Les chercheurs chinois réalisent une percée dans la création de « vrais scientifiques IA »
- Des chercheurs chinois ont mis au point un cadre d'IA révolutionnaire qui combine les connaissances antérieures avec les données pour créer des modèles d'apprentissage automatique plus précis et mieux informés.
- Cette approche innovante vise à transformer les modèles d'IA en « véritables scientifiques IA » capables d'améliorer les expériences et de résoudre des problèmes scientifiques, afin de pallier les limites des modèles existants.
- Les applications à court terme de l'équipe incluent l'optimisation des modèles pour résoudre des équations et prédire les résultats d'expériences chimiques, avec un objectif futur permettant à l'IA d'identifier ses propres connaissances sans intervention humaine.
Récemment, des chercheurs chinois de l’Université de Pékin et de l’Institut de technologie de l’Est (EIT) ont dévoilé un cadre révolutionnaire conçu pour entraîner des modèles d’apprentissage automatique avec des connaissances préalables, une rupture avec l’approche conventionnelle basée uniquement sur les données. Les chercheurs soulignent l’impact transformateur des modèles d’apprentissage profond sur la recherche scientifique, en mettant l’accent sur leur capacité à extraire des relations significatives à partir de vastes ensembles de données. Le cadre répond aux limites des modèles existants, tels que Sora d’OpenAI, qui a du mal à simuler certaines interactions du monde réel avec précision en raison d’un manque de compréhension des lois physiques comme la gravité.
Les modèles d'apprentissage profond, réputés pour avoir révolutionné la recherche scientifique, reposent principalement sur des données massives pour l'entraînement plutôt que sur l'intégration de connaissances préalables telles que les lois physiques ou la logique mathématique. Cependant, des chercheurs de l'Université de Pékin et de l'Institut de technologie de l'Est proposent un changement de paradigme. L'équipe suggère que combiner les données avec des connaissances préalables lors de l'entraînement pourrait aboutir à des modèles d'apprentissage automatique plus précis et mieux informés.
Le défi réside dans la détermination des aspects des connaissances préalables, y compris les relations fonctionnelles, les équations et la logique, qui doivent être intégrés pour faciliter un pré-apprentissage optimal sans provoquer d'effondrement du modèle. Le professeur Chen Yuntian souligne que submerger les modèles avec un volume élevé de connaissances et de règles conduit souvent à des difficultés ou à des échecs dans les modèles actuels d'apprentissage automatique informé.
Un cadre d'évaluation de l'importance des règles
Pour surmonter ce défi, les chercheurs ont développé un cadre qui évalue la valeur des règles et détermine les combinaisons optimales qui améliorent la capacité prédictive des modèles d'apprentissage profond. Xu Hao, premier auteur et chercheur à l'Université de Pékin, explique que leur cadre calcule l'« importance des règles » en analysant l'impact de règles spécifiques ou de leurs combinaisons sur la précision prédictive d'un modèle.
Cette approche vise à équilibrer l'influence des données et des connaissances, améliorant ainsi l'efficacité et les capacités d'inférence des modèles d'apprentissage profond. L'équipe envisage que l'intégration des connaissances humaines dans les modèles d'IA pourrait considérablement améliorer leur pertinence dans le monde réel, les rendant plus applicables dans les domaines scientifiques et ingénieriaux.
Les chercheurs ont testé leur cadre en optimisant un modèle pour résoudre des équations multivariées et un autre pour prédire les résultats d'une expérience chimique. Chen suggère qu'à court terme, ce cadre trouvera ses applications les plus utiles dans les modèles scientifiques où la cohérence avec les règles physiques est vitale pour éviter des conséquences néfastes potentielles.
Malgré des résultats prometteurs, l'équipe reconnaît un défi. À mesure que davantage de données sont ajoutées à un modèle, les règles générales deviennent plus significatives que les règles locales spécifiques. Cependant, cette observation n'apporte pas d'avantages significatifs dans des domaines comme la biologie et la chimie, où les règles générales font souvent défaut.
Vers des scientifiques IA autonomes
À l'avenir, l'équipe de recherche aspire à faire évoluer son cadre davantage, permettant à l'IA d'identifier ses propres connaissances et règles directement à partir des données, sans intervention humaine. L'objectif ultime est de créer une boucle fermée, transformant le modèle en un véritable scientifique IA. Chen envisage ce développement comme une étape majeure vers l'autonomie de l'IA, et l'équipe travaille activement sur un outil plugin open-source pour les développeurs d'IA afin de faciliter cette transition.
Si vous lisez ceci, vous êtes déjà en avance. Restez ainsi grâce à notre newsletter.
Avertissement. Les informations fournies ne constituent pas des conseils en matière d'investissement. Cryptopolitan.com ne saurait être tenue responsable des investissements réalisés sur la base des informations fournies sur cette page. Nous recommandons vivement de mener vos propres recherches et/ou de consulter un professionnel qualifié avant de prendre toute décision d'investissement.
Brenda Kanana
Brenda possède plus de 4 ans d'expérience spécialisée en cryptomonnaies, intelligence artificielle et technologies émergentes. Elle a travaillé chez Zycrypto, Blockchain Reporter et The Coin Republic, et fait désormais de Cryptopolitan son foyer. Son diplôme en sociologie de l'Université technique de Mombasa lui permet de rester alignée avec les préoccupations de ses lecteurs.
