Des chercheurs chinois sur le point de créer de « vrais scientifiques en IA »

Les chercheurs chinois sont sur le point d'adopter une approche révolutionnaire pour développer des « scientifiques en intelligence artificielle (IA) » capables de mener des expériences et de résoudre des problèmes scientifiques. Les progrès récents dans les modèles d’apprentissage profond ont révolutionné la recherche scientifique, mais les modèles actuels ont encore du mal à imiter avec précision les interactions physiques du monde réel.

Cependant, une équipe de chercheurs de l'Université de Pékin et de l'Oriental Institute of Technology (EIT) en Chine a développé un nouveau cadre pour former des modèles d'apprentissage automatique basés sur des connaissances antérieures, telles que les lois de la physique ou la logique mathématique, ainsi que sur des données.

South China Morning Post rapporte qu'une telle approche pourrait conduire à la création de « vrais scientifiques dotés d'intelligence artificielle » capables d'améliorer les expériences et de résoudre des problèmes scientifiques. Les modèles d’apprentissage profond ont considérablement influencé la recherche scientifique en révélant des relations dans de vastes ensembles de données. Malgré ces progrès, les modèles actuels tels que Sora d'OpenAI sont confrontés à des limites dans la simulation précise de certaines interactions physiques dans le monde réel.

Par exemple, Sora, un modèle de conversion texte-vidéo, a gagné en popularité grâce à sa représentation améliorée et réaliste des objets. Cependant, il ne peut pas modéliser avec précision les interactions de base, par exemple la direction dans laquelle se déplace la flamme des bougies sur le gâteau des fêtes.

Les chercheurs suggèrent d’incorporer des « connaissances préalables », telles que les lois de la physique ou la logique mathématique, ainsi que des données pour former des modèles d’apprentissage automatique plus précis.

L’intégration des connaissances humaines dans les modèles d’IA peut accroître leur efficacité et leur capacité prédictive. Pour résoudre ce problème, l'équipe a développé un cadre permettant d'évaluer la valeur des connaissances antérieures et de déterminer leur impact sur la précision du modèle. Leur cadre vise à évaluer la valeur des connaissances à l'aide de règles dérivées, en tenant compte de facteurs tels que le volume de données et la plage d'évaluation. En menant des expériences quantitatives, les chercheurs cherchent à élucider la relation complexe entre les données et les connaissances antérieures, y compris les effets de dépendance, de synergie et de substitution.

Ce système de diagnostic de modèle peut être appliqué à diverses architectures de réseau, offrant une compréhension complète du rôle des connaissances préalables dans les modèles d'apprentissage en profondeur.

Les chercheurs ont testé leur cadre sur des modèles permettant de résoudre des équations multidimensionnelles et de prédire les résultats d'expériences chimiques. Ils ont constaté que l'intégration de connaissances antérieures améliorait considérablement les performances de ces modèles, en particulier dans les domaines scientifiques où la cohérence avec les lois physiques est essentielle pour éviter des résultats potentiellement catastrophiques. À long terme, l’équipe vise à développer des modèles d’IA capables d’identifier et d’appliquer de manière indépendante les connaissances pertinentes sans intervention humaine.

Cependant, ils reconnaissent qu’à mesure que la quantité de données dans le modèle augmente, des problèmes tels que la prédominance des règles générales sur les règles locales spécifiques peuvent surgir, en particulier dans des domaines tels que la biologie et la chimie, où les règles générales peuvent faire défaut.

Lisez aussi:

•  Le véhicule blindé Cockerill iX a reçu l'IA pour lutter efficacement contre les drones
• Qu’est-ce qu’AMD XDNA ? L'architecture qui alimente l'IA sur les processeurs Ryzen