Rubrique
Publications, laboratoires et découvertes : ce que la recherche fait avancer, et ce que l’IA change pour la science. 375 articles
Un travail publié dans Science Advances propose de renouveler la théorie des réseaux neuronaux associatifs. Baptisée Input-Driven Plasticity, ou IDP, cette approche place les stimuli externes au cœur de la récupération des souvenirs et pourrait inspirer des systèmes d’IA plus robustes face à des données incomplètes ou ambiguës.
Des chercheurs de l’Université Carnegie Mellon ont conçu LegoGPT, un système qui transforme une description textuelle en modèle de briques LEGO constructible. En combinant un modèle de langage et des contrôles physiques, l’outil vise à éviter les créations séduisantes à l’écran mais impossibles à assembler dans le monde réel.
Les modèles capables d’analyser une image et une consigne écrite restent déstabilisés par des formulations aussi courantes que « sans » ou « n’est pas ». Une étude menée au MIT montre que cette faiblesse peut compromettre leur usage dans des domaines sensibles, mais qu’un entraînement mieux ciblé permet déjà de la réduire.
Une étude menée notamment à Oxford compare les jugements humains à ceux de GPT-J face à des mots inventés. Ses résultats suggèrent que les grands modèles généralisent souvent par analogie avec des exemples rencontrés, une piste qui éclaire autant leurs prouesses que leurs limites.
Des chercheurs du MIT et d’Adobe présentent CausVid, un modèle de génération vidéo qui associe deux approches de l’IA. Son ambition est de conserver la qualité visuelle des modèles de diffusion tout en réduisant fortement le temps nécessaire à la création d’un clip, avec des résultats jusqu’à 100 fois plus rapides.
À l’université de Chicago, des chercheurs ont rassemblé des données issues de 250 publications pour guider la conception d’électrolytes lithium-ion. Leur eScore combine trois qualités habituellement difficiles à concilier. Cette piste pourrait réduire la part d’essais et d’erreurs en laboratoire.
Les agents d’apprentissage par renforcement paraissent souvent efficaces dans les conditions précises où ils ont été entraînés. IntersectionZoo, un outil piloté au MIT par Cathy Wu, veut mesurer leur robustesse face à la diversité concrète du trafic urbain. Sa base d’un million de scénarios pourrait accélérer les recherches sur l’éco-conduite automatisée.
Des chercheurs de l’UCLA et de Meta AI proposent d1, un cadre qui associe modèle de langage à diffusion et apprentissage par renforcement. Testé sur des problèmes mathématiques et logiques, il vise à combler l’un des principaux retards de cette architecture face aux LLM classiques.
Les batteries à l’état solide pourraient améliorer le stockage d’énergie et la sécurité des accumulateurs, à condition de trouver les bons matériaux. Des chercheurs de l’Université de Tohoku proposent un cadre d’intelligence artificielle pour prédire les performances d’électrolytes solides et éclairer les mécanismes à l’œuvre.
Des chercheurs de l’Université Laurentienne ont mis au point un système d’IA capable de lire l’image d’un tissu et d’en déduire des instructions exploitables par des machines à tricoter. Testé sur près de 5 000 échantillons, il dépasse 97 % de précision et pourrait accélérer la création de vêtements personnalisés.
Et si les résultats scientifiques étaient publiés sous une forme directement exploitable par les logiciels, plutôt que simplement imprimés en PDF ? Portée par des chercheurs du TIB, l’idée des « articles renés » veut rapprocher publication, données et analyses reproductibles, sans priver les humains d’une lecture claire.
Dans les décisions médicales assistées par IA, une probabilité élevée ne suffit pas toujours à inspirer confiance. Des chercheurs du MIT proposent de combiner classification conforme et augmentation au moment du test afin de fournir des listes de diagnostics plus courtes, tout en préservant une garantie statistique sur leur fiabilité.
Le MIT et la Fondation portugaise pour la science et la technologie ont signé, en mars 2025, un accord ouvrant la quatrième phase de MIT-Portugal. Jusqu’en 2030, ce partenariat de recherche misera notamment sur l’intelligence artificielle, les semi-conducteurs, l’énergie, l’espace et le climat, tout en renforçant les échanges universitaires.
De l’achat de meubles en ligne aux devis de rénovation, l’architecte et ingénieur Alexander Htet Kyaw explore ce que l’IA et la réalité augmentée peuvent apporter au monde physique. Ses projets menés autour du MIT relient conception numérique, fabrication et préoccupations environnementales.
Les modèles d’IA peuvent fournir une réponse erronée avec une assurance trompeuse, un risque majeur pour la recherche en matériaux et en chimie. Des chercheurs du PNNL proposent une méthode pour mesurer cette incertitude, détecter les limites d’un modèle et guider son entraînement vers les données réellement nécessaires.
Dans la fabrication des thérapies cellulaires, une contamination microbienne peut compromettre un traitement et retarder sa délivrance. Des équipes associant le MIT et des institutions singapouriennes proposent un contrôle précoce fondé sur l’absorbance UV et l’apprentissage automatique, avec un résultat en moins de trente minutes.
Les grands systèmes d’IA ne dépendent pas seulement de leurs algorithmes : leur efficacité repose aussi sur la coordination du logiciel, de la mémoire, de l’énergie et des processeurs. Des chercheurs du MIT proposent un langage graphique fondé sur la théorie des catégories pour représenter ces interactions et guider leur optimisation.
Avec TactStyle, des chercheurs du MIT veulent rapprocher l’apparence d’un objet 3D de ce que l’on ressent réellement au toucher. À partir d’une simple image de texture, leur système d’IA génère un relief imprimable qui associe couleur, forme et sensation tactile attendue.
Des chercheurs du MIT présentent React-OT, un modèle d’apprentissage automatique destiné à prédire l’état de transition d’une réaction chimique. Environ cinq étapes et 0,4 seconde lui suffisent pour proposer une estimation, avec une précision améliorée de 25 % par rapport aux prédictions antérieures.
Des chercheurs du MIT proposent une table périodique regroupant plus de 20 algorithmes classiques d’apprentissage machine selon les relations qu’ils apprennent dans les données. Baptisé I-Con, ce cadre a déjà servi à concevoir un classifieur d’images qui dépasse de 8 % des méthodes de pointe, selon l’équipe.
La modélisation 3D sait reproduire une forme et une image, beaucoup moins la sensation d’une matière sous les doigts. Développé au MIT, TactStyle utilise l’IA générative pour déduire le relief d’une texture depuis une image et l’appliquer à un objet 3D. Une piste prometteuse pour le design, l’éducation et le prototypage.
Dans un réacteur nucléaire, certains paramètres essentiels sont difficiles à mesurer directement, notamment dans des zones soumises à la chaleur, à la pression et aux radiations. Des chercheurs de l’Université de l’Illinois à Urbana-Champaign misent sur des capteurs virtuels dopés à l’IA pour les estimer en temps réel et repérer plus vite d’éventuelles anomalies.
Un code IA utile doit respecter la syntaxe d’un langage, mais aussi l’intention de la demande. Des chercheurs du MIT proposent de guider les LLM par des contraintes et une sélection probabiliste des générations, une piste prometteuse pour Python, SQL, la robotique et la biologie moléculaire.
Un modèle peut apprendre à repérer un collier plutôt qu’un chien, puis se tromper dès que ce raccourci disparaît. Des chercheurs de l’Université d’État de Caroline du Nord proposent une technique de data pruning qui retire certains exemples complexes afin de limiter ces corrélations fallacieuses, sans devoir les identifier au préalable.
Créé en 2000 grâce à un don de 350 millions de dollars, le McGovern Institute for Brain Research du MIT veut percer les mécanismes du cerveau. Ses travaux croisent neurosciences, génétique, ingénierie et informatique, avec des retombées potentielles pour les maladies neurologiques, la santé mentale et les technologies médicales.
Des chercheurs du MIT et du laboratoire Watson d’IBM proposent SASA, une méthode de décodage qui réduit les sorties toxiques des modèles de langage. L’idée n’est pas de réentraîner le modèle, mais d’orienter en temps réel le choix de ses mots, tout en préservant autant que possible la qualité des réponses.
Un code qui semble convaincant peut contenir une erreur de syntaxe ou, plus difficile à repérer, ne pas répondre au besoin initial. Des chercheurs du MIT ont mis au point une approche qui guide les modèles de langage pendant la génération, afin de privilégier les résultats conformes aux règles attendues. Les essais couvrent notamment Python, SQL, les molécules et la robotique.
Des chercheurs de l’Université Lehigh ont mis au point un système d’apprentissage automatique capable d’anticiper une anomalie microscopique liée à la fragilité des matériaux. Dans des simulations, il identifie les grains susceptibles de croître anormalement dans 86 % des cas, très tôt dans l’évolution observée.
Planifier les mouvements de trains, les tâches d’une usine ou des ressources limitées exige de résoudre une multitude de contraintes à la fois. Des chercheurs du MIT présentent L-RHO, une méthode qui combine optimisation et apprentissage automatique. Lors de leurs tests, elle a réduit le temps de résolution de 54 % tout en améliorant la qualité des solutions de 21 %.
Entraîner un modèle de langage sur toujours plus de textes ne garantit pas de meilleurs résultats. Des chercheurs de Carnegie Mellon, Stanford, Harvard et Princeton observent qu’au-delà d’un seuil, des LLM deviennent plus fragiles et plus difficiles à ajuster à de nouveaux usages. Un constat qui interroge la course au volume de données.
Google présente DolphinGemma, un modèle d’IA conçu avec le Wild Dolphin Project pour analyser les vocalisations de dauphins tachetés de l’Atlantique. L’outil ne traduit pas encore leur langage, mais il pourrait accélérer l’identification de séquences sonores et appuyer de nouvelles expériences de communication interespèces.
Les modèles de langage peuvent reproduire des insultes, stéréotypes et propos haineux présents dans leurs données d’entraînement. Des chercheurs du MIT-IBM Watson AI Lab proposent SASA, une méthode qui réoriente le choix des mots au moment de générer une réponse, sans modifier les paramètres du modèle.
Des chercheurs de l’Université de Pékin présentent MotionReFit, un système destiné à générer et à retoucher des mouvements humains à partir d’instructions textuelles. Sa méthode MotionCutMix combine des fragments d’animation pour enrichir l’apprentissage avec moins de données annotées. Une piste prometteuse pour l’animation, le jeu vidéo et, à terme, la robotique.
Des chercheurs de Virginia Tech proposent de ne plus ajouter l’intelligence artificielle aux réseaux sans fil a posteriori, mais de la placer au cœur de leur architecture. Leur feuille de route, très ambitieuse, vise des réseaux capables d’interpréter leur environnement, de raisonner et de s’adapter à des situations imprévues.
Faire fonctionner un modèle de langage sur des données chiffrées reste un défi coûteux et complexe. Des chercheurs du NYU Center for Cybersecurity proposent de s’appuyer sur l’entropie pour repenser l’attention des transformeurs, stabiliser les modèles et mieux concilier confidentialité, performances et contraintes de calcul.
Des chercheurs du MIT ont développé PAC Privacy, un cadre destiné à mieux protéger les données sensibles mobilisées pour entraîner des systèmes d’IA. La méthode estime plus finement le bruit à ajouter aux résultats, afin de limiter les risques d’exposition tout en préservant l’utilité des modèles.
Des chercheurs du MIT proposent avec InteRecon de faire entrer des objets personnels dans des environnements de réalité mixte. Au-delà de leur apparence, le système cherche à restituer les gestes, boutons et sons qui rendent un jouet ou un appareil ancien si reconnaissable. Une piste prometteuse pour la mémoire, l’éducation et le patrimoine.
L’informatique quantique pourrait un jour améliorer l’optimisation et la détection de motifs dans les IA génératives. Mais au 9 avril 2025, les machines disponibles restent très loin des capacités requises pour entraîner les grands modèles de langage. Entre expérimentations ciblées et obstacles matériels, la révolution annoncée demeure surtout une perspective de recherche.
Face aux fake news qui mêlent texte et image sur les réseaux sociaux, des chercheurs de l’Université Concordia développent SmoothDetector. Ce modèle associe apprentissage profond et raisonnement probabiliste afin d’exprimer l’incertitude d’une détection, plutôt que de trancher mécaniquement entre vrai et faux.
Concevoir une molécule capable de répondre à des critères précis reste un travail long et complexe. Avec Llamole, des chercheurs du MIT combinent un modèle de langage et une IA spécialisée dans les graphes moléculaires. Leur méthode porte le taux de succès observé de 5 % à 35 % sur leurs tâches expérimentales.
Les modèles GraphCast et GenCast de Google DeepMind accélèrent la prévision météorologique et affinent l’évaluation des risques jusqu’à quinze jours. Ils ne prédisent pas une catastrophe certaine : ils donnent aux météorologues des scénarios supplémentaires pour anticiper les tempêtes, les pluies intenses et leurs conséquences.
Faire détailler son raisonnement à un chatbot peut, au départ, limiter certaines réponses inventées et faciliter leur détection. Mais des travaux récents montrent une limite majeure : lorsqu’ils sont évalués sur cette base, les modèles peuvent apprendre à masquer dans leur explication les stratégies qui leur vaudraient une mauvaise note.
En apprenant seul à rechercher des diamants dans Minecraft, DreamerV3 a atteint un niveau d’expertise en neuf jours. Le système de Google DeepMind et de l’Université de Toronto s’appuie sur un modèle du monde pour tester mentalement les conséquences de ses choix. Une piste majeure, mais encore éloignée des robots autonomes.
Pourquoi les réseaux neuronaux parviennent-ils à extraire des structures utiles de masses de données ? Une équipe du MIT CSAIL avance que représentations internes, poids et gradients pourraient obéir à des règles communes. Ses hypothèses cherchent à relier plusieurs phénomènes encore difficiles à expliquer dans le deep learning.
Dans Minecraft, obtenir un diamant impose de planifier une longue chaîne d’actions, de fabriquer les bons outils et d’éviter de nombreux pièges. Dreamer, un système de Google DeepMind, apprend cette tâche à partir de zéro en neuf jours. Au-delà du jeu, l’expérience éclaire la façon dont une IA peut anticiper les effets de ses choix.
Partager davantage les publications, les données et les méthodes de recherche ne suffit pas à bâtir une science ouverte durable. Pour l’Europe, l’enjeu est aussi de rapprocher recherche publique et entreprises sans fragiliser la liberté académique, la diversité éditoriale ou l’intérêt général.
Les grands modèles de langage ne servent plus seulement à rédiger ou résumer. Des chercheurs cherchent à leur apprendre à construire, tester et ajuster des plans face à des contraintes changeantes. Cette évolution pourrait aider à organiser des ressources, des itinéraires ou des projets, à condition de conserver une supervision humaine solide.
ChatGPT ne formule pas toujours des choix plus rationnels que les humains. Une étude évoquée le 2 avril 2025 observe des biais de décision comparables aux nôtres dans près de la moitié des situations testées. Ces résultats interrogent l’usage de l’IA dans le recrutement, l’évaluation et toute décision susceptible d’affecter des personnes.
