Foundation model fisici, CFD e quantum computing riducono da ore a secondi l’esplorazione aerodinamica dei futuri veicoli da competizione

La progettazione di un veicolo ad alte prestazioni è una disciplina in cui il margine si costruisce per iterazioni: una geometria modificata, un flusso d’aria ricalcolato, una verifica in condizioni operative diverse. Nel motorsport questo ciclo è particolarmente severo, perché carico aerodinamico, resistenza, stabilità e reattività devono convivere in spazi regolamentari e tempi di sviluppo compressi. È in questo contesto che, il 30 aprile 2026, IBM e Dallara Group hanno annunciato una collaborazione per far evolvere la progettazione dei veicoli attraverso intelligenza artificiale e quantum computing.

Il cuore del progetto non è l’uso dell’AI come scorciatoia generica, ma lo sviluppo di foundation model basati sulla fisica, addestrati e validati su dati aerodinamici proprietari di Dallara. Il primo modello è stato costruito sui dati di simulazione dell’azienda italiana e mostra un potenziale concreto: ridurre i tempi di simulazione aerodinamica da molte ore a pochi minuti, aiutando gli ingegneri a valutare più opzioni nelle prime fasi di sviluppo.

Il caso preliminare più significativo riguarda una vettura concettuale simile a un prototipo Le Mans. Le analisi CFD tradizionali di diverse configurazioni del diffusore posteriore hanno richiesto qualche ora; il modello AI ha completato le stesse valutazioni in circa 10 secondi, individuando la medesima geometria ottimale. Applicato a centinaia di configurazioni, il metodo potrebbe comprimere da giorni a pochi minuti una parte dell’esplorazione progettuale.

Dal motorsport un dataset industriale per l’AI fisica

Dallara porta nel progetto un patrimonio tecnico difficilmente replicabile. Fondata nel 1972 da Gian Paolo Dallara, l’azienda progetta e produce vetture per categorie come IndyCar, Indy NXT, Formula 2, Formula 3 e Super Formula, oltre a collaborazioni in Formula E, WEC e IMSA. In IndyCar le velocità medie sul tracciato possono superare le 230 miglia orarie, pari a circa 370 chilometri orari, rendendo la validazione aerodinamica una questione di prestazione, sicurezza e affidabilità.

Questa base industriale è importante perché molti modelli di AI applicati alla fluidodinamica soffrono quando vengono addestrati su dataset troppo semplificati. Nel progetto con IBM, invece, i modelli usano simulazioni aerodinamiche ad alta fedeltà e incorporano l’esperienza tecnica di Dallara. In una fase successiva, le due aziende intendono integrare anche misurazioni sperimentali ottenute in galleria del vento e su pista.

La fluidodinamica computazionale, o CFD, resta essenziale per studiare le forze aerodinamiche e ottimizzare corpo vettura, fondo e gruppi alari. È però anche onerosa: analisi circoscritte possono richiedere ore, mentre lo sviluppo completo di una vettura da competizione può durare settimane o mesi di iterazioni. L’AI interviene qui come modello surrogato, capace di stimare rapidamente il comportamento aerodinamico e orientare le simulazioni più costose verso le soluzioni promettenti.

“Le corse hanno insegnato a Dallara che ci sono due possibili esiti: o si vince o si è costretti a imparare. La fiducia di IBM nel collaborare a questo progetto innovativo testimonia la volontà di Dallara di superare continuamente i propri limiti e di non smettere mai di imparare”,

ha affermato Andrea Pontremoli, CEO e General Manager di Dallara ed ex amministratore delegato di IBM Italia.

La dichiarazione di Andrea Pontremoli aiuta a leggere il motorsport come ambiente di apprendimento accelerato. Ogni scelta progettuale viene misurata contro dati, tempi e vincoli reali. In questa prospettiva, l’AI fisica non sostituisce l’ingegnere, ma aumenta la capacità di esplorare alternative prima che il processo entri nelle fasi più costose di verifica.

Da ore a secondi, il diffusore misura il salto di qualità

Il diffusore posteriore, collocato sotto la parte finale della vettura, contribuisce a generare carico aerodinamico efficiente e ad aumentare l’aderenza alla pista. Nel confronto fra metodo tradizionale e nuovo approccio di IBM, diverse configurazioni sono state analizzate sia con CFD sia con AI basata sulla fisica. Il risultato indicato dalle aziende è rilevante: circa 10 secondi contro qualche ora, con identificazione della stessa geometria ottimale.

Nelle prime fasi della progettazione, gli ingegneri devono decidere quali ipotesi meritino ulteriori calcoli, quali vadano scartate e quali richiedano una verifica più raffinata. Se un modello consente di confrontare rapidamente centinaia di geometrie, la progettazione diventa più interattiva. Le simulazioni CFD ad alta fedeltà restano necessarie, ma in modo più mirato.

Nel materiale tecnico della collaborazione, le prime modellazioni del campo di pressione relative alla variazione dell’angolo del diffusore posteriore da -2 a +4 gradi risultano molto simili fra CFD tradizionale e metodo AI. Questo non autorizza conclusioni assolute su ogni scenario, ma indica che i modelli surrogati neurali possono diventare credibili per la selezione preliminare delle configurazioni, soprattutto se addestrati su dati industriali validati.

“Alcune delle sfide ingegneristiche più complesse derivano dalla necessità di simulare con accuratezza il mondo fisico”,

ha dichiarato Alessandro Curioni, IBM Fellow e Vice President Algoritmi e Applicazioni di IBM Research.

“Con Dallara, IBM applica l’AI per accelerare oggi la progettazione aerodinamica, portando avanti in parallelo il quantum computing per spingere ancora più lontano le capacità di simulazione. Insieme, queste tecnologie possono aiutare gli ingegneri a muoversi più rapidamente, esplorare più possibilità e progettare veicoli con prestazioni superiori”.

Il quantum entra come opzione per simulazioni più fedeli

Il secondo asse della collaborazione riguarda il quantum computing e gli approcci hybrid quantum. Qui la prospettiva è più esplorativa. IBM e Dallara stanno valutando come questi metodi possano inserirsi nei flussi di progettazione tradizionali nel breve termine e, nel lungo periodo, contribuire a simulazioni più fedeli di problemi aerodinamici complessi. Non si tratta di sostituire subito gli strumenti attuali, ma di individuare i sottoproblemi più adatti a nuove architetture di calcolo.

La progettazione non richiede soltanto calcoli rapidi, ma risultati coerenti con il comportamento reale del veicolo. Per questo la componente più matura, oggi, è l’integrazione fra dati CFD validati, modelli di AI basati sulla fisica e competenza degli aerodinamici. Il quantum resta una direttrice di ricerca da valutare con gradualità.

I primi risultati sono descritti in uno studio preliminare pubblicato su arXiv il 20 aprile 2026. Il lavoro si basa sul modello Gauge-Invariant Spectral Transformers, o GIST, sviluppato da IBM e oggetto di uno studio preliminare diffuso il 17 marzo. IBM e Dallara hanno presentato questi avanzamenti il 26 aprile 2026 alla International Conference on Learning Representations di Rio de Janeiro, nel filone dell’AI applicata ai sistemi fisici complessi.

Oltre la pista, benefici possibili per automobili e velivoli

Il motorsport è il banco di prova più esigente, ma le ricadute possono estendersi ad altri settori. Dallara applica già il proprio know-how a veicoli stradali ad alte prestazioni e all’aerospace. In ambiti diversi dalle competizioni, una progettazione aerodinamica più efficiente può incidere su consumi, autonomia, stabilità e impiego di energia, purché i modelli vengano validati in condizioni operative differenti.

“I veicoli ad alte prestazioni rappresentano un banco di prova ideale per i modelli surrogati basati su reti neurali, ma il potenziale va ben oltre il mondo delle competizioni”,

ha dichiarato Fabrizio Arbucci, CIO di Dallara.

“Una progettazione aerodinamica più efficiente potrebbe apportare benefici che spaziano dalle autovetture ai velivoli e ad altri settori fortemente influenzati dall’aerodinamica. Anche una riduzione dell’1-2 per cento della resistenza aerodinamica nei veicoli passeggeri potrebbe tradursi, su larga scala, in miglioramenti significativi in termini di efficienza dei consumi e benefici ambientali”.

La valutazione di Fabrizio Arbucci chiarisce perché il tema non riguarda soltanto la prestazione assoluta. Nei veicoli passeggeri, anche una riduzione limitata della resistenza può generare effetti rilevanti quando viene moltiplicata per grandi volumi e lunghi cicli di utilizzo. Nei velivoli e in altri sistemi mobili, lo stesso principio può tradursi in maggiore efficienza, migliore autonomia e minore consumo energetico.

Per IBM, la collaborazione rappresenta un caso applicativo di AI industriale ad alta specializzazione. Per Dallara, significa collegare dati proprietari, esperienza aerodinamica e strumenti computazionali avanzati in un’unica traiettoria di sviluppo. Le prossime fasi prevedono modelli estesi a velocità diverse, scenari di sorpasso, nuovi veicoli e strumenti per esplorare più rapidamente configurazioni aerodinamiche inedite.

Il punto industriale è dunque chiaro: la CFD resta il riferimento per l’analisi ad alta fedeltà, ma i foundation model fisici possono ridurre il costo esplorativo delle prime decisioni progettuali. Passare da ore a secondi non significa soltanto fare più in fretta. Significa formulare più domande, scartare prima le soluzioni deboli e dedicare più risorse alle geometrie realmente promettenti, con un impatto potenziale che dalla pista può arrivare alla mobilità avanzata e all’aerospazio.

La Dallara AV 21 dell’Indy Autonomous Challenge in azione al buio a Las Vegas

Il teaser IBM del primo processore quantistico da 127 qubit cinque anni or sono

Ecco tre approfondimenti che potrebbero interessarti:

Record: la Dallara “autonoma” di PoliMOVE a quasi 312 orari!
Andrea Pontremoli al vertice della Motor Valley emiliano-romagnola
La IBM ha inaugurato il primo Quantum Data Center in Europa