L'IA face aux grands problèmes du monde
Les sciences et le savoir avancés par l'IA, par discipline
Actualités de l'IA utilisée pour résoudre des problèmes difficiles — en mathématiques, physique, fusion nucléaire, science quantique, sciences du vivant, médecine, climat et sciences humaines — collectées toutes les 3 heures à partir des flux RSS et des communiqués de presse d'universités, d'instituts de recherche, de laboratoires d'IA, de revues et d'arXiv. Jev ne retient que les articles présentant un véritable résultat scientifique et les classe par discipline ; les résumés sont rédigés uniquement à partir du début de chaque source — consultez l'original pour les détails.
Flux RSS · 58 éléments
Un cadre d'apprentissage profond hiérarchique interprétable pour la détection du cancer du poumon et du côlon
Titre original: An interpretable hierarchical deep learning framework for lung and colon cancer detection
La classification du cancer du poumon et du côlon à partir d'images histopathologiques est difficile, car les classes se ressemblent et la morphologie tissulaire varie, et les modèles d'apprentissage profond conventionnels offrent peu de transparence. Les auteurs découpent la tâche à cinq classes en étapes allant du grossier au fin : d'abord tissu normal ou cancer, puis un classifieur spécialisé pour les catégories de tissu normal ou les sous-types de cancer, avec la meilleure architecture choisie pour chaque étape. Le cadre a atteint une exactitude de 98.50% sur LC25000 et de 82.01% sur le jeu de données indépendant LungHist700, et Grad-CAM, Grad-CAM++, LIME et Occlusion Sensitivity ont été utilisés pour mettre en évidence les régions de l'image à l'origine de ses prédictions.
Prédiction par intelligence artificielle du carcinome hépatocellulaire chez les personnes sans infection par le VHB ou le VHC à l'ère de la MASLD
Titre original: Artificial intelligence-based prediction of hepatocellular carcinoma in individuals without HBV or HCV infection in the MASLD era
Les recommandations actuelles de surveillance du cancer du foie (CHC) ciblent principalement les personnes atteintes de cirrhose ou d'hépatite virale. Les chercheurs ont construit un modèle d'IA pour prédire le risque de CHC chez les personnes sans hépatite virale, à partir de données de 7.96 millions d'adultes sud-coréens ayant passé un bilan de santé. Parmi douze modèles comparés, MHA_DNN a obtenu les meilleures performances et a conservé une précision constante dans une cohorte de validation indépendante. L'indice de stéatose hépatique et les triglycérides étaient les prédicteurs les plus influents, ce qui suggère un soutien à une surveillance personnalisée fondée sur le métabolisme.
Un cadre d'apprentissage profond multitâche pour la prédiction automatisée de l'état de santé à partir d'images de fond d'œil rétiniennes, utilisant une attention hybride et une IA explicable
Titre original: A multi task deep learning framework for automated health condition prediction from retinal fundus images using hybrid attention and explainable AI
Les modèles d'apprentissage profond existants pour les images de fond d'œil rétiniennes ne gèrent qu'une seule tâche, offrent une interprétabilité limitée et peinent à s'adapter aux variations entre jeux de données. Les auteurs proposent un réseau multitâche qui classe la gravité de la rétinopathie diabétique, le glaucome, le stade de la DMLA et le risque cardiovasculaire à partir d'une seule image en une seule passe avant, avec des explications Grad-CAM. Il a atteint une précision de 94.7 % et une AUC de 0.978 sur quatre jeux de données, surpassant statistiquement tous les modèles monotâche, ainsi qu'une AUC d'au moins 0.951 en évaluation inter-jeux de données en zero-shot.
Un cadre intégrant automates et apprentissage automatique pour le diagnostic intelligent en santé mentale
Titre original: An automata-machine learning integrated framework for intelligent mental health diagnostics
La dépression chez les étudiants passe souvent inaperçue jusqu'à ce qu'elle devienne grave, d'où la nécessité d'une prédiction précoce. Les auteurs ont combiné une modélisation comportementale fondée sur les automates finis avec l'apprentissage automatique, en générant des caractéristiques à partir des états émotionnels des étudiants et en fusionnant les caractéristiques redondantes. Avec un ensemble de forêt aléatoire et de KStar, la précision est passée de 82.02 % pour la référence avec forêt aléatoire à 96.88 % avec les caractéristiques fondées sur les automates. Les auteurs affirment que l'approche préserve l'interprétabilité et la traçabilité des caractéristiques.
LitGene : un modèle transformer interprétable intégrant texte et ontologie pour l'apprentissage de représentations de gènes
Titre original: LitGene: an interpretable transformer model integrating text and ontology for gene representation learning
L'apprentissage de représentations de gènes néglige souvent la littérature scientifique, ce qui peut biaiser les résultats au détriment des gènes peu étudiés. LitGene est un transformeur interprétable qui intègre du texte aux annotations de la Gene Ontology par apprentissage contrastif. Il a obtenu une précision compétitive sur huit référentiels de protéines, a prédit en zero-shot des termes GO, des voies KEGG et des liens gène-maladie, et a signalé ANGPTL6 comme gène candidat de la fibrose pulmonaire idiopathique, étayé par une expression différentielle dans des échantillons indépendants.
Un cadre de validation en plusieurs étapes pour une extraction fiable d'informations cliniques à grande échelle à l'aide de grands modèles de langage
Titre original: A multi-stage validation framework for trustworthy large-scale clinical information extraction using large language models
La validation des grands modèles de langage pour l'extraction d'informations cliniques nécessite généralement une annotation manuelle coûteuse. Les auteurs ont proposé un cadre en plusieurs étapes combinant filtrage par règles, ancrage sémantique, évaluation par un LLM juge, revue par des experts et analyse de la validité prédictive. Appliqué aux diagnostics de troubles liés à l'usage de substances dans 919 783 notes cliniques, il a écarté 14,59 % des extractions positives du LLM comme non étayées ou invraisemblables. Le LLM principal a obtenu un score F1 de 0,80 par rapport aux évaluations du juge, et les diagnostics qu'il a extraits prédisaient mieux l'engagement ultérieur dans des soins spécialisés que les références fondées sur des données structurées.
Les codes secrets de l'histoire, longtemps indéchiffrés, sont percés par des amateurs grâce à l'IA
Titre original: History’s long-secret codes are being cracked by amateurs using AI
Des non-experts utilisent de plus en plus les grands modèles de langage pour casser des chiffrements historiques, en s'appuyant sur leur capacité à exécuter des algorithmes de déchiffrement et à rechercher des documents sur Internet. Carter Leffen, qui n'a aucune expérience en cryptographie, a demandé à GPT-6 Astra de décoder un message de l'armée allemande chiffré il y a 85 ans, et il a produit une solution dès le matin. Les spécialistes de la cryptographie saluent cet intérêt, mais sont submergés de demandes de validation de solutions d'IA, dont beaucoup sont incorrectes.
Attribution multiniveau des sous-familles de logiciels malveillants à partir d'images RGB d'exécutables à l'aide d'un apprentissage profond augmenté par attention
Titre original: Multi-level malware subfamily attribution from RGB executable images using attention-augmented deep learning
L'analyse des logiciels malveillants exige des décisions à plusieurs niveaux, de la détection à l'attribution à une famille puis à une sous-famille fine. Les auteurs proposent un cadre d'apprentissage profond hiérarchique qui prend en entrée des images RVB de fichiers Windows PE et réalise la détection, la classification par famille et l'attribution à 33 sous-familles au sein d'une même architecture à sorties multiples. Quatre modèles d'apprentissage par transfert enrichis d'attention ont atteint une exactitude de 99 % en classification binaire, de 96–97 % au niveau des familles et de 91–95 % au niveau des sous-familles, avec des scores F1 macro allant jusqu'à 0,89 pour l'attribution fine.
Ancrer les agents IA dans la réalité biologique : les briques de base des laboratoires humides autonomes
Titre original: Grounding AI agents in biological reality: Building blocks for autonomous wet labs
Les modèles d'IA de pointe ne raisonnent pas de manière fiable sur la géométrie 3D et l'état physique du laboratoire, ce qui rend difficile l'automatisation des robots de manipulation de liquides. Google Research a ancré des agents d'IA dans la robotique physique de laboratoire afin qu'ils puissent exécuter rapidement des cycles de conception moléculaire en boucle fermée. Les agents ont découvert des liants de protéines présentant une affinité nanomolaire à un chiffre pour des cibles du cancer.
L'IA détecte la maladie coronarienne à partir de photos du visage et de la langue lors d'un petit test
Titre original: AI detects coronary heart disease from face and tongue photos in small test
Une nouvelle étude menée en Chine a entraîné un système d'IA sur des photographies du visage et de la langue afin de détecter la maladie coronarienne (MC). Lors d'un petit test, le système a correctement identifié tous les patients atteints de MC.
Identification des bruits pulmonaires adventices chez des enfants atteints de maladies respiratoires au Bangladesh à l'aide de l'intelligence artificielle et de l'auscultation numérique
Titre original: Identification of adventitious lung sounds in children with respiratory illnesses in Bangladesh using artificial intelligence and digital auscultation
Les lignes directrices de la prise en charge intégrée des maladies de l'enfant ont une sensibilité élevée mais une faible spécificité pour la pneumonie. Des agents de santé au Bangladesh ont enregistré les bruits pulmonaires d'enfants de moins de cinq ans suspectés de pneumonie à l'aide d'un stéthoscope numérique, et un algorithme d'IA a été comparé à un panel de pédiatres. L'IA a détecté les bruits anormaux avec une sensibilité de 61,8 % et une spécificité de 60,7 % au global, et de 63,5 % et 66,8 % dans les cas de pneumonie selon la PCIME. Les auteurs qualifient cette performance de modérée, une amélioration étant nécessaire pour classer les enregistrements ininterprétables.
Étiquetage autonome des marges de résection chirurgicale à l'aide d'un modèle de fondation
Titre original: Autonomous labeling of surgical resection margins using a foundation model
L'évaluation des marges de résection chirurgicale en pathologie est entravée par les erreurs d'encrage manuel, la distorsion des tissus et les lésions dues à la cautérisation. Les auteurs ont développé un réseau d'encrage virtuel qui s'appuie sur un modèle de fondation figé et un petit classifieur pour cartographier la marge sur des lames numérisées entières, sans encre physique. Sur 20 lames issues de blocs tissulaires inédits, il a atteint environ 73,3 % de précision au niveau des régions et a produit des superpositions correspondant qualitativement aux annotations d'experts. Ces résultats constituent une preuve de concept et doivent être validés sur des cohortes cliniques plus vastes.
Une plateforme fondée sur l'apprentissage automatique pour prédire l'énergie potentielle de petites molécules
Titre original: A machine learning-based platform for predicting the potential energy of small molecules
Des estimations précises de l'énergie potentielle des petites molécules après minimisation de l'énergie sont importantes pour concevoir des molécules destinées aux médicaments et à l'administration de gènes. Les auteurs ont construit des modèles d'apprentissage profond, notamment des architectures CNN-BiLSTM avec et sans attention multi-têtes, et les ont entraînés sur un jeu de données de structures de petites molécules à l'aide de représentations séquentielles par atome. Les modèles surpasseraient les méthodes traditionnelles d'apprentissage automatique fondées sur des descripteurs, et le mécanisme d'attention améliorerait la généralisation.
Utiliser la structure électronique pour guider l'IA dans la conception de nouveaux matériaux
Titre original: Using electronic structure to guide AI in designing new materials
La structure détermine la fonction ; les scientifiques utilisent donc de plus en plus l'IA pour concevoir l'agencement des atomes dans de nouveaux matériaux dotés des propriétés souhaitées. Des chercheurs de l'Institut des sciences industrielles de l'université de Tokyo ont étendu un modèle d'IA générative de premier plan afin qu'il conçoive la structure électronique d'un matériau en même temps que sa structure cristalline. Le nouveau modèle, MatterGen-e⁻, est présenté dans npj Computational Materials.
Les habitudes de messagerie et de paiement sur smartphone aident l'IA à identifier le stress quotidien, selon une petite étude
Titre original: Smartphone chatting and payment habits help AI identify daily stress, small study finds
Des indices du stress peuvent se cacher dans les habitudes quotidiennes sur smartphone, comme discuter, effectuer des recherches et réaliser des paiements. Des chercheurs du KAIST ont mis au point une technologie qui analyse plusieurs comportements routiniers répétés dans les applications afin d'identifier l'état de stress quotidien d'une personne.
Modélisation spatiotemporelle par IA de la régulation des gènes et des effets des variants dans le cerveau humain en développement avec Seal
Titre original: Spatiotemporal AI-based modeling of gene regulation and variant effects in the developing human brain using Seal
L'étude porte sur la manière dont la variation génétique façonne la régulation des gènes dans le cerveau humain en développement, où les données sont limitées. Les auteurs ont construit Seal, un cadre d'apprentissage par transfert d'IA interprétable qui prédit l'expression des gènes et les effets des variants dans 26 régions, 30 types cellulaires et 7 stades de développement. Dans les données de génome entier de l'autisme, Seal a mis en évidence une charge significative de variants régulateurs de novo dans les neurones excitateurs fœtaux transitoires.
Prévoir les points de bascule avec l'IA
Titre original: Forecasting Tipping Points with AI
Les points de bascule, au-delà desquels un système ne peut plus revenir à son état initial, sont plus difficiles à prédire que les changements météorologiques à court terme. Une équipe dirigée par Caltech a montré qu'un opérateur neuronal récurrent (RNO), un type de réseau de neurones, peut prédire l'apparition des points de bascule dans des modèles simples. Ceux-ci comprennent un modèle de système de changement climatique et des simulations d'écoulement d'air turbulent sur l'aile d'un avion. L'article a été publié dans PNAS.
Modélisation hybride pour une meilleure prédiction de la structure de grands complexes protéiques
Titre original: Hybrid modeling for improved structure prediction of large protein complexes
L'étude vise à prédire les structures de grands complexes protéiques. Les auteurs ont développé HDOCK-Multimer (HDM), un cadre automatisé qui combine l'amarrage ab initio et l'assemblage combinatoire. Sur trois benchmarks, HDM s'est montré plus précis et plus robuste que les méthodes d'assemblage de pointe et que les méthodes fondées sur l'apprentissage profond pour les grands assemblages de protéines.
Un modèle d'IA décode le langage que les cellules utilisent pour communiquer
Titre original: AI model decodes the language cells use to communicate
Pendant le développement embryonnaire, les cellules reçoivent des signaux chimiques qui activent ou désactivent des gènes et déterminent leurs rôles. Retracer la séquence de signaux reçus par une cellule était difficile, car on supposait que les voies de signalisation différaient largement selon les types cellulaires. Des chercheurs du MIT et du Whitehead Institute ont mis au point un cadre computationnel pour y remédier, ce qui pourrait contribuer à accélérer l'ingénierie des cellules souches, améliorer les modèles de maladies et éclairer les traitements contre le cancer.
Faire progresser les prévisions subsaisonnières grâce à l'apprentissage automatique
Titre original: Advancing subseasonal forecasting with machine learning
La performance des prévisions chute fortement aux échelles de temps subsaisonnières, de 2 à 6 semaines à l'avance. Les auteurs présentent la correction de biais probabiliste, un cadre d'apprentissage automatique qui apprend à corriger les prévisions probabilistes historiques, et l'appliquent aux principaux modèles dynamiques et d'IA du CEPMMT. Elle a doublé la performance subsaisonnière modeste de l'AI Forecasting System et amélioré le modèle dynamique pour la plupart des cibles de pression, de température et de précipitations, et lors du concours en temps réel 2025 du CEPMMT, ses prévisions globales ont été les meilleures.
Phénotypage clinique de la graisse brune humaine par intelligence artificielle
Titre original: Artificial intelligence-enabled clinical phenotyping of human brown fat
Les méthodes permettant de quantifier à grande échelle l'activité du tissu adipeux brun (TAB) chez l'être humain faisaient défaut. À partir des données de 101 243 patients d'un grand centre de cancérologie, les auteurs ont quantifié de façon semi-automatique l'activité du TAB chez environ 8 700 patients grâce à l'apprentissage automatique. Une activité du TAB plus élevée, en particulier dans le dépôt axillaire, était associée à une probabilité plus faible de maladie cardiométabolique et à une répartition plus saine de la graisse blanche.
Preuve de l'existence d'agrégats multi-Li + dans les électrolytes de batteries lithium-ion
Titre original: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
La structure de solvatation en volume des électrolytes de batteries lithium-ion est difficile à déterminer à l'échelle atomique par la seule expérimentation. Les auteurs ont combiné des simulations atomistiques par apprentissage automatique, la spectroscopie RMN, des données électrochimiques et des calculs de chimie quantique. Ils ont identifié des complexes multi-Li+ jusqu'ici non étudiés, sans anions liés et facilement réductibles, ce qui aide à expliquer pourquoi les mélanges de solvants au carbonate d'éthylène choisis empiriquement fonctionnent.
Comment les réseaux de neurones artificiels construisent leur propre mécanique d'apprentissage
Titre original: How artificial neural networks build their own learning machinery
Un groupe d'unités connectées de façon aléatoire peut se réorganiser en un réseau efficace de traitement de l'information lorsqu'on lui donne des règles simples sur le moment et la manière de modifier les connexions. L'équipe du MIT soutient que la capacité d'un réseau artificiel à s'organiser lui-même, sans l'intervention d'un développeur, constitue un test essentiel de plausibilité biologique. Les chercheurs préviennent que de tels réseaux ne apportent peut-être pas beaucoup d'éclairage sur l'apprentissage biologique.
L'IA se rapproche de la résolution de l'hypothèse de Riemann, l'un des problèmes les plus difficiles des mathématiques
Titre original: AI edges closer to solving the Riemann hypothesis, one of math’s hardest problems
Claude découvre un nouveau système enzymatique
Titre original: Claude discovers a novel enzyme system
Le nouveau laboratoire de sciences de la vie d'Anthropic utilise Claude pour explorer des jeux de données d'ADN à la recherche de familles de protéines non caractérisées. Dans les premiers résultats, avec seulement des orientations générales de la part des scientifiques, des agents Claude ont trouvé un nouveau système enzymatique à la fonction inconnue, dont les propriétés rappellent celles de CRISPR. Ce travail vise à générer des hypothèses à grande échelle et à les tester en laboratoire.
NiCLIP : modèle de préentraînement contrastif langage-image en neuroimagerie pour prédire du texte à partir d'images d'activation cérébrale
Titre original: NiCLIP: neuroimaging contrastive language-image pretraining model for predicting text from brain activation images
NiCLIP est un modèle d'IA qui décode des tâches, des concepts et des domaines cognitifs à partir des schémas d'activation cérébrale. Il a été entraîné sur plus de 23 000 articles et surpasserait les décodeurs traditionnels pour le décodage au niveau du groupe. Il a prédit avec précision des tâches cognitives à partir des cartes de groupe du Human Connectome Project, mais a montré des limites avec les cartes bruitées au niveau du sujet.
Un modèle de fondation tout-en-un pour la restauration et l'amélioration d'images médicales multimodales
Titre original: An all-in-one foundation model for multimodal medical image restoration and enhancement
AMIFound est un modèle de fondation qui restaure et améliore les images médicales dégradées par le bruit, les artefacts de mouvement, le faible contraste ou une acquisition à faible dose, sur sept modalités, dont le scanner (CT), l'IRM, la TEP, l'endoscopie, l'échographie, le fond d'œil et la radiographie. Entraîné sur 3,76 millions d'images appariées, il a surpassé 38 modèles de référence spécifiques à une tâche ou généraux sur les métriques de qualité d'image, l'évaluation par les cliniciens et les tests de robustesse. Les images améliorées ont également amélioré 44 tâches de détection de maladies, la prédiction du stade tumoral et la stratification du risque de survie dans le cancer du poumon non à petites cellules.
HIP : potentiels interatomiques hessiens sans dérivées
Titre original: HIP: Hessian Interatomic Potentials without derivatives
Les hessiennes moléculaires, c'est-à-dire les dérivées secondes de l'énergie potentielle, sont nécessaires dans de nombreux flux de travail de chimie computationnelle, mais elles sont coûteuses à calculer et passent mal à l'échelle avec la taille du système. Les auteurs présentent HIP, un modèle d'apprentissage profond qui prédit directement les hessiennes, sans différentiation automatique ni différences finies, en s'appuyant sur des caractéristiques SE(3)-équivariantes issues d'un réseau de neurones sur graphes. HIP serait un à deux ordres de grandeur plus rapide et plus précis que les hessiennes obtenues par différentiation automatique, et donnerait de bons résultats pour la recherche d'états de transition, l'optimisation de géométrie et l'analyse vibrationnelle.
Des signaux cachés dans le sommeil peuvent prédire la santé future
Titre original: Hidden signals in sleep can predict future health
Les outils d'IA peuvent extraire d'une seule nuit de sommeil des schémas physiologiques que les mesures classiques du sommeil ne détectent pas, et ces schémas sont liés aux maladies et à la mortalité. Deux articles récents, parus dans Nature Communications et Nature Medicine, suggèrent que les données de sommeil contiennent bien plus d'informations sur la santé que les cliniciens et les chercheurs n'en extraient actuellement. De plus en plus d'éléments indiquent également que des modifications du sommeil peuvent apparaître avant le diagnostic d'une maladie.
L'analyse par apprentissage automatique du transport de particules par les cils permet de distinguer la dyskinésie ciliaire primitive des cils normaux
Titre original: Machine learning analysis of cilia driven particle transport distinguishes primary ciliary dyskinesia from normal cilia
La dyskinésie ciliaire primitive (DCP) est une maladie génétique caractérisée par des cils dysmobiles, et son diagnostic reste difficile. Les auteurs ont développé CiliaTracks, un cadre d'apprentissage automatique qui analyse le transport de particules sur des cellules des voies respiratoires cultivées, capturé par microscopie à haute vitesse. Des modèles classiques d'apprentissage automatique et un réseau de neurones convolutif ont classé les enregistrements de 14 personnes atteintes de DCP et de 10 donneurs sains avec une précision de 95-97 %.
Moins peut être plus pour prédire des propriétés avec de grands modèles de langage
Titre original: Less can be more for predicting properties with large language models
La prédiction de propriétés à partir de données coordonnées-catégories, telles que les énergies de formation ou les modules d'élasticité à partir de structures cristallines, est au cœur de la science computationnelle, et les grands modèles de langage (LLM) y ont été appliqués. À l'aide de jeux de données synthétiques et du benchmark MatText, les auteurs constatent que les LLM échouent systématiquement à capturer l'information de coordonnées tout en traitant bien les motifs de catégories. Cela vaut pour des tailles de modèles allant jusqu'à 70 milliards de paramètres, des jeux de données allant jusqu'à 2 × 10^6 structures et différentes représentations textuelles, et pour la prédiction de propriétés dominée par les effets structuraux, des architectures géométriques spécialisées surpassent les LLM.
ETSAM : segmentation efficace des membranes cellulaires dans les tomogrammes de cryo-électrons
Titre original: ETSAM: effectively segmenting cell membranes in cryo-electron tomograms
Les membranes cellulaires sont difficiles à distinguer dans les volumes bruités de tomographie cryo-électronique. Les auteurs présentent ETSAM, une méthode en deux étapes qui affine Segment Anything Model 2 (SAM2) pour segmenter les membranes, entraînée sur 83 tomogrammes expérimentaux et 28 tomogrammes simulés. Sur 17 tomogrammes expérimentaux de test, elle a surpassé les autres méthodes d'apprentissage profond avec une sensibilité élevée et une meilleure précision.
Les circuits photoniques deviennent un matériel d'IA entraînable
Titre original: Photonic circuits become trainable AI hardware
Les auteurs présentent une méthode d'apprentissage in situ fondée sur la physique, qui mesure directement les gradients optiques dans des circuits intégrés photoniques. Elle permet d'entraîner diverses topologies de circuits après leur fabrication, sans nécessiter de modèle numérique complet du circuit. Le matériel permettrait, selon les auteurs, la conception de matrices, le calcul multilongueur d'onde et un méta-apprentissage rapide.
Tangermeme : une boîte à outils pour comprendre la logique de régulation en cis à l'aide de modèles d'apprentissage profond
Titre original: Tangermeme: a toolkit for understanding cis-regulatory logic using deep learning models
Les modèles d'apprentissage profond prédisent bien les données génomiques, mais l'étape la plus difficile consiste à les utiliser pour la découverte biologique. Cet article décrit tangermeme, une boîte à outils hautement optimisée pour les parties de l'apprentissage profond génomique autres que le modèle lui-même. Il montre comment tangermeme peut distiller les motifs cis-régulateurs appris par les modèles en connaissances interprétables par l'humain.
OpenAI publie en ligne 700 prépublications de mathématiques : les mathématiciens sont en colère
Titre original: OpenAI posts 700 maths preprints online: mathematicians are up in arms
OpenAI a utilisé un modèle non publié sur des centaines de problèmes mathématiques très en vue et a publié sur GitHub, le 6 octobre, plus de 700 prépublications générées par IA. Certains mathématiciens ont salué les solutions apportées à des problèmes de longue date, tandis que d'autres se sont plaints sur les réseaux sociaux de s'être fait devancer. Un mathématicien a qualifié ce déluge de « slopocalypse », même si le contenu pourrait néanmoins s'avérer formellement correct.
Prédiction généralisable des perturbations
Titre original: Generalizable perturbation prediction
Les données de perturbation cellulaire révèlent des relations de régulation causales, mais ces données sont souvent rares, ce qui motive le développement de méthodes prédisant les réponses dans un contexte à partir d'autres. Les auteurs ont développé State, un modèle d'apprentissage automatique qui combine un modèle de transition d'état basé sur un transformeur pour les effets de perturbation en cellule unique avec un modèle pré-entraîné de plongement cellulaire. Il a été entraîné sur des données de perturbation issues de plus de 100 millions de cellules et sur des données observationnelles issues de 167 millions de cellules, et l'équipe a également créé Cell-Eval, un cadre d'évaluation pour comparer les modèles.
Segmentation des tumeurs cérébrales par égalisation d'histogramme optimisée par essaim de particules et U-Net basé sur VGG19
Titre original: Brain tumor segmentation using particle swarm optimized histogram equalization and a VGG19 based U-Net
La segmentation des tumeurs cérébrales en IRM est lente, sujette aux erreurs et affectée par le biais de l'opérateur, et les modèles d'apprentissage profond manquent souvent d'interprétabilité. Les auteurs proposent SPOHE-VGGNet, qui combine un U-Net modifié avec VGG-19 et une égalisation d'histogramme optimisée par essaim de particules pour améliorer le contraste des IRM. Il a atteint des scores de Dice de 0,9522 (méningiome), 0,9428 (gliome) et 0,9518 (tumeur hypophysaire) sur le jeu de données Figshare, et de 0,9463 pour la segmentation de la tumeur entière sur BraTS 2021, même si les auteurs précisent qu'une validation externe, volumétrique et centrée sur les cliniciens reste nécessaire avant tout usage clinique.
Exploiter les modèles de fondation géospatiaux planétaires d'Earth AI pour la santé publique mondiale
Titre original: Unlocking Earth AI’s planetary geospatial foundation models for global public health
Les décisions de santé publique sont souvent ralenties par les délais de déclaration, les données cloisonnées et les données éparses. Le Population Dynamics Foundation Model (PDFM) de Google condense des tendances de recherche respectueuses de la vie privée, la mobilité humaine, la densité du bâti et des facteurs environnementaux en plongements de localisation. Ces plongements peuvent être intégrés aux modèles épidémiologiques existants sans ajustement fin spécifique à une tâche, et cinq études de cas de partenaires ont été présentées.
Analyse cas-témoins précise et à forte puissance statistique de données moléculaires spatiales
Titre original: Accurate and well-powered case–control analysis of spatial molecular data
Les méthodes existantes pour les données moléculaires spatiales reposent souvent sur des hypothèses restrictives qui peuvent passer à côté de signaux importants de maladie. VIMA, une méthode d'apprentissage profond, utilise un ensemble d'autoencodeurs variationnels pour résumer de petites zones de tissu et identifier des microniches dont l'abondance est corrélée au statut cas ou témoin. Dans les simulations, elle était bien calibrée et puissante, et appliquée à des jeux de données couvrant trois maladies, elle a retrouvé des mécanismes biologiques connus et identifié de nouvelles caractéristiques spatiales de la maladie.
ProFormer : classification généralisable des protéomes unicellulaires et plasmatiques par apprentissage profond
Titre original: ProFormer: generalizable classification of single-cell and plasma proteomes using deep learning
Les flux de travail protéomiques actuels ont un faible débit et nécessitent un traitement de données important, ce qui ralentit la classification des échantillons. ProFormer est un pipeline d'apprentissage profond fondé sur les transformeurs qui exploite directement les caractéristiques des ions peptidiques de niveau MS1 issues des données de spectrométrie de masse. Il a surpassé l'apprentissage automatique traditionnel et les CNN sur 14 architectures et a classé des protéomes de cellules uniques selon le type cellulaire, la phase du cycle et la trajectoire de différenciation, ainsi que l'état pathologique de patients à partir de protéomes plasmatiques.
CellART : un cadre unifié pour extraire des informations à l'échelle de la cellule unique à partir de la transcriptomique spatiale à haute résolution
Titre original: CellART: a unified framework for extracting single-cell information from high-resolution spatial transcriptomics
Les plateformes de transcriptomique spatiale à haute résolution capturent soit un faible nombre de transcrits par spot, soit ne mesurent qu'un nombre limité de gènes, ce qui rend difficile l'extraction d'informations à l'échelle de la cellule unique. CellART combine des images de coloration, des données de transcriptomique spatiale et des références de RNA-seq en cellule unique, en utilisant l'apprentissage profond et la modélisation probabiliste pour segmenter les cellules et annoter simultanément les types cellulaires. Les auteurs indiquent qu'il est efficace, généralisable et robuste, et que ses résultats sont compatibles avec des outils communautaires largement utilisés.
Un pipeline fondé sur l'apprentissage profond pour différencier la cardiomyopathie hypertrophique de l'amylose cardiaque à partir de l'échocardiographie 2D multi-vues
Titre original: A deep learning-driven pipeline for differentiating hypertrophic cardiomyopathy from cardiac amyloidosis using 2D multi-view echocardiography
La cardiomyopathie hypertrophique (CMH) et l'amylose cardiaque (AC) se ressemblent à l'échocardiographie, ce qui les rend difficiles à distinguer. L'étude a mis au point un cadre d'apprentissage profond qui classe les images d'échocardiographie 2D en cinq vues cliniquement pertinentes, extrait les caractéristiques de chaque vue et les fusionne. En validation croisée en cinq blocs sur 212 patients atteints de CMH, 119 patients atteints d'AC et 200 patients témoins, il a atteint une précision de 0,83, une sensibilité de 0,81, une spécificité de 0,89 et un micro-F1 de 0,82, et les auteurs le décrivent comme un outil diagnostique fiable.
Cette IA alimentée par la lumière peut repérer les deepfakes avec une précision de près de 98 %
Titre original: This light-powered AI can spot deepfakes with nearly 98% accuracy
Des chercheurs de l'UCLA ont construit un processeur opto-neuronal qui utilise la lumière pour détecter les vidéos deepfake, dans le but de filtrer le volume croissant de vidéos générées par IA. Contrairement aux systèmes conventionnels qui examinent les vidéos une par une, il analyse 15 flux vidéo ou plus simultanément en un seul passage optique. L'équipe annonce une précision de détection proche de 98 %, et l'étude a été publiée dans eLight.
Une science façonnée par Claude
Titre original: Claude-shaped science
Le Pr Matthew Schwartz décrit comment, après avoir cessé de lutter contre Claude et l'avoir laissé trouver des problèmes adaptés à ses capacités actuelles, il a construit BootLoops, une boîte à outils pour les calculs exacts en science quantitative. Comme des calculs similaires reviennent dans de nombreux domaines, Claude a trouvé des liens avec l'écologie, la génétique des populations et une douzaine d'autres domaines, bien que ceux-ci aient souvent été techniquement corrects mais d'abord peu remarquables. Schwartz a ensuite travaillé avec des experts de ces domaines pour orienter BootLoops vers les questions qui les intéressent.
Les grands modèles de langage découvrent des heuristiques complémentaires pour l'optimisation combinatoire
Titre original: Large language models discover complementary heuristics for combinatorial optimization
L'optimisation combinatoire sous-tend des décisions dans l'industrie manufacturière, la logistique et l'énergie, mais concevoir des heuristiques pour chaque nouvelle variante demande des mois d'effort d'experts, et la génération de code en une seule passe par un LLM échoue souvent. LACE divise la conception d'algorithmes en schémas, une bibliothèque d'outils et un portefeuille d'heuristiques, puis fait évoluer des heuristiques spécialisées complémentaires dans les limites de temps d'exécution. Sur 36 problèmes classiques de CO-Bench, elle a obtenu en moyenne 0.945, contre 0.870 pour la meilleure méthode antérieure fondée sur les LLM et 0.571 pour l'invite directe.
Cette IA joueuse est la nouvelle championne du Stratego
Titre original: This game-playing AI is the new champ at Stratego
Des chercheurs ont conçu un système d'IA pour le Stratego, un jeu de plateau à deux joueurs dans lequel les pièces de l'adversaire sont cachées et qui sert souvent à tester la réflexion stratégique. En combinant des algorithmes d'entraînement efficaces et de nouvelles techniques de décision en information cachée, le système a battu largement des joueurs humains de haut niveau et surpassé les meilleurs modèles suivants, tout en étant moins coûteux à entraîner. Il a également battu de grands joueurs humains dans d'autres jeux de stratégie aux règles différentes.
Vers des modèles de type fondation pour les détecteurs de neutrinos hétérogènes de la frontière en énergie via un préentraînement auto-supervisé
Titre original: Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining
L'interprétation des événements dans les détecteurs de neutrinos à la frontière de l'énergie est impraticable pour la reconstruction conventionnelle et difficile pour les modèles supervisés lorsque les données étiquetées sont rares. Les auteurs pré-entraînent un Vision Transformer parcimonieux avec une reconstruction par autoencodeur masqué et des objectifs relationnels au niveau des voxels, puis l'affinent conjointement sur la classification et la régression. Sur des événements simulés du calorimètre FASER proposé, le pré-entraînement a amélioré l'identification de la saveur et du quark charm, la régression de l'impulsion et la reconstruction du vertex, et avec environ 1,000 événements étiquetés, l'encodeur pré-entraîné a égalé les performances de classification de la saveur d'un modèle entraîné à partir de zéro.
Prévoir les risques de la météo spatiale pour les réseaux électriques
Titre original: Forecasting space weather risks on power grids
Les événements météorologiques spatiaux extrêmes peuvent induire dans les réseaux de transport d'électricité des courants qui endommagent les équipements, et les gestionnaires de réseau ont besoin de savoir quand et où les effets seront les plus graves, avec un préavis suffisant. Microsoft Research a conçu un pipeline d'apprentissage automatique qui combine des données sur le vent solaire, des prévisions AE et Dst, la latitude locale, la géologie et la conductivité du sol pour produire des estimations de risque pour 66 935 postes électriques des États-Unis continentaux. Durant la période d'évaluation, il a détecté près de 80 % des événements météorologiques spatiaux majeurs et peut avertir les opérateurs 30 à 60 minutes avant l'apparition d'un risque précis.
D4RT : reconstruction et suivi 4D de scènes, unifiés et rapides
Titre original: D4RT: Unified, Fast 4D Scene Reconstruction & Tracking
Un outil d'IA de cartographie des cultures de petits exploitants fait ses preuves au Sénégal
Titre original: AI tool for mapping smallholder crops proves itself in Senegal
Au Sénégal, les petites exploitations agricoles dépendantes de la pluie exposent une grande partie de la population aux chocs climatiques, mais les outils de cartographie des cultures par satellite restent largement hors de portée. Des chercheurs de l'université de Cambridge ont utilisé Tessera, un modèle d'IA open source entraîné sur des images satellites, pour cartographier les cultures dans le bassin arachidier du Sénégal. Lors des tests, il a donné le bon résultat dans 84 % des cas, une précision supérieure à celle des méthodes actuelles, tout en n'utilisant qu'une fraction des ressources de calcul et des données étiquetées. Dans un scénario, il a obtenu des performances supérieures de 28 % à celles du meilleur modèle suivant.
Présentation de Quine : un système de recherche en IA conçu pour la complexité de la biologie
Titre original: Introducing Quine: An AI research system designed for the complexity of biology
Quine, de Microsoft Research, est un projet à un stade précoce visant à construire un modèle du monde multimodal de la biologie ainsi qu'un environnement interactif reliant modèles, outils scientifiques, littérature et chercheurs, afin d'aider les scientifiques à hiérarchiser les hypothèses avant les tests en laboratoire. En collaboration avec des chercheurs du Broad Institute de Harvard et du MIT, l'équipe l'a utilisé pour hiérarchiser des composés censés provoquer des changements thérapeutiques de l'état tumoral, et a validé plusieurs des candidats les mieux classés dans de multiples essais en laboratoire. Le système est expérimental, destiné uniquement à la recherche, et ses résultats doivent être examinés par des chercheurs qualifiés.
Une nouvelle formulation aide les vaccins à ARN à résister aux températures élevées
Titre original: New formulation helps RNA vaccines withstand high temperatures
Les vaccins à ARN nécessitent généralement un stockage à très basse température ; des chercheurs du MIT ont donc utilisé un algorithme d'IA pour ajuster la formulation autour des nanoparticules lipidiques qui délivrent les vaccins à ARNm. L'algorithme a prédit des formulations optimales, réduisant le nombre d'expériences nécessaires et accélérant le développement. Les vaccins obtenus sont restés stables jusqu'à un an à température ambiante ou deux mois à près de 100 °F, et chez la souris, un vaccin contre le Covid-19 a produit une réponse immunitaire aussi forte que celle d'un vaccin à ARN similaire à celui de Moderna.
Évaluation régionale des risques climatiques à partir de modèles climatiques par apprentissage automatique probabiliste
Titre original: Regional climate risk assessment from climate models using probabilistic machine learning
Les modèles climatiques sont trop grossiers pour les décisions de gestion des risques régionaux, et les méthodes de descente d'échelle existantes sont trop coûteuses pour de grands ensembles, ignorent les dépendances multivariées, ou exigent des paires d'entraînement alignées dans le temps que les projections en libre évolution ne fournissent pas. GenFocal est un cadre d'IA générative qui produit une météo à fine échelle statistiquement exacte à partir de projections grossières, sans données d'entraînement appariées. Il synthétise des aléas de longue durée tels que les vagues de chaleur et les cyclones tropicaux, échantillonne les événements rares à fort impact plus précisément que les meilleures méthodes, et améliore les estimations régionales des extrêmes composés.
Claude a amélioré une borne inférieure établie de longue date pour la proportion de zéros de la fonction zêta de Riemann qui satisfont l'hypothèse de Riemann
Titre original: Claude has improved on a longstanding lower bound for the fraction of zeros of the Riemann zeta function that satisfy the Riemann hypothesis
L'hypothèse de Riemann, un problème non résolu, affirme que les zéros de la fonction zêta de Riemann se trouvent tous sur une certaine droite verticale. En s'attaquant au problème, une version de recherche non publiée de Claude ne l'a pas démontrée, mais a amélioré une borne inférieure ancienne sur la proportion de zéros qui la vérifient, la faisant passer de 41,6 % à 67,2 %. Deux mathématiciens d'Anthropic ont validé l'article et rédigé une note informelle d'expert, et Claude a également produit une preuve vérifiable formellement. Ce résultat ne devrait pas mener à une démonstration de l'hypothèse elle-même.
Claude calcule une amplitude à neuf boucles dans la théorie de super-Yang-Mills N=4
Titre original: Claude computes a nine-loop amplitude in N=4 super-Yang-Mills
Le physicien et vulgarisateur scientifique Matt von Hippel a lancé aux entreprises d'IA le défi de résoudre un problème difficile de physique théorique : calculer une amplitude à neuf boucles dans la théorie de super-Yang-Mills N=4. Claude l'a calculée, relevant le défi environ un mois plus tard.
Estimer le risque suicidaire à partir de texte
Titre original: Estimating suicide risk from text
Identifier les personnes présentant un risque élevé de suicide est une priorité pour les conseillers lors des crises de santé mentale. Des chercheurs du McGovern Institute du MIT ont mis au point un outil de traitement du langage qui recherche dans un texte les mots et expressions liés à 49 facteurs de risque suicidaire afin d'estimer le risque d'un individu. Lors de conversations écrites avec des conseillers en situation de crise, l'outil a prédit avec exactitude le risque suicidaire, et avec davantage de validation, il pourrait soutenir l'évaluation du risque en milieu clinique et dans les dispositifs d'aide en situation de crise.
Le minuscule robot volant du MIT devient 450 % plus rapide grâce à l'IA
Titre original: MIT’s tiny flying robot gets 450% faster with AI
Les robots volants à l'échelle d'un insecte ont jusqu'ici été lents et limités à des trajectoires de vol simples. Des chercheurs du MIT ont mis au point un contrôleur basé sur l'IA, doté d'un système de commande en deux parties, qui permet des retournements répétés du corps. Par rapport aux meilleurs résultats précédents de l'équipe, la vitesse du robot a augmenté d'environ 450 % et son accélération d'environ 250 %, et il a réalisé 10 sauts périlleux en 11 secondes, même en présence de perturbations dues au vent.
Comment Claude fait progresser la modélisation biomoléculaire
Titre original: How Claude is uplifting biomolecular modeling
Les modèles open source que les scientifiques utilisent pour prédire et concevoir des biomolécules étaient lents et gourmands en mémoire. En travaillant dans Claude Science, Claude a optimisé plus de 30 de ces modèles en un peu moins de quatre semaines, les accélérant en moyenne d'environ 4 fois. Il a également créé un mode à faible consommation de mémoire qui permet de prédire avec précision des systèmes de plus de 10 000 tokens sur un seul nœud GPU NVIDIA, et le code optimisé est en cours de publication en open source.