Rubrique
Publications, laboratoires et découvertes : ce que la recherche fait avancer, et ce que l’IA change pour la science. 374 articles
Au MIT, des chercheurs ont conçu SCIGEN, un outil qui impose des règles géométriques aux modèles d’IA générative de matériaux. Son objectif n’est pas de produire toujours plus de cristaux théoriques, mais de cibler ceux dont la structure pourrait révéler des propriétés quantiques rares, puis de les vérifier en laboratoire.
En apprenant à agir ensemble pour obtenir une récompense, des souris et des agents d’intelligence artificielle ont développé des stratégies étonnamment proches. L’étude menée à l’UCLA relie ces comportements à des circuits neuronaux précis et ouvre une voie de dialogue entre neurosciences et apprentissage automatique.
Conçu au MIT, CRESt combine publications scientifiques, compositions chimiques, images et essais de laboratoire pour guider la recherche de matériaux. Cette IA peut planifier des expériences, exploiter des équipements robotiques et surveiller leur déroulement, tout en laissant aux scientifiques la maîtrise des décisions essentielles.
Des chercheurs de la Florida Atlantic University proposent un cadre d’IA pour mieux coordonner des décideurs qui n’ont ni le même rôle ni le même pouvoir. Fondée sur l’apprentissage par renforcement et la théorie des jeux, leur méthode vise notamment les réseaux électriques, le trafic urbain et les véhicules autonomes.
Dans une catastrophe, décider vite ne suffit pas : il faut aussi répartir les secours avec justesse. Une étude de l’Université de Cranfield évalue un cadre d’intelligence artificielle qui améliore la précision et la stabilité des décisions, tout en posant la question décisive de la supervision humaine.
David Roe et Andrew Sutherland, du MIT, figurent parmi les premiers bénéficiaires du programme AI for Math. Leur projet veut connecter une immense base de données de théorie des nombres à mathlib, une bibliothèque de preuves vérifiables, afin d’aider humains et systèmes d’IA à explorer plus efficacement de nouvelles pistes mathématiques.
Au Laboratoire national de Berkeley, la plateforme AutoBot automatise la synthèse et l’évaluation de matériaux avancés. Testée sur des films de pérovskites, elle a identifié des conditions de fabrication prometteuses en n’échantillonnant qu’environ 1 % de plus de 5 000 combinaisons possibles.
Filmer à main levée suffit souvent à introduire un flou qui compromet la création d’un modèle 3D. MoBluRF, un cadre conçu par des chercheurs de l’Université Chung-Ang et du KAIST, sépare les mouvements de la caméra de ceux des objets afin de reconstruire des scènes 4D plus nettes à partir d’une seule vidéo.
Des chercheurs européens explorent des jonctions tunneling magnétiques capables de réunir mémoire et traitement de l’information, à l’image des synapses biologiques. Pilotés par des signaux électriques et de brèves impulsions laser, ces composants ont atteint 93,7 % de précision sur des chiffres manuscrits en simulation.
Google DeepMind affirme avoir franchi un cap avec Gemini 2.5 lors de la finale mondiale de l’ICPC, une compétition de programmation universitaire. Le système a résolu dix problèmes sur douze et s’est classé deuxième sur 139 équipes. Une performance spectaculaire, qui mérite toutefois d’être distinguée d’une intelligence générale humaine.
En analysant 485 modèles issus de 40 familles, des chercheurs du MIT et du MIT-IBM Watson AI Lab proposent un cadre pour mieux anticiper les performances des grands modèles de langage. Leurs résultats montrent comment de petits modèles et leurs étapes d’entraînement intermédiaires peuvent orienter des choix techniques très coûteux.
Avant d’investir des millions de dollars dans l’entraînement d’un grand modèle de langage, les équipes peuvent en estimer les résultats à partir de modèles plus modestes. Une étude du MIT et du MIT-IBM Watson AI Lab analyse 485 modèles pour rendre ces prévisions plus fiables et mieux piloter les budgets de calcul.
Des physiciens proposent de guider des essaims robotiques à partir de règles géométriques inspirées des comportements collectifs observés dans la nature. Leur concept de « curvity » doit permettre à des machines de s’attirer, de s’écarter et de former des groupes sans pilotage centralisé.
Et si une partie de l’intelligence artificielle ne calculait plus seulement avec des puces électroniques, mais avec la lumière ? Des chercheurs proposent d’entraîner des réseaux neuronaux physiques directement sur des circuits photoniques. Cette méthode pourrait accélérer certains calculs tout en limitant les conversions numériques, très coûteuses en énergie.
Faire fonctionner une IA sur un appareil peu puissant impose souvent d’alléger son architecture. Mais retirer certaines couches peut aussi faire disparaître ses garde-fous. Des chercheurs de l’Université de Californie, Riverside, proposent une méthode de réentraînement pour que les modèles conservent leurs réflexes de sécurité après cette compression.
De la simulation d’une pièce à la détection précoce d’une panne, l’intelligence artificielle modifie déjà le travail des ingénieurs. Au MIT, un cours consacré à l’IA pour le design met des étudiants de disciplines variées face à des projets concrets, entre optimisation technique, expérimentation et créativité.
La directrice de l’Institut Alan Turing, Jean Innes, a annoncé sa démission dans un contexte de fortes tensions internes et de pression du gouvernement britannique. En cause, la stratégie du principal institut public britannique consacré à l’IA, sommé de mieux intégrer les priorités de défense et de sécurité nationale.
Une étude menée à l’université Brown rapproche deux façons d’apprendre, chez l’humain comme dans les réseaux neuronaux : s’adapter vite à partir de quelques exemples et progresser durablement par l’entraînement. Ses résultats éclairent un compromis central entre flexibilité, mémoire et fiabilité des futurs outils d’IA.
Développé par des chercheurs du MIT, SustainaPrint propose de ne renforcer qu’aux endroits nécessaires les objets produits par impression 3D. Grâce à une simulation mécanique, l’outil associe des filaments plus écologiques à une petite quantité de matériau résistant, avec jusqu’à 70 % de la résistance d’une pièce entièrement imprimée en plastique haute performance.
Le MIT présente FlowER, une méthode d’IA générative conçue pour prédire des réactions chimiques sans perdre de vue les lois de conservation. En suivant les atomes et les électrons dans une matrice inspirée des travaux d’Ivar Ugi, le système promet des résultats plus cohérents. Il reste toutefois limité pour certaines chimies métalliques et catalytiques.
Des chercheurs de l’université de Fudan ont conçu un neurone artificiel qui associe une mémoire DRAM à des circuits en MoS₂. Testé dans un réseau de 3 x 3 unités face à des variations lumineuses, ce composant cherche à reproduire une propriété essentielle du cerveau : sa faculté d’adaptation.
Des chercheurs de l’Université de Californie à Los Angeles développent un générateur d’images qui s’appuie sur l’optique plutôt que sur de lourds calculs électroniques. Son principe : employer des faisceaux laser et des modulateurs de lumière pour réaliser l’étape la plus énergivore de la diffusion, avec une puissance informatique quasi nulle.
Des chercheurs du laboratoire national Argonne utilisent l’apprentissage automatique pour sélectionner des additifs capables d’améliorer les batteries lithium-ion à haute tension. En évaluant 125 combinaisons potentielles à partir de données existantes, leur méthode pourrait éviter plusieurs mois d’essais expérimentaux.
Prédire correctement une réponse ne signifie pas nécessairement comprendre les règles qui produisent cette réponse. Des chercheurs du MIT et de l’Université Harvard proposent d’examiner le biais inductif des modèles d’IA pour déterminer s’ils construisent des représentations du monde transférables à de nouvelles situations.
