1. Probl\u00e8mes de pr\u00e9diction complexes<\/h2>\n\n\n\n
L’ utilisation la plus courante de l’ IA dans le domaine scientifique consiste \u00e0 r\u00e9soudre des probl\u00e8mes complexes de pr\u00e9diction, c’ est-\u00e0-dire \u00e0 mettre en correspondance des donn\u00e9es d’ entr\u00e9e connues avec des donn\u00e9es de sortie \u00e0 pr\u00e9dire. L’ IA intervient typiquement pour la r\u00e9solution de probl\u00e8mes physiques pour lesquels la mod\u00e9lisation directe des \u00e9quations r\u00e9gissant les ph\u00e9nom\u00e8nes est trop complexe.<\/p>\n\n\n\n
Deux magnifiques examples de cette approche nous sont donn\u00e9es par la soci\u00e9t\u00e9 Google Deepmind<\/em> \u00e0 travers la pr\u00e9diction de la structure tridimensionnelle des prot\u00e9ines \u00e0 partir de la s\u00e9quence d’ ARN codante (AlphaFold 3<\/em>), et la pr\u00e9diction de nouvelles structures cristallines (GnoME<\/em>). Les applications possibles de ces deux applications sont \u00e9normes, et je vais les d\u00e9crire succinctement.<\/p>\n\n\n\n Le mod\u00e8le IA appel\u00e9 Graph Networks for Materials Exploration<\/em> (GNoME) est con\u00e7u pour pr\u00e9dire les structures cristallines inorganiques, qui sont des arrangements r\u00e9p\u00e9titifs d’ atomes conf\u00e9rant aux mat\u00e9riaux des propri\u00e9t\u00e9s particuli\u00e8res – par exemple, la sym\u00e9trie hexgonale d’ un flocon de neige est le r\u00e9sultat de la structure cristalline de la glace.<\/p>\n\n\n Jusqu’ \u00e0 pr\u00e9sent, nous ne connaissions qu’ environ 48 000 cristaux inorganiques possibles. GNoME a fait passer ce chiffre \u00e0 plus de 2 millions, et bien que certaines de ces nouvelles structures puissent se d\u00e9composer en formes plus stables ou \u00eatre impossibles \u00e0 cr\u00e9er, plus de 700 de ces pr\u00e9dictions ont d\u00e9j\u00e0 \u00e9t\u00e9 r\u00e9alis\u00e9es ind\u00e9pendamment en laboratoire. Il s’ agit notamment d’ un cristal de lithium et de magn\u00e9sium semblable \u00e0 un diamant, qui pourrait \u00eatre utilis\u00e9 dans des lasers de grande puissance, et d’ un supraconducteur de molybd\u00e8ne \u00e0 basse temp\u00e9rature.<\/p>\n\n\n\n Les chercheurs de Deepmind<\/em> ont maintenant mis \u00e0 la disposition de la communaut\u00e9 acad\u00e9mique l’ ensemble des donn\u00e9es relatives aux structures cristallines pr\u00e9dites. Cela va acc\u00e9l\u00e9rer la d\u00e9couverte de nouveaux mat\u00e9riaux et c’ est l\u00e0 tout l’ int\u00e9r\u00eat : par rapport \u00e0 ce que contenaient les bases de donn\u00e9es auparavant, il est possible d’augmenter la taille des donn\u00e9es d’ un ordre de grandeur.<\/p>\n\n\n\n Ces nouvelles structures cristallines pourraient contribuer \u00e0 r\u00e9volutionner la science des mat\u00e9riaux, en offrant de nouveaux moyens de fabriquer de meilleures batteries, de meilleurs panneaux solaires, de meilleures puces \u00e9lectroniques et bien d’ autres technologies vitales. \u00ab\u00a0Chaque fois que quelqu’ un veut am\u00e9liorer sa technologie, cela passe in\u00e9vitablement par l’ am\u00e9lioration des mat\u00e9riaux\u00a0\u00bb, explique Ekin Dogus Cubuk de DeepMind. \u00ab\u00a0Nous voulions simplement qu’ ils aient plus d’ options.\u00a0\u00bb<\/p>\n\n\n\n Alphafold 3<\/em>, \u00e9galement fruit des recherches de Google Deepmind, est une prouesse comparable dans le domaine des structures organiques : il s’ agit cette fois de pr\u00e9dire la forme tridimensionnelle des prot\u00e9ines en fonction de leur structure codante encod\u00e9e sur un g\u00e8ne de l’ ADN qui est transform\u00e9 en message envoy\u00e9 au ribosome (via un ARN messager). Le ribosome, qui fait partie de la machinerie cellulaire, construit ensuite la prot\u00e9ine en enfilant une s\u00e9rie d’ acides amin\u00e9s sur une longue cha\u00eene, et c’ est l’ ARN messager qui d\u00e9crit la s\u00e9quence des acides amin\u00e9s dans la cha\u00eene. Le probl\u00e8me est que la prot\u00e9ine se replie ensuite en trois dimensions et c’ est cette forme qui d\u00e9termine son r\u00f4le biologique. Or, le m\u00e9canisme de repliement fait intervenir des interactions trop complexes pour \u00eatre mod\u00e9lis\u00e9es directement. La r\u00e9solution de ce probl\u00e8me de repliement des prot\u00e9ines faisait l’ objet de recherches acharn\u00e9es depuis plus d’ un demi-si\u00e8cle.<\/p>\n\n\n C’ est pr\u00e9cis\u00e9ment ce que fait Alphafold 3, qui peut non seulement pr\u00e9dire la structure d’ une prot\u00e9ine \u00e0 partir de la s\u00e9quence codante d’ ARN messager, mais \u00e9galement l’ interaction de cette derni\u00e8re avec d’ autres mol\u00e9cules, ce qui constitue un outil incroyablement pr\u00e9cieux pour la recherche de nouveaux m\u00e9dicaments ou vaccins… et, ici encore, les chercheurs de Deepmind on choisi de publier une base de donn\u00e9es<\/a> de 200 millions de structures tridimensionnelles de prot\u00e9ines pr\u00e9dites par Alphafold 3.<\/p>\n\n\n\n Alphafold 3 est tellement fascinant que je pense bien y consacrer un prochain article…<\/p>\n\n\n\n Une seconde application est le param\u00e9trage optimal de syst\u00e8mes complexes. Dans ce cas, des techniques telles que l’ apprentissage par renforcement peuvent \u00eatre utilis\u00e9es pour rechercher l’ ensemble optimal de param\u00e8tres qui maximisent ou minimisent une fonction objective sp\u00e9cifique ou produisent un r\u00e9sultat souhait\u00e9.<\/p>\n\n\n\n Quelle est la diff\u00e9rence avec le point pr\u00e9c\u00e9dent ? Eh bien dans le cas pr\u00e9c\u00e9dent on partait d’ une cause (un ARN messager) pour en pr\u00e9dire la cons\u00e9quence (la structure d’ une prot\u00e9ine). Ici, nous faisons le contraire : nous partons d’ un r\u00e9sultat d\u00e9sir\u00e9 pour essayer d’ identifier une configuration de param\u00e8tres d’ entr\u00e9e qui pourrait mener \u00e0 ce r\u00e9sultat. Comme les algorithmes d’ IA pr\u00e9dictive travaillent sur base de corr\u00e9lation et non de causation, ils peuvent travailler indiff\u00e9remment dans les deux sens, contrairement aux lois de la Physique qui sont de nature causale et donc unidirectionnelle. Le prix \u00e0 payer pour un lien corr\u00e9latif est l’ absence d’ explication, mais dans certains cas c’ est le r\u00e9sultat qui importe et non sa justification.<\/p>\n\n\n\n Un exemple r\u00e9cent concerne les tokamaks, ces r\u00e9acteurs prototypes pour la fusion nucl\u00e9aire. L’ IA a permis aux scientifiques de mod\u00e9liser et de maintenir un plasma \u00e0 haute temp\u00e9rature \u00e0 l’ int\u00e9rieur de la cuve du tokamak, un probl\u00e8me qui s’ \u00e9tait av\u00e9r\u00e9 tr\u00e8s difficile \u00e0 r\u00e9soudre jusqu’ \u00e0 pr\u00e9sent: le plasma est contr\u00f4l\u00e9 \u00e0 travers une s\u00e9rie de bobines g\u00e9n\u00e9rant des champs magn\u00e9tiques qui doivent \u00eatre r\u00e9gl\u00e9s avec grande pr\u00e9cision \u00e0 tout instant si l’ on veut maintenir la stabilit\u00e9 du plasma. Le probl\u00e8me est si complexe \u00e0 r\u00e9soudre que les physiciens comparent cela \u00e0 maintenir la forme d’une boule de \u00ab\u00a0slime\u00a0\u00bb (le plasma) avec des \u00e9lastiques (les champs magn\u00e9tiques)…<\/p>\n\n\n Lors d’exp\u00e9riences men\u00e9es au DIII-D National Fusion Facility de San Diego, des chercheurs am\u00e9ricains ont r\u00e9cemment d\u00e9montr\u00e9 que leur mod\u00e8le, form\u00e9 uniquement \u00e0 partir de donn\u00e9es exp\u00e9rimentales ant\u00e9rieures, pouvait pr\u00e9voir jusqu’ \u00e0 300 millisecondes \u00e0 l’ avance les instabilit\u00e9s potentielles du plasma. Ce d\u00e9lai s’ av\u00e8re suffisant pour modifier certains param\u00e8tres de fonctionnement afin d’ \u00e9viter une d\u00e9chirure dans les lignes de champ magn\u00e9tique du plasma, perturbant son \u00e9quilibre et ouvrant la porte \u00e0 une fuite qui mettrait fin \u00e0 la r\u00e9action.<\/p>\n\n\n\n Cette recherche ouvre la voie \u00e0 un contr\u00f4le plus dynamique de la r\u00e9action de fusion que les approches actuelles et jette les bases de l’ utilisation de l’ intelligence artificielle pour r\u00e9soudre un large \u00e9ventail d’ instabilit\u00e9s du plasma, qui constituent depuis longtemps des obstacles \u00e0 l’ obtention d’une r\u00e9action de fusion durable. L’ IA pourrait donc aider \u00e0 lever un obstacle majeur dans le d\u00e9veloppement de la fusion nucl\u00e9aire en tant que source d’ \u00e9nergie non polluante et virtuellement illimit\u00e9e…<\/p>\n\n\n\n Une autre application essentielle de l’ IA est l’ automatisation du processus d’ examen de la litt\u00e9rature acad\u00e9mique, qui peut \u00eatre facilit\u00e9e par des moteurs de recherche puissants bas\u00e9s sur les mod\u00e8les de langage. Des plateformes telles qu’ Elicit<\/a> et Perplexity<\/a> fonctionnent gr\u00e2ce \u00e0 une interface de type chatbot, permettant aux chercheurs d’ interagir dynamiquement avec la machine.<\/p>\n\n\n\n Le chercheur peut entamer une conversation pour rechercher des informations sur des recherches ant\u00e9rieures dans un certain domaine et recevoir un r\u00e9sum\u00e9 des informations-cl\u00e9s sur ce domaine. Les outils les plus r\u00e9cents peuvent m\u00eame se souvenir du contexte de la conversation, ce qui am\u00e9liore la qualit\u00e9 de l’ \u00e9change entre l’ utilisateur et la machine.<\/p>\n\n\n\n Toujours dans le contexte de l’ analyse de la litt\u00e9rature universitaire, une application int\u00e9ressante est la d\u00e9couverte<\/em> bas\u00e9e sur la litt\u00e9rature, o\u00f9 l’ IA peut d\u00e9couvrir des associations implicites et cach\u00e9es \u00e0 partir d’ \u00e9tudes existantes, ce qui donne lieu \u00e0 des hypoth\u00e8ses int\u00e9ressantes, surprenantes et non triviales qui valent la peine d’ \u00eatre \u00e9tudi\u00e9es plus avant par les chercheurs.<\/p>\n\n\n\n Rappelons que les mod\u00e8les de langage fonctionnent sur une base de cr\u00e9ation de la s\u00e9quence linguistique la plus plausible. Ce m\u00e9canisme peut \u00eatre source de cr\u00e9ativit\u00e9 en combinant des concepts d\u00e9velopp\u00e9s s\u00e9par\u00e9ment dans la litt\u00e9rature, en identifiant des lacunes dans la litt\u00e9rature ou encore en proposant des variations originales dans les exp\u00e9riences existantes.<\/p>\n\n\n\n Afin d’illustrer ce propos, je voudrais reprendre une citation du Prof. Terence Tao, Professeur de Math\u00e9matiques \u00e0 l’ UCLA et un des plus brillants math\u00e9maticiens vivant \u00e0 ce jour :<\/p>\n\n\n\n L’ IA de niveau 2023 peut d\u00e9j\u00e0 donner des indications suggestives et des pistes prometteuses \u00e0 un math\u00e9maticien en activit\u00e9 et participer activement au processus de prise de d\u00e9cision. Lorsqu’ elle sera int\u00e9gr\u00e9e \u00e0 des outils tels que les v\u00e9rificateurs de preuves formelles, la recherche sur Internet et les progiciels de math\u00e9matiques symboliques, je m’attends \u00e0 ce que l’IA de niveau 2026, si elle est utilis\u00e9e correctement, soit un co-auteur digne de confiance dans la recherche math\u00e9matique, et dans de nombreux autres domaines \u00e9galement.<\/em><\/p>Terence Tao, Professeur de Math\u00e9matiques \u00e0 UCLA<\/cite><\/blockquote><\/figure>\n\n\n\n Voil\u00e0. Je sais qu’ on entend souvent parler de l’ Intelligence Artificielle avec une connotation n\u00e9gative : pertes d’ emploi, risque de perte de contr\u00f4le, d\u00e9sinformation… mais cette perception pessimiste ne doit pas faire oublier l’ immense potentiel transformateur de cette technologie. Mon article pr\u00e9c\u00e9dent parlait d’ \u00e9ducation, et cet article a parl\u00e9 de recherche scientifique. Ces deux domaines sont notre plus grande promesse pour des lendemains meilleurs.<\/p>\n\n\n\n Il est parfois bon de rappeler que le verre \u00e0 moiti\u00e9 vide est aussi \u00e0 moiti\u00e9 plein.<\/p>\n\n\n\n L’article explore l’impact de l’IA sur la recherche scientifique, mettant en lumi\u00e8re ses applications pr\u00e9dictives, de param\u00e9trisation des syst\u00e8mes complexes et d’exploration bibliographique. Ces avanc\u00e9es promettent des progr\u00e8s significatifs dans divers domaines scientifiques.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3,7],"tags":[],"class_list":["post-1361","post","type-post","status-publish","format-standard","hentry","category-applications","category-generalites","post-preview"],"_links":{"self":[{"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/posts\/1361","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/comments?post=1361"}],"version-history":[{"count":0,"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/posts\/1361\/revisions"}],"wp:attachment":[{"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/media?parent=1361"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/categories?post=1361"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/tags?post=1361"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"\"](\"https:\/\/artificiellementintelligent.wordpress.com\/wp-content\/uploads\/2024\/06\/image-20240616a.webp\")
![\"\"](\"https:\/\/artificiellementintelligent.wordpress.com\/wp-content\/uploads\/2024\/06\/image-20240616b.webp\")
2. la param\u00e9trisation des syst\u00e8mes complexes<\/h2>\n\n\n\n
![\"\"](\"https:\/\/artificiellementintelligent.wordpress.com\/wp-content\/uploads\/2024\/06\/image-20240616c.png\")
3. L’ IA pour la recherche et la d\u00e9couverte bibliographiques<\/h2>\n\n\n\n
Conclusion<\/h2>\n\n\n\n
Sources et r\u00e9f\u00e9rences<\/h2>\n\n\n\n
\n
<\/li>\n\n\n\n
<\/li>\n\n\n\n
<\/li>\n\n\n\n