Rubrique
Publications, laboratoires et découvertes : ce que la recherche fait avancer, et ce que l’IA change pour la science. 374 articles
Ericsson lance les Cognitive Labs, une initiative de recherche consacrée à l’intelligence artificielle pour les télécommunications. Organisés autour de trois laboratoires, ces travaux porteront notamment sur les graphes, l’apprentissage automatique et les grands modèles de langage, avec une démarche ouverte et un partenariat universitaire en Espagne.
Des chercheurs du MIT ont développé ChromoGen, un modèle d’IA générative qui prédit la forme en trois dimensions de la chromatine. L’outil peut produire 1 000 structures pour une région donnée en 20 minutes sur un GPU, là où les expériences classiques demandent beaucoup plus de temps. Une piste prometteuse pour relier ADN, activité des gènes et fonctions cellulaires.
Les batteries à état solide promettent de transformer le stockage d’énergie, mais leurs performances se jouent aussi à une échelle invisible. Des chercheurs du Lawrence Livermore National Laboratory associent simulations, microstructures numériques et apprentissage automatique pour repérer les agencements de matériaux qui favorisent, ou entravent, le passage des ions.
Une équipe du CSIRO, l’agence scientifique nationale australienne, a étudié l’apport de l’apprentissage machine quantique à l’analyse de données complexes. Publiée dans Advanced Science, sa démonstration s’appuie sur la surveillance des eaux souterraines et ouvre des pistes pour le trafic, l’agriculture, la santé et l’énergie.
Faut-il exposer une intelligence artificielle à toutes les perturbations dès son entraînement pour la rendre robuste ? Des travaux menés au MIT suggèrent parfois l’inverse : dans des jeux Atari modifiés, des agents entraînés dans un environnement contrôlé ont mieux résisté ensuite à l’incertitude.
La faible luminosité reste un obstacle majeur pour les robots qui doivent se repérer par caméra. Des chercheurs de l’Université de Cordoue proposent une méthode fondée sur trois réseaux de neurones pour détecter, localiser puis décoder des marqueurs fiduciaux, y compris lorsque l’éclairage se dégrade.
Sakana AI présente Transformer², un modèle de langage conçu pour ajuster dynamiquement certains de ses poids face à une tâche nouvelle. Publiée en janvier 2025, cette recherche explore une alternative au réglage fin classique, en combinant décomposition mathématique, apprentissage par renforcement et adaptation à partir de quelques exemples.
Avec MDGen, des chercheurs du MIT CSAIL proposent d’employer l’IA générative pour produire des séquences de mouvements moléculaires. Le modèle vise à accélérer fortement des simulations habituellement très coûteuses, sans confondre cette promesse avec une preuve expérimentale ou un médicament déjà conçu.
Retrouvé dans les archives du MIT en 2021, le code longtemps perdu d’ELIZA a de nouveau été exécuté en décembre 2024. Cette résurrection éclaire le fonctionnement du programme conçu par Joseph Weizenbaum dans les années 1960, souvent considéré comme le premier chatbot de l’histoire.
Et si l’IA ne se limitait plus à répondre à des questions, mais aidait les chercheurs à formuler de meilleures hypothèses ? Le concept d’exocortex imagine un collectif d’agents IA capables de lire la littérature, analyser des données et accompagner des expériences. Une promesse stimulante, qui reste indissociable de la validation humaine.
Voir, comprendre et reconstruire une main est un défi majeur pour l’intelligence artificielle. Développé à l’Université Carnegie Mellon, Hamba propose de générer un modèle 3D depuis une seule image sans connaître les réglages de la caméra. Une avancée qui intéresse autant la robotique que la réalité augmentée et l’animation.
Trouver un matériau adapté à une batterie, à un composant électronique ou à un système énergétique peut exiger des années d’essais. Avec MatterGen, Microsoft propose une IA générative capable d’imaginer directement des structures cristallines répondant à des contraintes définies, puis de fournir aux chercheurs des candidats à vérifier en laboratoire.
Un capteur optique flexible, intégré à un matériau souple, parvient à reconnaître des motifs Braille grâce aux infimes déformations provoquées par la pression. Associé à des réseaux de neurones, il atteint jusqu’à 98,57 % de précision sur huit motifs et réagit en moins de 0,1 seconde dans un test de lecture simulée.
En janvier 2025, l’intelligence artificielle s’impose comme un fil rouge des prévisions scientifiques. Un podcast propose d’examiner ses promesses pour l’économie, la météo ou la transition écologique, sans éluder les questions d’emploi, d’énergie et de responsabilité.
Des chercheurs de l’Université nationale d’Incheon ont conçu un système de caméras capable d’adapter sa couverture à l’intensité du trafic. Grâce à deux algorithmes testés en simulation, certaines caméras restent actives tandis que d’autres s’allument seulement lorsque la circulation l’exige.
Développé par des chercheurs d’Abu Dhabi et de Floride, LlamaV-o1 explore une voie d’entraînement inspirée de l’apprentissage humain : aller du simple au complexe. Le projet associe cette méthode à un raisonnement détaillé, un benchmark dédié et une recherche de réponses par plusieurs pistes.
Des chercheurs du MIT proposent une méthode d’apprentissage automatique entraînée sur des calculs quantiques très précis. Baptisé MEHnet, ce modèle vise à prévoir rapidement plusieurs propriétés électroniques de molécules, un levier potentiel pour la découverte de matériaux, de médicaments ou de solutions de stockage d’énergie.
Créer des images, tableaux, textes ou sons plausibles pour entraîner une intelligence artificielle devient un levier majeur lorsque les données réelles manquent. L’IA synthétique promet d’accélérer les projets de machine learning et d’IA générative, mais elle impose surtout un contrôle rigoureux de la qualité, des biais et de la conformité.
L’intelligence artificielle est déjà largement utilisée pour apprendre à partir de données, tandis que l’informatique quantique reste une technologie expérimentale destinée à certains calculs très ciblés. Plutôt qu’un affrontement, leur rapprochement pourrait accélérer la recherche en chimie, en matériaux, en santé et dans l’énergie.
Des chercheurs de l’Université de Bonn proposent une méthode d’entraînement pour les réseaux neuronaux à impulsions, ou « spikes ». Inspirée de la communication économe des neurones biologiques, elle vise à réduire l’énergie nécessaire à l’apprentissage sans renoncer à des résultats utiles sur des tâches complexes.
Conçu par des chercheurs de l’UCLA, TeamCraft transforme Minecraft en terrain d’essai pour les IA qui doivent travailler en équipe. Ses 55 000 variantes de missions mesurent la planification, la perception et la coordination d’agents dotés d’indices textuels et visuels.
Des chercheurs ont entraîné une IA à repérer des objets anormaux dans des images de cargaisons encombrées. Le taux de 98 % annoncé ouvre des perspectives pour les contrôles, sans supprimer l’étape décisive de la vérification humaine ni les exigences de validation en conditions réelles.
Microsoft Research Asia présente rStar-Math, un modèle de langage de petite taille spécialisé dans la résolution de problèmes mathématiques. Sa particularité : explorer plusieurs pistes de calcul grâce à une recherche arborescente, puis exposer une démarche en langage naturel et en Python. Une piste de recherche prometteuse, mais pas encore un outil éducatif prêt à l’emploi.
Les données scientifiques et professionnelles se présentent souvent sous forme de petits tableaux incomplets ou bruités. TabPFN, un modèle conçu à l’Université de Fribourg, promet d’en tirer des prédictions plus rapides et plus précises, sans devoir entraîner un nouvel algorithme pour chaque jeu de données.
