats et analyser les grandeurs d'intérêt.
Mais que se passe-t-il si je demande à Claude : « Étudie l'influence de l'épaisseur du disque absorbant entre 1 et 5 cm. »
C'est ici que le potentiel devient intéressant.
Une étude paramétrique presque autonome
Si le projet est correctement préparé, Claude peut théoriquement suivre toute la chaîne de calcul :
identifier le paramètre correspondant à l'épaisseur du disque ;
générer les différents cas de calcul ;
modifier les paramètres du modèle OpenMC ;
lancer successivement les simulations ;
vérifier la présence des fichiers de sortie ;
exécuter le script de post-traitement ;
extraire les grandeurs physiques définies ;
comparer les résultats au cas de référence ;
produire les figures ;
synthétiser les tendances observées.
Autrement dit, l'IA ne se contente plus d'expliquer comment réaliser une étude paramétrique. Elle peut potentiellement l'exécuter.
Pour quelqu'un qui a déjà passé quelques heures à créer des variantes de géométrie, renommer des dossiers et relancer des calculs presque identiques, l'idée mérite au moins qu'on s'y intéresse.
Mais Claude n'est pas magicien
Il y a cependant une condition essentielle. Claude doit disposer d'un environnement de travail qu'il peut comprendre.
Dans le cas d'OpenMC, cela signifie disposer d'un projet de référence correctement structuré - il joue alors un rôle fondamental.
Il définit la physique du problème et, surtout, la manière dont les résultats doivent être analysés.
Claude n'a pas besoin de « deviner » ce que signifie une simulation correcte. Il peut partir d'une méthode déjà construite et appliquer cette logique aux différentes variantes paramétriques.
C'est une nuance importante. L'intelligence ne vient pas uniquement de l'agent. Elle vient de la qualité de l'environnement scientifique qu'on lui fournit.
La symbiose chercheur – IA
C'est probablement ici que je vois le potentiel le plus intéressant pour la R&D.
Le chercheur ou l'ingénieur définit :
la question physique ;
les hypothèses ;
le domaine de variation des paramètres ;
les grandeurs pertinentes ;
les critères de comparaison ;
la validité physique des résultats.
L'agent IA peut prendre en charge une partie de l'exécution répétitive :
génération des variantes ;
lancement des calculs ;
organisation des résultats ;
post-traitement standardisé ;
production des premières comparaisons.
Dans une étude Monte Carlo, cette répartition des rôles peut être particulièrement puissante. Le temps humain est alors davantage consacré à la question qui compte réellement : pourquoi le résultat évolue-t-il ainsi ?
Un exemple : l'absorbeur au bore
Un disque absorbant est placé sous un flux neutronique. Le matériau contient du bore, dont la composition isotopique peut varier entre bore naturel et bore enrichi en bore-10.
Plusieurs études paramétriques peuvent être envisagées :
influence de l'épaisseur du disque ;
influence de l'énergie incidente des neutrons ;
variation de la fraction de bore-10 ;
comparaison de plusieurs compositions d'absorbeurs ;
comparaison des taux de réaction ;
évolution du flux transmis.
Le modèle OpenMC permet de décrire précisément la physique du problème. Claude, lui, peut potentiellement orchestrer les variantes du modèle et appliquer un même protocole d'analyse à chaque simulation.
La combinaison des deux - un code Monte Carlo dédié au transport des particules associé à un agent capable d'interagir avec l'ensemble du workflow numérique.
Et la validation humaine ?
Elle reste indispensable.
Une courbe peut être parfaitement générée et physiquement absurde. Un calcul peut converger numériquement tout en répondant à une mauvaise question. Un tally peut être correctement lu mais mal interprété. Et une IA peut produire une explication très convaincante d'un phénomène qui n'existe pas.
C'est probablement l'un des principaux risques de ces nouveaux workflows.
Dans un environnement nucléaire, la traçabilité, la vérification et la validation deviennent encore plus importantes avec l'arrivée de l'IA. Le rôle de l'expert évolue : il ne vérifie plus uniquement le calcul, mais la chaîne automatisée qui a produit et interprété ce calcul.
Mon prochain test
C'est précisément l'expérience que je souhaite mener. Construire un cas OpenMC de référence. Définir une méthode de post-traitement reproductible. Puis demander à Claude de réaliser plusieurs études paramétriques à partir de cette base.
L'objectif ne sera pas seulement de comparer les résultats physiques. Je souhaite comparer deux méthodes de travail :
une étude réalisée manuellement par une ingénieure ;
et la même étude orchestrée par un agent IA.
Temps nécessaire, reproductibilité, erreurs, qualité du post-traitement, pertinence de l'analyse : le collègue Claude va devoir passer sa période d'essai.