La physique pourrait transformer l’informatique et l’IA à jamais

Dans une rupture avec des décennies de tradition computationnelle, une équipe de chercheurs chez Unconventional AI a développé une méthode pour générer des images qui repose non sur les puces de silicium et les courants électriques qui alimentent les systèmes d’intelligence artificielle actuels, mais plutôt sur les principes fondamentaux de la physique elle-même.

Le système, appelé Un-0, représente une philosophie émergente dans le développement de l’intelligence artificielle : plutôt que de construire des réseaux de calcul plus grands et plus complexes, les scientifiques explorent si les modèles mathématiques trouvés dans la nature peuvent effectuer le même travail de calcul tout en utilisant environ 1000 fois moins d’énergie.

Énergie et efficacité

Les systèmes d’intelligence artificielle qui ont dominé le paysage technologique, tels que les réseaux de neurones, les modèles de langage et les algorithmes de recommandation, nécessitent d’énormes quantités d’énergie pour fonctionner.

Les centres de données qui abritent ces systèmes consomment de l’énergie équivalente à celle de petites villes, ce qui soulève des inquiétudes quant à leur impact environnemental et à leur durabilité à long terme.

Les chercheurs estiment que pour atteindre la prochaine avancée significative en termes d’efficacité de l’intelligence artificielle, il faudra adopter une approche fondamentalement différente de la façon dont les machines traitent l’information.

Cette prise de conscience a incité les scientifiques à chercher l’inspiration dans la nature, en examinant les systèmes biologiques et physiques qui ont évolué au fil des millénaires pour résoudre des problèmes complexes avec une remarquable efficacité.

Comprendre les oscillateurs couplés

Au cœur d’Un-0 se trouve un concept apparemment simple tiré de la physique : les oscillateurs couplés.

Pour comprendre cela, on peut imaginer une paire de métronomes, les appareils mécaniques que les musiciens utilisent pour garder la mesure. Si deux métronomes sont posés sur la même table et réglés sur des tempos différents, quelque chose de remarquable se produit. Grâce aux vibrations de la surface sous eux, les métronomes influencent progressivement l’un l’autre jusqu’à ce qu’ils tombent finalement en synchronisation, battant à l’unisson.

Cette synchronisation suit des principes mathématiques précis qui ont été étudiés en physique depuis plus d’un siècle. L’interaction entre les oscillateurs crée des modèles d’organisation qui émergent sans aucune direction ou contrôle externe, ils s’organisent eux-mêmes.

Imaginez maintenant que ce concept soit étendu de manière spectaculaire. Au lieu de deux métronomes, imaginez des milliers d’unités oscillantes, chacune capable d’influencer toutes les autres unités qui l’entourent.

Chaque oscillateur possède plusieurs propriétés : une fréquence naturelle à laquelle il veut tourner, un angle de phase qui décrit sa position actuelle dans son cycle d’oscillation, et des connexions à tous les autres oscillateurs qui déterminent à quel point chaque paire influence l’autre.

Ces connexions, appelées forces de couplage, sont les aspects que Un-0 apprend pendant la formation.

Ce système reflète des modèles mathématiques connus sous le nom d’oscillateurs de Kuramoto, nommés d’après le physicien Yoshiki Kuramoto qui a étudié de tels systèmes il y a des décennies. Jusqu’à récemment, ces modèles restaient largement théoriques.

Un-0 démontre qu’ils peuvent être mis à l’échelle pour résoudre des problèmes pratiques d’intelligence artificielle à un niveau de sophistication précédemment considéré comme le domaine exclusif de l’apprentissage profond.

Performances et comparaison

Les tests ont montré qu’Un-0 atteint une qualité d’image comparable aux meilleures méthodes de génération d’images d’intelligence artificielle de plusieurs années auparavant.

Sur un benchmark standard appelé ImageNet 64×64, le système a obtenu un score de qualité qui correspondait aux performances des générateurs conventionnels lors de leur première publication.

Ceci représente ni défaite ni avancée. Plutôt, cela démontre la preuve de principe : les systèmes fondés sur la dynamique physique peuvent générer des images à un niveau de qualité précédemment considéré comme exclusif de l’apprentissage profond, un détail qui suggère un potentiel significatif pour le développement futur.

Les chercheurs reconnaissent que les systèmes actuels de pointe, qui ont subi des années de raffinement, surpassent toujours Un-0. Cependant, ils soulignent que les générateurs d’images conventionnels ont également commencé avec des résultats modestes avant que des décennies d’optimisation les transforment en outils sophistiqués d’aujourd’hui.

Pourquoi l’informatique basée sur la physique est importante

La signification d’Un-0 s’étend bien au-delà de la génération d’images. Les systèmes basés sur la dynamique physique qui effectuent des tâches d’intelligence artificielle tout en consommant mille fois moins d’énergie que les approches conventionnelles, les implications seraient transformantes.

De tels gains d’efficacité pourraient permettre aux applications d’intelligence artificielle de fonctionner sur des appareils mobiles, des systèmes intégrés et des emplacements distants sans accès à des centres de données massifs.

De plus, ces systèmes pourraient éventuellement être mis en œuvre directement dans le matériel physique, des puces de silicium conçues pour simuler des processus physiques naturels plutôt que d’exécuter des instructions programmées. De tels “substrats non conventionnels”, comme les appellent les chercheurs, représenteraient un type véritablement différent d’ordinateur.

Le paysage plus large

Un-0 n’est pas le seul effort de recherche à explorer des alternatives aux réseaux de neurones conventionnels.

À travers l’académie et l’industrie, les scientifiques étudient des systèmes inspirés des principes thermodynamiques, des circuits analogiques, de la mécanique quantique et d’autres aspects de la physique.

Ces approches partagent une motivation commune : les approches conventionnelles ont presque atteint leurs limites pratiques en termes d’efficacité énergétique. Les avancées significatives peuvent nécessiter de repenser l’informatique elle-même.

La communauté de recherche est engagée dans ce qui pourrait être décrit comme un grand défi : pouvons-nous reconcevoir les systèmes d’intelligence artificielle pour les aligner sur les principes qui ont gouverné les systèmes biologiques et physiques pendant des milliards d’années ? Si cela réussit, une telle réalisation représenterait une reconception fondamentale de ce que sont les ordinateurs et de la façon dont ils fonctionnent.

Limitations actuelles et directions futures

Le système Un-0 reste expérimental. Il fonctionne à des résolutions d’image relativement modestes et n’a pas encore atteint les niveaux de performance des systèmes les plus avancés actuels.

Malgré tous les progrès réalisés, le processus de formation nécessite toujours des calculs conventionnels et un temps considérable pour être complété.

Les chercheurs ont publié leur travail de manière transparente, en libérant le code de formation et une analyse détaillée de leurs résultats, reflétant la conviction que cette approche représente non une solution propriétaire, mais une nouvelle direction que de nombreux chercheurs peuvent explorer et affiner.

À mesure que les systèmes d’intelligence artificielle deviennent de plus en plus centraux dans la société moderne, la recherche de méthodes de calcul plus efficaces passe de la curiosité académique à la nécessité pratique. Un-0 constitue la preuve qu’au moins une direction prometteuse existe, et que l’étude de l’intelligence artificielle basée sur la physique n’a que commencé.