Sujet
Tous les articles d’Actu.ai sur le sujet « Réseaux neuronaux », du plus récent au plus ancien. 17 articles
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.
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.
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.
Les grands systèmes d’intelligence artificielle sont capables de rédiger, traduire ou analyser des images, mais leur logique interne demeure difficile à interpréter. Des chercheurs tentent de cartographier leurs neurones artificiels et d’évaluer la fiabilité de leurs réponses, un enjeu crucial pour mieux contrôler ces outils.
Des chercheurs du MIT CSAIL ont conçu Neural Jacobian Fields, ou NJF, un système qui apprend à un robot comment son corps réagit à ses commandes en l’observant. Cette approche pourrait simplifier le contrôle de robots souples, rigides ou aux formes inhabituelles, sans multiplier les capteurs embarqués.
Une équipe de l’Université de Bâle propose une analogie étonnante pour étudier l’apprentissage profond : une règle pliable dont chaque segment représente une couche neuronale. Ses mouvements permettent de visualiser pourquoi les données ne sont pas toujours transformées de façon égale à chaque étape d’un réseau d’IA.
Les modèles de langage ne comprennent pas les phrases d’un seul coup. Une étude théorique montre qu’un réseau neuronal peut d’abord s’appuyer sur la place des mots, puis basculer brutalement vers leur sens lorsqu’il reçoit assez de données. Un résultat qui éclaire les mécanismes de l’attention au cœur des IA génératives.
Des chercheurs d’Osnabrück et de la Freie Universität Berlin proposent des réseaux neuronaux organisés comme une surface corticale. Baptisés All-TNNs, ces modèles cherchent à reproduire plus fidèlement que les CNN classiques la manière dont le cerveau distribue les préférences visuelles dans l’espace.
Avant de s’attaquer à des décisions sophistiquées, une IA gagnerait à apprendre les fondamentaux. Une étude de l’Université de New York, publiée dans Nature Machine Intelligence, s’appuie sur des expériences animales et des réseaux de neurones récurrents pour défendre cette progression par étapes.
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.
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 les usines, l’analyse vidéo par réseaux neuronaux peut repérer une anomalie visible, suivre une opération et alerter plus vite les équipes. Cette vision par ordinateur promet des contrôles plus continus et une meilleure anticipation des arrêts, à condition de l’intégrer à des données fiables et à des règles claires.
Pour alléger la facture énergétique de l’intelligence artificielle, des chercheurs de l’Université Tsinghua ont conçu une architecture mêlant calcul analogique et numérique. Testée sur des réseaux neuronaux, elle atteint une efficacité énergétique mesurée jusqu’à 39,2 fois supérieure à celle de multiplicateurs FP-32 standard, tout en visant des tâches exigeantes comme la détection d’objets.
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.
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 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.
