Rubrique
Publications, laboratoires et découvertes : ce que la recherche fait avancer, et ce que l’IA change pour la science. 374 articles
Des ingénieurs de Duke University ont mis au point une équipe d’agents d’IA capable de mener les étapes clés de problèmes de conception complexes. Testé sur des défis de métamatériaux, ce « scientifique artificiel » atteint des performances proches de celles de doctorants et illustre le potentiel, mais aussi les limites, de l’automatisation de la recherche.
À Johns Hopkins, des ingénieurs développent SafeTraffic Copilot, un outil d’IA capable d’estimer les risques d’accident à partir de données routières très diverses. Son ambition n’est pas seulement de signaler les zones dangereuses, mais de simuler l’effet de décisions concrètes, comme la modification du cycle d’un feu.
Des chercheurs de l’Université de Zhejiang ont comparé la manière dont des humains et ChatGPT retirent des mots d’une phrase. Dans cette tâche, les deux privilégient des groupes de mots formant des unités grammaticales, un résultat qui suggère des représentations syntaxiques proches, sans pour autant assimiler le fonctionnement d’un modèle de langage à celui d’un cerveau.
Contrôler la qualité d’un matériau exige souvent des instruments lourds, coûteux et des délais incompatibles avec une production rapide. Développé par des ingénieurs du MIT, SpectroGen utilise l’IA pour déduire des données spectrales complexes à partir d’une seule mesure, avec des résultats annoncés comme très proches des analyses physiques.
Une étude de chercheurs d’Amazon observe que nous écrivons différemment à un humain et à un chatbot. Testé sur Mistral 7B, un entraînement incluant cette diversité améliore la détection des intentions, alors qu’une formalisation a posteriori peut la dégrader.
Face aux quelque 92 millions de tonnes de déchets textiles générés chaque année, le MIT et Adobe explorent une autre façon de concevoir les vêtements. Leur logiciel Refashion découpe une tenue en modules réassemblables, afin de l’adapter à une nouvelle taille, un nouvel usage ou un nouveau style sans repartir de zéro.
Reconnaître un chien, une voiture ou un tigre est déjà à la portée de nombreux modèles d’IA. Retrouver un animal précis au milieu de ses congénères reste bien plus difficile. Des chercheurs du MIT proposent une méthode fondée sur le contexte vidéo, qui améliore nettement la localisation d’objets personnalisés.
Retrouver son chien, son sac ou un animal précis dans une image reste difficile pour les IA, même lorsqu’elles reconnaissent très bien les catégories générales. Des chercheurs du MIT et du MIT-IBM Watson AI Lab proposent une méthode d’entraînement fondée sur des séquences vidéo et des noms fictifs. Elle améliore de 21 % la précision de localisation d’objets personnalisés.
Des chercheurs ont mis au point A-Textile, un patch souple à fixer sur un vêtement qui capte les vibrations de la voix par électricité statique. Léger et autonome pour sa détection, ce prototype pourrait permettre de parler à une IA ou de piloter des objets connectés sans porter un microphone classique.
Au KAIST, des chercheurs ont conçu une intelligence artificielle capable d’étudier simultanément le nombre de personnes et leurs déplacements. En repérant l’évolution d’une foule plutôt qu’une simple densité instantanée, ce modèle vise à mieux anticiper les situations de congestion et à soutenir les décisions de sécurité.
Des équipes de Virginia Tech, d’Oak Ridge et de l’Université du Texas à Dallas proposent une plateforme de calcul analogique fondée sur un domaine de fréquence synthétique. En encodant davantage d’informations dans un seul dispositif phononique, elles cherchent à réduire les écarts entre composants et à faciliter le passage à l’échelle des réseaux neuronaux physiques.
Réduire fortement la taille d’un modèle d’IA sans sacrifier son utilité est devenu un enjeu industriel majeur. Les réseaux tensoriels, inspirés de concepts issus de la physique quantique, ouvrent une piste pour exécuter davantage d’IA localement, avec moins de calcul, d’énergie et de transferts de données.
Des ingénieurs du MIT ont associé simulations et apprentissage automatique pour concevoir un alliage d’aluminium adapté à l’impression 3D. Annoncé comme cinq fois plus résistant que des alliages traditionnels et performant jusqu’à 400 °C, il pourrait alléger certaines pièces aéronautiques.
Le MIT Schwarzman College of Computing et l’université émiratie MBZUAI créent un programme commun de recherche en intelligence artificielle pour cinq ans. L’initiative réunira chercheurs, enseignants et étudiants autour de la découverte scientifique, du bien-être humain et de la santé de la planète, avec une ambition affichée de publication ouverte.
Samsung présente le Tiny Recursive Model, un réseau de seulement 7 millions de paramètres conçu pour revoir sa propre réponse à plusieurs reprises. Sur des problèmes structurés comme Sudoku-Extreme et Maze-Hard, ses résultats relancent le débat : pour certaines tâches de raisonnement, l’architecture peut-elle compter autant que la taille ?
Des chercheurs de l’Université Johns Hopkins ont développé SafeTraffic Copilot, un outil d’IA destiné aux ingénieurs de la circulation. En croisant données routières, valeurs numériques et images, il vise à identifier les combinaisons de facteurs associées aux accidents et à mieux anticiper les zones à risque aux États-Unis.
De l’équilibre des réseaux électriques à la surveillance de la qualité de l’air, l’intelligence artificielle peut devenir un outil précieux face aux crises environnementales. Son efficacité dépend toutefois de données fiables, d’une gouvernance transparente et de décisions humaines capables de traduire les prévisions en actions concrètes.
Arrêter un plasma sans provoquer de perturbation est l’un des défis critiques des futurs réacteurs à fusion. Des chercheurs du MIT ont conçu un modèle hybride, mêlant apprentissage machine et physique des plasmas, pour prévoir cette phase délicate et guider les réglages d’un tokamak.
Concevoir un alliage performant suppose d’explorer d’innombrables combinaisons d’éléments et de propriétés. Développé à Carnegie Mellon, AlloyGPT emploie un modèle de langage spécialisé pour prédire des structures multi-phases et proposer des compositions adaptées à des objectifs de fabrication.
Capteurs, moteurs, batteries : les composants d’un drone ou d’un véhicule autonome ne se comportent pas toujours comme prévu. Des chercheurs du MIT proposent un cadre de co-conception qui intègre cette variabilité dès les premiers choix d’ingénierie, afin de mieux évaluer performances, coûts et risques.
Des ingénieurs de l’Université de Californie à Santa Cruz proposent une méthode où un modèle d’IA apprend grâce à des informations situées juste après la période qu’il doit analyser. Testée sur des électroencéphalogrammes, elle améliore la prévision de crises d’épilepsie, sans pour autant donner à la machine le pouvoir de voir l’avenir.
Dotée de 300 millions de dollars, Periodic Labs veut créer des systèmes d’IA capables de conduire des expériences de science des matériaux. La jeune entreprise, fondée par Ekin Dogus Cubuk et Liam Fedus, vise notamment les supraconducteurs et des laboratoires robotisés produisant leurs propres données.
Des chercheurs de l’Indian Institute of Science étudient une piste pour les batteries au magnésium : des cathodes amorphes, dont le désordre atomique favorise le déplacement des ions. En s’appuyant sur l’apprentissage automatique, ils ont simulé une mobilité jusqu’à 100 000 fois plus élevée que dans des matériaux cristallins comparables.
Des chercheurs de l’Université métropolitaine d’Osaka présentent SORA-DET, un détecteur d’objets pensé pour les drones aux ressources limitées. L’architecture affiche 88,1 % de paramètres en moins et des résultats compétitifs sur deux jeux de référence.
