L’IA passe du domaine spécialisé à celui d’infrastructure au MIT
Selon un article de MIT Technology Review consacré à la manière dont les laboratoires de l’institut déploient cette technologie, l’intelligence artificielle est devenue une couche de travail dans la recherche au MIT. L’article ne présente pas l’IA comme une discipline distincte cantonnée à l’informatique, mais comme un outil désormais intégré à la mécanique, aux matériaux aérospatiaux, aux systèmes énergétiques et à la science expérimentale.
Ce changement est visible dans le travail de Sili Deng, professeure associée de génie mécanique, qui étudie la cinétique de combustion, la réduction des émissions et la synthèse par flamme de matériaux énergétiques. Le parcours de Deng vers l’IA a été influencé par les perturbations de la pandémie de covid. Après avoir rejoint la faculté du MIT en 2019, elle était en train d’installer son laboratoire lorsque des travaux de rénovation ont été interrompus. Plutôt que d’attendre, elle a demandé à son équipe de tester dans quels domaines l’apprentissage automatique pouvait combler des lacunes dans leur recherche sur la combustion.
Des jumeaux numériques pour les systèmes de combustion
Le Energy and Nanotechnology Group de Deng a utilisé l’IA pour développer un jumeau numérique qui reproduit les performances d’un dispositif énergétique et fluidique. Un jumeau numérique est une réplique informatique d’un système physique, conçue pour refléter la manière dont ce système se comporte lorsque les conditions changent. Ici, l’objectif à long terme est de prévoir et de contrôler en temps réel les systèmes de combustion des carburants.
Cet objectif est important, car les systèmes de combustion restent essentiels à de nombreux secteurs de l’économie de l’énergie et des transports. De meilleures capacités de prévision et de contrôle pourraient aider les chercheurs à comprendre les performances, les émissions et la stabilité opérationnelle d’une manière difficile à saisir par les seuls essais physiques. Le texte source n’affirme pas que le système a déjà atteint un contrôle complet en temps réel en production. Il indique que le modèle devrait, à terme, être capable de prévoir et de contrôler le fonctionnement des systèmes de combustion des carburants en temps réel.
L’exemple montre l’une des raisons pour lesquelles l’IA s’est propagée si rapidement dans les laboratoires de recherche: elle peut prolonger les connaissances scientifiques existantes plutôt que les remplacer. L’équipe de Deng a abordé l’apprentissage automatique à travers les fondements de la combustion, en cherchant où les méthodes existantes présentaient des lacunes. Cette approche est différente d’une utilisation de l’IA comme raccourci généraliste. Elle s’appuie sur l’expertise du domaine pour définir des questions utiles et évaluer si les résultats du modèle sont plausibles.
Conception de matériaux aérospatiaux assistée par l’IA
L’article décrit aussi le travail de Zachary Cordero, professeur associé d’aéronautique et d’astronautique, qui développe de nouveaux matériaux et structures pour des applications aérospatiales émergentes. Cordero a commencé à utiliser l’IA après être entré en contact avec Faez Ahmed, professeur associé de génie mécanique spécialisé dans l’apprentissage automatique et l’optimisation pour la conception technique.
En travaillant avec Ahmed et d’autres collaborateurs sur un projet financé par la U.S. Defense Advanced Research Projects Agency, Cordero a développé un outil d’IA pour optimiser la composition matérielle d’un blisk. Un blisk, ou disque aubagé, est un composant clé des moteurs à turbine des avions et des fusées. Ce travail vise à améliorer les performances et la durée de vie des moteurs et pourrait contribuer à des moteurs de fusée réutilisables plus fiables pour les lanceurs lourds.
Le commentaire de Cordero dans le texte source est révélateur: il a déclaré que le système d’IA renforçait l’intuition humaine sur des problèmes où l’intuition est presque impossible. La conception de matériaux pour des systèmes aérospatiaux de haute performance implique de nombreuses variables interdépendantes, notamment la composition, la structure, la durabilité et les conditions d’exploitation. L’optimisation par IA peut explorer des espaces de conception complexes qu’il serait difficile pour les humains de parcourir manuellement.
Un changement plus large dans la pratique de la recherche
Les exemples du MIT suggèrent que l’impact scientifique le plus immédiat de l’IA pourrait venir de son intégration dans des domaines établis. Dans la recherche sur la combustion, elle peut modéliser et, à terme, aider à contrôler des systèmes dynamiques. Dans les matériaux aérospatiaux, elle peut aider à optimiser des composants devant résister à des conditions extrêmes. Dans les laboratoires, elle peut accélérer les méthodes et ouvrir de nouvelles voies de découverte.
Le texte source cite aussi le professeur Ju Li, qui soutient que si l’on donne à l’IA l’autonomie de mener des expériences, d’essayer différentes choses, d’échouer et d’apprendre du processus, elle pourrait évoluer vers quelque chose de similaire à l’intelligence humaine. Cette idée dépasse la modélisation et l’optimisation actuelles pour aller vers des systèmes de recherche autonomes. Le texte fourni ne dit pas que de tels systèmes ont déjà atteint ce niveau d’autonomie; il présente le concept comme une possibilité.
La leçon pratique est plus immédiate. Les chercheurs du MIT n’attendent pas une percée unique et universelle de l’IA. Ils appliquent l’apprentissage automatique à des problèmes scientifiques et techniques précis où les données, la simulation et l’optimisation peuvent changer le rythme du travail. Le résultat est un environnement de recherche dans lequel l’IA devient partie intégrante de la boîte à outils expérimentale.
Cela ne supprime pas le besoin d’expertise humaine. Les exemples du texte source montrent l’inverse. Les chercheurs continuent de définir les systèmes, de comprendre les contraintes physiques et de juger quels résultats comptent. L’IA élargit l’espace de recherche et la capacité de modélisation, mais les questions scientifiques restent ancrées dans la connaissance du domaine.
Cet article s’appuie sur un reportage de MIT Technology Review. Lire l’article original.
Originally published on technologyreview.com