NP Co.、AIトランスフォーマーで物理シミュレーションを1000倍高速化

トランスフォーマー構造を物理に応用

同社が開発しているのは、大規模言語モデル（LLM）を支えるのと同様の「トランスフォーマーアーキテクチャ」を用いた、事前学習済みの基盤モデルです。ただし、その応用先はテキストではなく物理シミュレーションです 。産業用の物理データでトレーニングされたこれらのモデルは、航空宇宙、防衛、エネルギー、電子機器、データセンター、自動車といった分野で、既存のレガシーシミュレーションソフトウェアを置き換えることを目的としています 。

従来の物理シミュレーターは、設計を少し変更するたびに、計算コストの極めて高い演算を最初からやり直す必要がありました。NP Co.のアプローチは、関連する物理現象についてモデルを一度だけ事前学習させておき、エンジニアが新しい設計をテストしたいと思った瞬間に、推論によって即座に結果を返します 。変更のたびにシミュレーションの連鎖全体を再起動する必要はありません。

実証された速度の優位性

パフォーマンスの差は歴然としています。従来のシミュレーションツールでは、設計の評価1回につき、通常数日から数週間を要します。NP Co.の事前学習済みモデルは、これを数秒で実行します 。同社は、航空機エンジンメーカーであるサフラン（Safran）が用いる産業用ベンチマークを含むテストにおいて、1000倍の高速化を実証。さらに、完全なアセンブリの問題においては、最大で50,000倍の高速化への道筋も示しています 。

この速度の飛躍は、設計プロセスで可能になることを根本から変えます。これまでエンジニアリングチームが数種類の設定を試すのがやっとだったのに対し、今では、かつて1回のシミュレーションにかかっていた時間で、数千通りもの設計バリエーションを探索できるようになります 。

6百万ユーロの使途

プレシード資金は、主に研究チームの拡大と基盤モデルの継続的な開発に充当されます 。長期的には、NP Co.は自動設計ツールや、産業インフラ向けのリアルタイム運用シミュレーターの構築を目指しています 。その目標は、単に既存のワークフローを加速することではなく、複雑な物理システムを設計する全く新しい方法を切り拓くことにあります。

Mistralとの戦略的な近接性

今回の投資は、極めて文脈的なタイミングで行われました。NP Co.の発表のわずか13日前にあたる2026年5月19日、Mistral AIは産業シミュレーション向けの物理モデルを構築するオーストリアのスタートアップ、Emmi AIを買収していたのです 。そのMistralの共同創業者2人が、今度は個人として、ほぼ同じ領域を狙うパリの新興企業に投資したことになります。ある報道では、つい最近ブランド名を変更したばかりの無名の企業に対する、この投資家リストを「驚くほど一級品の賛同者たち」と評しています 。

これが意図的なリスクヘッジなのか、単に最強の技術チームへの賭けなのかは定かではありません。しかし、シグナルは明確です。物理シミュレーションの世界は、まさに基盤モデルの時代に引き込まれようとしており、ヨーロッパで最も著名なAI関係者たちは、誰がその主導権を握るのかについて、早くも賭けを始めているのです。