Rubrique
Publications, laboratoires et découvertes : ce que la recherche fait avancer, et ce que l’IA change pour la science. 375 articles
Mis au point au MIT, SySTeC est un compilateur qui aide à éviter des calculs répétitifs dans les simulations et les modèles d’intelligence artificielle. Son idée : exploiter en même temps la sparsité et la symétrie des données. Lors d’expérimentations, les chercheurs ont observé des gains pouvant atteindre 30 fois.
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.
Reconnaître une chaise malgré un changement de couleur, d’éclairage ou de décor paraît banal pour un cerveau. Des données recueillies chez sept macaques montrent que les réseaux de neurones profonds peinent encore à reproduire cette faculté lorsque les images s’écartent de celles utilisées pour leur entraînement.
Des chercheurs du MIT ont conçu un système inspiré du tractus vocal humain pour générer et interpréter des imitations de sons. Bruit de feuilles, sifflement de serpent ou sirène : cette approche pourrait renouveler la création sonore, les interfaces et l’apprentissage des langues, tout en restant confrontée à des limites techniques.
Développé à l’EPFL avec le soutien d’Apple, 4M est un cadre open source pour entraîner des modèles sur plusieurs formes de données. Son approche de masquage massif entend rapprocher texte, images et informations sensorielles, tout en laissant aux chercheurs la possibilité d’adapter l’outil à des usages scientifiques spécialisés.
Le logiciel est une part essentielle de notre patrimoine technique, mais il reste fragile face aux fermetures de plateformes et à l’obsolescence. Lancée par l’Inria, Software Heritage veut l’archiver à grande échelle. Scikit-learn illustre, de son côté, comment le code ouvert peut mettre l’apprentissage automatique à la portée de tous.
Une équipe de Princeton et de l’Institut indien de technologie a mis au point une méthode d’IA pour concevoir des composants de puces destinés aux communications sans fil. Le système produit en quelques heures des structures électromagnétiques complexes, parfois déroutantes pour un ingénieur, mais capables de réunir des fonctions difficiles à obtenir avec les méthodes habituelles.
Des chercheurs de l’Université Columbia et de Northwell Health ont comparé l’activité cérébrale de personnes écoutant des récits aux représentations internes de douze modèles de langage. Leur étude suggère qu’à mesure que ces LLM gagnent en performance, leur manière d’organiser l’information linguistique s’aligne davantage avec celle du cerveau humain.
La conseillère scientifique de la Maison Blanche, Arati Prabhakar, a présenté au MIT sa vision d’une science américaine capable de répondre aux grandes priorités nationales. Recherche fondamentale, transfert vers l’industrie, lutte contre le cancer, transition énergétique et intelligence artificielle sont les piliers de cette stratégie.
Avec HOT3D, Meta Reality Labs met à disposition des chercheurs plus de 833 minutes de séquences 3D centrées sur l’utilisateur. Captées avec les lunettes Project Aria et le casque Quest 3, elles documentent les gestes de 19 personnes manipulant 33 objets, une ressource précieuse pour la robotique et la réalité augmentée.
À la COP16 sur la biodiversité, organisée à Cali en 2024, le MIT a envoyé pour la première fois une délégation structurée de dix personnes. Ses travaux ont mis en avant l’apport de l’intelligence artificielle pour suivre les espèces, mais aussi le rôle décisif des villes et des communautés locales dans la conservation.
Développé par des chercheurs de l’Université de Caroline du Nord à Chapel Hill et de l’Université du Maryland, MyTimeMachine ambitionne de modifier l’âge d’un visage de façon personnalisée. Ce prototype d’IA générative s’appuie sur une série de photos et vise le cinéma, l’édition d’images et, à terme, les avatars.
Longtemps réduite à l’image de l’eau qui frémit dans une casserole, l’ébullition est un enjeu d’ingénierie majeur. Au 2 janvier 2025, les travaux sur les bulles et le transfert de chaleur ouvrent des pistes pour les centrales, le refroidissement des serveurs, le stockage d’énergie et l’exploration spatiale.
Des chercheurs ont mis au point un neurone artificiel fondé sur un laser à points quantiques. Capable de traiter des signaux à 10 GBaud, il reproduit le comportement gradué de certaines cellules nerveuses et vise le calcul par réservoir, une approche de l’IA particulièrement adaptée aux données en temps réel.
Trouver un matériau adapté à une batterie, un semi-conducteur ou un composant électronique exige habituellement de longues mesures et simulations. Des chercheurs de l’IISc et de l’UCL proposent une méthode d’apprentissage par transfert qui permet à une IA de mieux prédire certaines propriétés avec des jeux de données limités.
Des chercheurs du MIT ont conçu SciAgents, un système où plusieurs agents d’intelligence artificielle se répartissent les rôles pour imaginer et critiquer des hypothèses de recherche. Testé à partir d’environ 1 000 publications sur des matériaux biologiques, il vise à accélérer une étape essentielle, mais longue, du travail scientifique.
Des chercheurs de l’université Johns Hopkins ont présenté GenEx, un système capable d’étendre une image fixe en un environnement virtuel explorable. L’outil ne révèle pas ce qui se cache réellement hors champ : il formule des hypothèses visuelles cohérentes, utiles pour la planification, la robotique ou les expériences immersives.
Formuler une hypothèse originale et testable est souvent l’une des étapes les plus exigeantes d’un projet scientifique. Avec SciAgents, des chercheurs du MIT proposent un système où plusieurs agents d’IA explorent des connaissances, construisent une idée, suggèrent des expériences et en discutent les faiblesses. Une aide à la découverte qui ne dispense jamais de validation humaine.
Bien avant les ordinateurs personnels et les assistants conversationnels, Alan Turing a fourni un langage pour penser le calcul, les programmes et l’intelligence des machines. Son rôle dans le décryptage d’Enigma, puis son destin brisé par la persécution, ont fait de lui une figure majeure de la science et de l’histoire sociale britannique.
Neuroscientifique devenue entrepreneuse, Frida Polli est la première boursière innovante en résidence du MIT Schwarzman College of Computing. Pour l’année universitaire 2024-2025, la fondatrice de pymetrics veut réunir recherche comportementale et informatique afin de concevoir des algorithmes réellement pensés pour travailler avec les humains.
Des chercheurs du MIT et de l’Université technique de Munich proposent ContextSSL, une méthode d’auto-supervision conçue pour adapter un modèle à différents contextes sans le réentraîner à chaque fois. Testée en vision par ordinateur et sur des données médicales, elle illustre une piste pour rendre l’IA plus souple et moins dépendante des annotations humaines.
Conçue par des chercheurs de l’université Duke, CREW est une plateforme open source qui transforme des jeux virtuels en expériences sur la collaboration entre personnes et agents d’IA. Elle mesure les retours détaillés des participants, certains signaux physiologiques et des facteurs cognitifs, afin de mieux comprendre ce qui rend une équipe humain-IA efficace.
Les pièges photographiques produisent d’immenses volumes d’images utiles à l’écologie, mais la vision par ordinateur n’en tire pas encore tout le potentiel. Biais dans les données, clichés vides et difficulté à reconnaître des comportements précis freinent l’usage de ces outils pour comprendre et protéger la biodiversité.
Des chercheurs ont associé analyse chimique et intelligence artificielle pour différencier des whiskies américains et écossais. Testé sur seize échantillons avec l’appui d’un panel de onze experts, le système dépasse 90 % de précision pour cette tâche précise. Une piste prometteuse pour le contrôle qualité, sans effacer le rôle des dégustateurs.
Une équipe internationale a utilisé l’apprentissage automatique pour accélérer la découverte d’un composant essentiel des cellules solaires en pérovskite. Sa meilleure cellule atteint 26,2 % de rendement, à seulement 0,5 point du record de 26,7 % cité par les chercheurs. Une démonstration concrète du potentiel de l’IA pour la science des matériaux.
