12 février 2025 – Des chercheurs ont développé un nouvel algorithme d’intelligence artificielle, nommé Torque Clustering, qui se rapproche beaucoup plus de l’intelligence naturelle que les méthodes actuelles. Cet algorithme améliore significativement la manière dont les systèmes d’IA apprennent et découvrent des schémas dans les données de manière autonome, sans intervention humaine.
Torque Clustering peut analyser efficacement et de manière autonome d’énormes quantités de données dans des domaines variés tels que la biologie, la chimie, l’astronomie, la psychologie, la finance et la médecine, révélant de nouvelles perspectives, comme la détection de schémas de maladies, la découverte de fraudes ou la compréhension des comportements.
« Dans la nature, les animaux apprennent en observant, explorant et interagissant avec leur environnement, sans instructions explicites. La prochaine vague d’IA, en “apprentissage non supervisé cherche à imiter cette approche », explique le professeur émérite CT Lin de l’Université de Technologie de Sydney (UTS).
Actuellement, presque toutes les technologies d’IA reposent sur l’apprentissage supervisé, une méthode de formation nécessitant que de grandes quantités de données soient étiquetées par un humain à l’aide de catégories ou de valeurs prédéfinies. Cela permet à l’IA de faire des prédictions et de percevoir des relations. Cependant, l’apprentissage supervisé présente de nombreuses limitations. L’étiquetage des données est coûteux, long et souvent impraticable pour des tâches complexes ou à grande échelle. En revanche, l’apprentissage non supervisé fonctionne sans données étiquetées, découvrant les structures et schémas inhérents aux ensembles de données.
Un article détaillant la méthode Torque Clustering, intitulé “Autonomous clustering by fast find of mass and distance peaks”, a été récemment publié dans l’IEEE Transactions on Pattern Analysis and Machine Intelligence, une revue de premier plan dans le domaine de l’intelligence artificielle.
L’algorithme Torque Clustering surpasse les méthodes d’apprentissage non supervisé traditionnelles, offrant un potentiel de changement de paradigme. Il est entièrement autonome, sans paramètres, et peut traiter de grands ensembles de données avec une efficacité computationnelle exceptionnelle.
Testé rigoureusement sur 1 000 ensembles de données divers, il a atteint un score moyen d’information mutuelle ajustée (AMI) de 97,7%. En comparaison, d’autres méthodes à la pointe de la technologie n’atteignent que des scores dans les 80%.
« Ce qui distingue Torque Clustering, c’est sa fondation dans le concept physique de couple, lui permettant d’identifier des clusters de manière autonome et de s’adapter sans effort à des types de données variés, avec des formes, densités et niveaux de bruit différents », déclare le Dr Jie Yang, premier auteur de l’étude.
Inspiré par l’équilibre de couple dans les interactions gravitationnelles lors de la fusion de galaxies, cet algorithme repose sur deux propriétés naturelles de l’univers : la masse et la distance. Cette connexion à la physique confère à la méthode une couche significative de pertinence scientifique.
Le prix Nobel de physique de l’année dernière a été décerné pour des découvertes fondamentales permettant l’apprentissage supervisé avec des réseaux de neurones artificiels. L’apprentissage non supervisé, inspiré par le principe de couple, pourrait avoir un impact similaire.
Torque Clustering pourrait soutenir le développement de l’intelligence artificielle générale, en particulier dans la robotique et les systèmes autonomes, en aidant à optimiser le mouvement, le contrôle et la prise de décision. Cet algorithme est prêt à redéfinir le paysage de l’apprentissage non supervisé, ouvrant la voie à une véritable IA autonome. Le code open-source a été mis à la disposition des chercheurs.