Français
English
Deutsch
Italiano
Русский
Español
Par deux fois en 2024, le jury Nobel a insisté sur l’étroitesse des relations entre l’intelligence artificielle (IA) et la science. Il a primé, en chimie, le logiciel AlphaFold de Demis Hassabis et John Jumper de l’entreprise DeepMind, qui a amélioré la prédiction de la structure tridimensionnelle des protéines à partir de leurs séquences d’acides aminés. Il a aussi, en physique, récompensé Geoffrey Hinton et John Hopfield pour leurs contributions pionnières dans les années 1980 à l’apprentissage machine à partir de réseaux de neurones artificiels.
Chaque mois ou presque des progrès sont annoncés, sous forme d’outils ou de méthodes, qui améliorent le quotidien des scientifiques, voire accélèrent le progrès des connaissances. Citons, pêle-mêle, les outils de prédictions météorologiques des sociétés Google ou Nvidia rivalisant désormais avec les méthodes traditionnelles. Ou les logiciels AlphaGeometry et AlphaProof de DeepMind, racheté par Google en 2014, qui résolvent des problèmes mathématiques complexes.
En physique des particules ou en détection d’ondes gravitationnelles, des modèles aident à trier dans les flots importants de données pour identifier des événements rares et intéressants. En astronomie, des programmes sont mis au point pour piloter les futurs télescopes. En physique quantique, des méthodes à bases de réseaux de neurones, mises au point à partir de 2016, promettent de résoudre le problème difficile de l’interaction entre de multiples particules, qui permettraient de prévoir les propriétés de matériaux, sans les fabriquer. Et peut-être de battre les ordinateurs quantiques dans cette course.
Il vous reste 58.99% de cet article à lire. La suite est réservée aux abonnés.
