Les robots IA pourraient rivaliser avec la résolution de problèmes de conception au niveau scientifique
Les ingénieurs de l'Université Duke ont construit un groupe de robots IA qui, ensemble, peuvent résoudre des problèmes de conception complexes presque aussi bien qu'un scientifique pleinement formé. Selon les chercheurs, les résultats montrent comment l’IA pourrait bientôt automatiser des problèmes de conception simples mais spécialisés, ouvrant ainsi la voie à des avancées explosives.
La recherche paraît dans la revue ACS Photonique.
« Il y a quelques années, un collègue m'a décrit un problème très difficile dans la modélisation des réactions chimiques. Je savais que c'était quelque chose qu'un programme d'IA d'apprentissage profond standard pouvait résoudre, mais je n'ai pas eu le temps de m'aider », a déclaré Willie Padilla, professeur émérite de génie électrique et informatique à Duke. « Mais cela m'a fait réfléchir : si nous pouvions créer un groupe d'agents IA capables de résoudre ce type de problèmes de manière autonome, cela pourrait considérablement accélérer le rythme des progrès dans de nombreux domaines. »
Le type général de défi en question est appelé problème de conception inverse mal posé. Cela signifie que les chercheurs connaissent le résultat qu’ils souhaitent obtenir, mais disposent d’un nombre infini de solutions à explorer sans aucune indication quant à celle qui pourrait être la meilleure.
Dans des travaux antérieurs, Padilla et son laboratoire ont trouvé des moyens de résoudre ce problème difficile pour les métamatériaux diélectriques (sans métal) qui produisent une réponse électromagnétique spécifique. Les métamatériaux sont des matériaux synthétiques composés de nombreuses caractéristiques individuelles (avec de nombreux paramètres de conception) qui, ensemble, produisent des propriétés introuvables dans la nature grâce à leur structure plutôt qu'à leur chimie.
Dans ce travail, les chercheurs ont d’abord conçu un type d’IA appelé réseau neuronal profond qui utilisait des dizaines de milliers de points de données simulés pour découvrir les relations entre divers paramètres de conception et leurs effets. Ils ont ensuite conçu ce qu’ils ont appelé une méthode d’IA « neuro-adjointe » qui choisissait des points de départ aléatoires et travaillait à rebours pour trouver des solutions optimales pour un résultat souhaité.
Dans le nouvel article, les chercheurs ont essentiellement suivi la même recette, sauf qu'ils ont programmé une suite d'agents d'IA à grand modèle de langage (LLM) pour effectuer toutes les démarches plutôt que de laisser un étudiant diplômé suivre toutes les étapes. « L'idée était de créer un 'scientifique artificiel' capable d'apprendre la physique des métamatériaux et de trouver des solutions par lui-même », a déclaré Padilla.
Appelé « système agent », le groupe de LLM a été conçu pour gérer plusieurs tâches spécifiques. On s’assure que toutes les données dont il a besoin sont comptabilisées et organisées. Un autre écrit un code de réseau neuronal profond à partir de zéro, basé sur des milliers d’exemples existants. Un autre vérifie l'exactitude du travail et le transmet à un autre LLM qui exécute les résultats via la méthode neuronale-adjointe développée par le laboratoire.
Toutes ces tâches sont gérées et guidées par un LLM global qui permet aux différents agents de communiquer entre eux. Au fur et à mesure que le programme cherche une solution, il peut comprendre si davantage de points de données sont nécessaires pour développer un meilleur modèle ou si son modèle actuel progresse suffisamment vers le résultat souhaité. Il peut également indiquer à tout moment à l’utilisateur exactement ce qui se passe dans son processus.
« Il vous dira littéralement s'il rencontre des rendements décroissants et doit générer plus de données ou s'il est satisfait de la baisse du taux d'erreur et doit continuer à itérer », a déclaré Dary Lu, doctorant. étudiant du laboratoire de Padilla qui a dirigé le projet. « Cela ressemble à l'intuition selon laquelle un scientifique doit se développer au fil du temps et c'est probablement la partie la plus difficile à programmer. »
Les chercheurs ont testé leur « scientifique artificiel » en lui faisant résoudre certains des mêmes problèmes inverses mal posés déjà abordés par leur laboratoire. Bien que l'IA n'ait pas fonctionné aussi bien que les précédents doctorats. étudiants en moyenne sur des milliers d'essais, ses meilleures solutions étaient très proches. Et même si les résultats moyens de l’IA n’ont pas battu ceux des experts humains, ses meilleures conceptions étaient comparables – et dans ce domaine, l’objectif est d’avoir une seule grande conception.
Padilla dit que cette démonstration montre que les systèmes agents peuvent résoudre même les problèmes les plus complexes lorsqu'ils sont programmés de manière réfléchie et minutieuse. Il pense également que cette approche peut être appliquée à de nombreux autres domaines en dehors de l’électromagnétique computationnelle.
« Nous sommes sur le point de permettre à des systèmes comme ceux-ci d'améliorer la productivité des travailleurs hautement qualifiés », a déclaré Lu. « Être capable de construire ces systèmes agentiques constitue une compétence précieuse à posséder pour accéder au marché du travail. »
« Disposer de systèmes d'IA capables de mener leurs propres recherches et d'améliorer leurs propres méthodes commencera à générer des progrès significatifs pour faire avancer les connaissances humaines », a déclaré Padilla. « À grande échelle et dans des délais nettement plus rapides, ces systèmes seront bientôt capables de produire des résultats véritablement nouveaux. »
