Sujet
Tous les articles d’Actu.ai consacrés à Apprentissage automatique : actualités, analyses et explications sur ce sujet lié à l’intelligence artificielle. 74 articles
Dans un essaim robotique, le résultat collectif peut masquer les efforts inégaux de ses membres. Une étude publiée dans Science Robotics, menée autour de Clemens Bechinger, propose d’utiliser l’apprentissage automatique et des récompenses contrefactuelles pour mieux attribuer le mérite à chaque microrobot et renforcer la coopération.
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.
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.
Des chercheurs de Carnegie Mellon ont conçu GINN, un modèle qui associe la méthode statistique GARCH à un réseau de neurones à mémoire. Testé sur sept grands indices boursiers, il affiche une amélioration de 5 % par rapport au seul GARCH. Une piste prometteuse pour mieux évaluer le risque, sans prédire à elle seule les cours.
Deux chercheurs des universités de Leeds et de Londres proposent une approche zéro-shot pour la locomotion des robots quadrupèdes. Leur système sélectionne des démarches inspirées des animaux, comme le trot, la course ou le saut, afin de s’adapter à des terrains variés sans entraînement spécifique sur chaque nouvel environnement.
Des chercheurs du MIT montrent qu’il est possible de cibler certaines données d’entraînement qui pénalisent les groupes sous-représentés. Leur méthode, fondée sur l’outil TRAK, évite le nettoyage massif des jeux de données et vise à préserver, voire à renforcer, la précision du modèle.
Des chercheurs de la Tokyo University of Science ont conçu une méthode pour amener un modèle d’IA à oublier certaines catégories d’images, sans examiner son fonctionnement interne. Testée sur CLIP, cette approche dite « black-box forgetting » pourrait aider à adapter des modèles généralistes aux contraintes de la vie privée, de l’énergie et des usages spécialisés.
Une équipe menée par le Lawrence Berkeley National Laboratory a employé l’apprentissage automatique pour explorer près de 50 000 structures de polymères. Trois candidats ont été synthétisés et testés pour des condensateurs en film, dont l’un associe résistance thermique, isolation électrique, densité d’énergie et efficacité à un niveau record.
L’apprentissage automatique s’invite dans les diagnostics, l’imagerie médicale, la prévention et l’organisation des hôpitaux. Il peut aider les soignants à repérer des signaux utiles dans de vastes volumes de données, à condition d’être évalué avec rigueur et de ne pas reproduire les inégalités déjà présentes dans le système de santé.
Des chercheurs du NIST ont mis au point un algorithme capable de reconnaître le bruit produit par une batterie lithium-ion sous pression. Lors de leurs essais, le signal apparaît environ deux minutes avant une défaillance catastrophique et l’IA l’identifie dans 94 % des cas.
Comprendre quels gènes agissent sur quels autres est une question centrale de la biologie moderne. Des chercheurs du MIT proposent un cadre théorique et un algorithme d’apprentissage automatique pour reconstruire ces relations à partir de données d’observation, sans multiplier d’emblée les expériences en laboratoire.
À partir de 100 échantillons accumulés en onze ans, une équipe japonaise a entraîné des modèles pour guider la conception d’électrodes sodium-ion. Leur méthode, complétée par une optimisation bayésienne, a désigné une composition d’oxyde de sodium ensuite testée expérimentalement. Une démonstration concrète de l’IA au service de la science des matériaux.
L’intelligence artificielle est déjà présente dans les téléphones, les services en ligne, les hôpitaux et les entreprises. Mais que fait réellement une IA, comment apprend-elle et pourquoi suscite-t-elle autant d’espoirs que d’inquiétudes ? Ce guide revient sur son histoire, ses applications concrètes et les règles nécessaires à son déploiement.
Une équipe universitaire taïwanaise propose un modèle de détection des fausses informations qui ne s’arrête pas au texte. En combinant l’analyse d’articles et de leurs images, cette approche multimodale atteint jusqu’à 90 % de précision sur deux jeux de données de référence, mais doit encore être confrontée aux contenus du web réel.
Une équipe de l’UNIST et de l’Université nationale de Séoul a conçu un capteur tactile optique qui distingue pression verticale et frottement à partir d’une image. Sensible jusqu’à 0,05 N et rapide, il pourrait enrichir l’analyse de l’écriture, la lecture du braille et certaines formes de biométrie.
Plutôt que d’entraîner chaque robot séparément pour chaque tâche, des chercheurs du MIT proposent de mutualiser des données très diverses. Leur architecture HPT transforme ces informations en un langage commun et améliore de plus de 20 % les performances observées, en simulation comme sur des robots réels.
Le prix Nobel de physique 2024 distingue Geoffrey Hinton et John Hopfield pour des travaux qui ont contribué à l’essor de l’apprentissage automatique. Cette reconnaissance remet aussi au premier plan les alertes de Hinton sur les risques de l’IA et l’urgence d’une gouvernance adaptée.
Le prix Nobel de physique 2024 distingue John Hopfield et Geoffrey Hinton, deux chercheurs dont les idées ont aidé à bâtir l’apprentissage automatique moderne. Leurs travaux relient la physique statistique aux réseaux neuronaux, bien avant l’essor des assistants génératifs et de la reconnaissance d’images.
Le prix Nobel de physique 2024 distingue John Hopfield et Geoffrey Hinton pour des idées issues de la physique statistique qui ont transformé les réseaux de neurones artificiels. Leurs modèles ne sont pas les IA génératives actuelles, mais ils ont fourni des concepts essentiels pour apprendre à partir de données complexes.
Le Prix Nobel de physique 2024 distingue John Hopfield et Geoffrey Hinton pour des travaux fondateurs sur les réseaux neuronaux artificiels. Leurs modèles, inspirés de la physique statistique, ont contribué à rendre possible l’apprentissage automatique qui irrigue aujourd’hui la reconnaissance d’images, la traduction et de nombreux outils d’IA.
Le Prix Nobel de physique 2024 distingue John J. Hopfield et Geoffrey E. Hinton pour des découvertes fondatrices des réseaux de neurones artificiels. Leur récompense rappelle que l’essor actuel de l’intelligence artificielle doit beaucoup à des idées venues de la physique statistique, élaborées bien avant les assistants conversationnels et l’IA générative.
Le Prix Nobel de physique 2024 distingue John Hopfield et Geoffrey Hinton pour des découvertes qui ont rendu possible l’apprentissage automatique par réseaux de neurones. Leurs modèles, inspirés de la physique statistique, ont jeté des bases théoriques essentielles à l’essor de l’intelligence artificielle moderne.
Plutôt que de multiplier aveuglément les calculs, l’échantillonnage intelligent aide les simulations à se concentrer sur les scénarios les plus informatifs. Associée à l’apprentissage automatique, cette approche promet des modèles plus rapides et plus précis, à condition de disposer de données fiables et de méthodes de validation rigoureuses.
Pour agir seuls dans un entrepôt, un logement ou un site industriel, les robots doivent d’abord comprendre l’espace qui les entoure. Une méthode combinant cartographie par laser, reconnaissance d’objets et apprentissage automatique vise à leur permettre de mieux explorer, décider et accomplir plusieurs tâches.
