Les dernières avancées de l’IA : quelles sont les nouveautés et les prochaines étapes ?

L’intelligence artificielle (IA) continue de gagner en importance, grâce à son fort potentiel de révolutionner les industries.

Cette simulation de l’intelligence humaine dans les machines apporte, après tout, des avantages tels qu’une efficacité et une productivité accrues, une précision et une prise de décision améliorées, de nouvelles opportunités d’emploi et une expérience client améliorée.

L'IA est ainsi devenue un moteur essentiel de la croissance des entreprises, plus de 70 % d'entre elles l'adoptant. Selon les estimations, le marché mondial de l'IA pourrait atteindre des milliers de milliards d'ici 2030, grâce à l'augmentation des investissements et aux avancées technologiques.

Rien que cette année, nous ont connu des développements massifs : OpenAI a introduit un agent de recherche approfondie avec un taux de précision de plus de 25 % sur le benchmark Humanity's Last Exam ; DeepSeek a publié DeepSeek-R1, qui utilise le raisonnement par chaîne de pensée ; Baidu a lancé Ernie X1 et Ernie 4.5 ; et Stability AI a dévoilé un nouveau modèle, Stable Virtual Camera, qui permet de transformer des photos en scènes 3D.

Parallèlement, Google collabore avec l'entreprise taïwanaise MediaTek pour développer la nouvelle génération d'unités de traitement tensoriel (TPU) afin de réduire les coûts de production et la dépendance à l'égard des partenaires actuels. Parallèlement, un consortium composé d'OpenAI, d'Oracle, de SoftBank et de MGX a annoncé le projet Stargate, en collaboration avec le gouvernement américain.

La semaine dernière, Nvidia a annoncé une nouvelle gamme de « supercalculateurs personnels IA » alimentés par sa plateforme de puces Grace Blackwell. Son PDG, Jensen Huang, a dévoilé DGX Spark et DGX Station à GTC 2025 pour permettre aux utilisateurs de prototyper, d'affiner et d'exécuter des modèles d'IA de différentes tailles à la périphérie.

Alors, maintenant, allons-y jetez un oeil à certaines des avancées clés les plus récentes réalisées par les chercheurs grâce à l’IA dans différents secteurs.

Cliquez ici pour savoir si l’IA n’est qu’un battage médiatique ou si sa croissance est fondée sur une substance.

L'IA résout ses problèmes Propre Défis d'apprentissage

L'IA ne se contente pas de transférer d'autres secteurs, mais contribue également à elle-même en permettant le développement de systèmes d'IA plus sophistiqués grâce aux progrès de l'analyse des données, de l'apprentissage automatique et de l'automatisation., Conduisant pour un traitement plus rapide, des prévisions plus précises et une meilleure prise de décision. 

Ce mois-ci, les chercheurs ont présenté de nouveaux composants memristifs qui sont beaucoup plus robustes, peuvent fonctionner en modes analogique et numérique et fonctionnent sur une plage de tension plus large. 

Ces caractéristiques peuvent contribuer à remédier à l'« oubli catastrophique », qui se produit lorsque les réseaux de neurones artificiels oublient ce qu'ils ont appris précédemment. Cela se produit généralement lorsque les réseaux de neurones profonds (DNN), conçus pour imiter le cerveau humain, sont entraînés pour une nouvelle tâche et que la nouvelle optimisation écrase ce qui a été appris précédemment.

Notre cerveau n’a pas ce problème, grâce à sa capacité à ajuster le degré de changement synaptique. C'est aussi On soupçonne que les différents degrés de plasticité permettent à notre cerveau d’apprendre en permanence de nouvelles choses sans oublier les anciennes. Les chercheurs ont accompli quelque chose de similaire avec leur nouveau memristor.

Les memristors se comportent comme des cellules cérébrales et consomment extrêmement peu d'énergie. Dispositifs de mémoire à commutation de résistance, les memristors peuvent modifier leur résistance en fonction de la tension appliquée. Même après la mise sous tension, est désactivé, leur valeur de résistance demeure due à leur capacité à subir des changements structurels.

Selon Ilia Valov de l'Institut Peter Grünberg (PGI-7) du Forschungszentrum Jülich, qui a dirigé la recherche :

« Les éléments mémristifs sont considérés comme des candidats idéaux pour des composants informatiques capables d'apprendre, inspirés du cerveau et neuro-inspirés. »

Bien que des progrès substantiels aient été réalisés, la commercialisation des composants se déroule à un rythme beaucoup plus lent en raison du taux de défaillance élevé dans la production, de la courte durée de vie du produit et de la sensibilité aux influences mécaniques qui peuvent provoquer des dysfonctionnements pendant le fonctionnement.

Le présent nécessite des recherches sur un meilleur contrôle des processus à l'échelle nanométrique ainsi que sur de nouveaux matériaux et mécanismes de commutation pour réduire la complexité des systèmes et augmenter leur gamme de fonctionnalités, a déclaré Valov.

Pour ce très Dans ce but, des scientifiques allemands et chinois se sont réunis et ont « découvert un mécanisme memristif électrochimique fondamentalement nouveau, chimiquement et électriquement plus stable » qui élargira le horizon des applications des neurosciences.

Cliquez ici pour découvrir comment les puces cérébrales basées sur l’IA ouvriront la voie à la prochaine étape de l’évolution de l’humanité.

Percée du Memristor pour l'apprentissage continu de l'IA

Publié dans le revue Nature Communications¹, l'étude a identifié deux mécanismes principaux pour la fonctionnement des memristors bipolaires :

1. Métallisation électrochimique (ECM)
2. Mécanisme de changement de valence (VCM)

Les memristors ECM forment un filament métallique entre les deux électrodes. Ce minuscule « pont conducteur » modifie la résistance électrique et se dissout lors de l'inversion de tension. Bien qu'ils permettent des tensions de commutation faibles et des temps de commutation rapides, les états générés sont variables et de courte durée.

Les memristors VCM modifient leur résistance par le mouvement des ions oxygène à l'interface entre l'électrode et l'électrolyte, en modifiant la barrière Schottky. Bien que relativement stables, ces memristors nécessitent des tensions de commutation élevées.

Chaque processus ayant ses propre avantages et inconvénients, l'équipe a conçu un memristor en combinant les avantages des deux types, ce qui n'était pas considéré comme possible. 

Ainsi, le nouveau memristor utilise un filament composé d'oxydes métalliques (au lieu d'être entièrement métallique comme l'ECM), qui est formé d'oxygène et de tantale mouvement des ions. Il est très stable et ne se dissout jamais complètement. 

« On peut le considérer comme un filament qui existe toujours dans une certaine mesure et qui n’est modifié que chimiquement. » 

– Valov

Le nouveau mécanisme de commutation robuste est référé On parle alors de mécanisme de modification de la conductivité des filaments (FCM). Les composants basés sur ce mécanisme sont plus résistants aux températures élevées, nécessitent des tensions plus faibles pour leur production, ont une plage de tension plus large et sont chimiquement et électriquement plus stables. Leur durée de vie est également plus longue, car moins de composants grillent pendant la production, ce qui entraîne un taux de rebut plus faible.

Les différents états d'oxydation permettent en outre au memristor de fonctionner en modes binaire et analogique, ce qui peut aider surmonter le problème de « l’oubli catastrophique ».

Valov a expliqué que les « propriétés uniques » du nouveau memristor ohmique à deux bornes « permettent l'utilisation de différents modes de commutation pour contrôler la modulation du memristor de telle manière que les informations stockées ne soient pas perdues ».

Les chercheurs ont déjà implémenté le nouveau composant memristif dans un modèle de réseau neuronal artificiel dans une simulation, obtenant des précisions de reconnaissance de formes élevées sur plusieurs ensembles de données d'images.

L'équipe va maintenant explorer d'autres matériaux, potentiellement plus performants et plus stables. Valov est convaincu que leurs résultats « feront progresser le développement de l'électronique pour les applications de calcul en mémoire ».

Aujourd’hui, l’une des entreprises leaders dans le domaine de l’IA est Microsoft (MSFT + 0.59%), qui a investi 12 milliards de dollars dans OpenAI, le créateur de ChatGPT, et propose des produits d'IA comme Copilot, Azure AI Studio et des outils d'IA intégrés à Microsoft 365, Dynamics 365 et Power Platform. Les actions de ce géant technologique, dont la capitalisation boursière s'élève à 2.9 XNUMX milliards de dollars, se négocient actuellement à $394.58, en baisse de 7.17 % depuis le début de l'année. Pour le trimestre clos le 31 décembre 2024, rapporté une augmentation de 12 % du chiffre d'affaires à 69.6 milliards de dollars et un BPA dilué de 3.23 dollars.

Selon le PDG de Microsoft, Satya Nadella :

« Nous innovons dans notre pile technologique et aidons nos clients à exploiter pleinement le retour sur investissement de l’IA pour saisir les énormes opportunités qui se présentent à eux. Notre activité IA a déjà dépassé un chiffre d’affaires annuel de 13 milliards de dollars, en hausse de 175 % par rapport à l’année précédente. »

Dernières nouvelles sur Microsoft

L'IA dans les soins de santé, améliorer le diagnostic de la maladie de Parkinson

Dans le secteur de la santé, l’IA contribue à réduire les coûts et à obtenir de meilleurs résultats pour les patients en améliorant le diagnostic, le traitement et les soins aux patients grâce à la détection des maladies, à la médecine personnalisée et à une efficacité accrue des tâches administratives.

Désormais, l’IA va aider les cliniciens à diagnostiquer de manière différentielle la maladie de Parkinson et les affections apparentées plus rapidement et avec plus de précision.

Le diagnostic de la maladie de Parkinson se situe actuellement entre 55 % et 78 % au cours des cinq premières années d'évaluation, en partie en raison des similitudes avec les troubles du mouvement apparentés, ce qui peut rendre le diagnostic définitif initialement difficile. 

Cependant, un nouveau modèle d’IA développé par des chercheurs de l’Université de Floride et de l’UF Health Norman Fixel Institute for Neurological Diseases affiche un taux de précision supérieur à 96 %.

Comme l'a souligné l'étude, l'application d'une approche basée sur l'imagerie pour diagnostiquer et différencier les variantes parkinsoniennes de la maladie de Parkinson (MP), de la paralysie supranucléaire progressive (PSP) et de l'atrophie multisystématisée (AMS) s'est avérée particulièrement difficile. des données récentes ont montré que cela est possible avec l'IRM pondérée en diffusion associée à des algorithmes d'apprentissage automatique (ML) spécifiques à la maladie.

L'étude, financée par les National Institutes of Health et publié dans JAMA Neurology², a détaillé la différenciation automatisée de l'imagerie pour le parkinsonisme (AIDP), un logiciel automatisé de traitement d'IRM et de ML doté d'une technique de biomarqueur non invasive. 

Les fabricants d'IRM, David Vaillancourt, professeur au département de physiologie appliquée et de kinésiologie de l'UF, ont noté qu'ils ne communiquent pas entre eux en raison de la concurrence sur le marché et utilisent leurs propre logiciels et séquences. 

Les chercheurs ont donc « développé un nouveau logiciel compatible avec tous ces troubles ». Cet outil aidera les médecins à accroître l'efficacité de leurs diagnostics entre différents troubles, a déclaré Vaillancourt.

Alors que l'IRM pondérée en diffusion dans l'AIDP aide à identifier où se produit la neurodégénérescence en mesurant la façon dont les molécules d'eau diffusent dans le cerveau, l'algorithme analyse le scanner cérébral pour fournir les résultats. 

L'algorithme a été rigoureusement testé par rapport aux diagnostics cliniques en personne et mené sur 21 sites, dont deux au Canada et 19 aux États-Unis.

« C’est un exemple où l’innovation entre la technologie et l’intelligence artificielle a été prouvé pour améliorer la précision du diagnostic, ce qui nous permet d'améliorer encore le traitement des patients atteints de la maladie de Parkinson.

– Michael Okun, MD, directeur de l’Institut Norman Fixel pour les maladies neurologiques à UF Health. 

Les chercheurs cherchent désormais à obtenir l’approbation de la Food and Drug Administration (FDA) américaine.

Utilisation de l'IA pour prédire le risque cardiovasculaire grâce aux mammographies

Un autre modèle d'apprentissage profond a montré un potentiel pour prédire le risque cardiovasculaire à partir d'images mammographiques, un outil important de dépistage du cancer. étude présentée Lors de la session scientifique annuelle de l'American College of Cardiology (ACC), la puissance de l'IA est combinée aux mammographies pour analyser l'accumulation de calcium dans les artères du tissu mammaire.

L'accumulation de calcium dans les vaisseaux sanguins est un signe de lésions cardiovasculaires liées au vieillissement ou à un stade précoce de maladie cardiaque. Selon des études antérieures, les femmes présentant une accumulation de calcium dans les artères présentent un risque 51 % plus élevé de maladie cardiaque et d'accident vasculaire cérébral.

Bien qu’elles soient l’une des principales causes de décès aux États-Unis, les maladies cardiaques chez les femmes restent sous-diagnostiquées, ce qui peut changer grâce aux outils de dépistage par mammographie basés sur l’IA qui tirent mieux parti des tests que de nombreuses femmes reçoivent régulièrement. 

Aux États-Unis, environ 40 millions de mammographies sont effectuées chaque année. Ces radiographies sont utilisés pour dépister le cancer du sein. Bien que ces images montrent des calcifications des artères mammaires, les informations n'est pas signalé aux patients ou à leurs cliniciens.

La nouvelle étude a utilisé une technique d'analyse d'images par IA, jusqu'alors inédite pour les mammographies, afin de démontrer que cette technologie peut combler cette lacune en évaluant automatiquement la calcification et en fournissant ensuite une évaluation du risque cardiovasculaire. Selon l'auteur principal de l'étude, Theo Dapamede, docteur en médecine et chercheur postdoctoral à l'Université Emory d'Atlanta :

Nous voyons une opportunité pour les femmes de se faire dépister pour le cancer et de bénéficier également d'un dépistage cardiovasculaire à partir de leur mammographie. Notre étude a montré que la calcification artérielle mammaire est un bon indicateur de maladie cardiovasculaire, en particulier chez les patientes de moins de 60 ans. Si nous parvenons à dépister et à identifier ces patientes précocement, nous pourrons les orienter vers un cardiologue pour une évaluation plus approfondie du risque.

Pour développer cet outil, les chercheurs ont entraîné un modèle d'IA à segmenter les vaisseaux calcifiés sur les images mammographiques. Le modèle utilise ensuite ces pixels lumineux pour calculer le risque d'événements cardiovasculaires futurs. basé sur les données de plus de 56,000 XNUMX patients. 

« Les progrès de l’apprentissage profond et de l’IA ont rendu beaucoup plus facile l’extraction et l’utilisation de davantage d’informations à partir d’images pour éclairer le dépistage opportuniste. » 

– Dapamède

Les résultats de l’étude ont démontré que le nouveau modèle permettait d’identifier efficacement le risque cardiovasculaire des patients présentant un risque faible, modéré ou sévère sur la base d’images mammographiques. 

Selon eux, le taux d'événements cardiovasculaires graves augmente avec le niveau de calcification artérielle mammaire chez les femmes de moins de 60 ans et celles entre 60 et 80 ans après avoir calculé le risque de décès par crise cardiaque aiguë, accident vasculaire cérébral ou toute autre cause à deux et cinq ans.

Le présent rend cet outil particulièrement approprié pour fournir une alerte précoce du risque de maladie cardiaque chez les femmes plus jeunes, permettant ainsi des interventions précoces.

Les résultats de l'étude démontrent également que les personnes présentant le niveau le plus élevé de calcification artérielle mammaire, supérieur à 40 mm2, avaient un taux de survie sans événement à cinq ans considérablement plus faible que celles présentant le niveau le plus bas. en dessous de 10 mm2.

La prochaine étape pour les chercheurs est d'obtenir l'approbation de la FDA et de rendre ce test accessible à un plus grand nombre. À l'avenir, il est également prévu d'étudier l'utilisation de modèles d'IA similaires pour analyser les biomarqueurs d'autres pathologies, comme les maladies rénales, qui pourraient être extraits des mammographies.

Maintenant, lorsqu’il s’agit d’entreprises qui font progresser l’IA dans le domaine de la santé, GE Technologies de soins de santé (GEHC + 2.83%) investit massivement dans cette technologie et l'intègre à ses produits afin d'améliorer les soins aux patients et les flux de travail des cliniciens. L'action de cette entreprise, dont la capitalisation boursière est de 37.26 milliards de dollars, s'échange actuellement à 81.49 dollars, en hausse de 4.23 %. 4Q24, son chiffre d'affaires a augmenté de 2 % pour atteindre 5.3 milliards de dollars tandis que le BPA dilué était de 1.57 $.

Dernières nouvelles de GE Healthcare Technologies

L'IA dans la science des matériaux : Optimisation des processus de croissance des couches minces

La science des matériaux est essentielle aux avancées modernes car elle permet le développement de nouveaux matériaux et l’amélioration des matériaux existants. L’IA dans ce domaine contribue à accélérer la découverte et la conception de nouveaux matériaux, à optimiser ceux existants et à améliorer les processus de fabrication.

Des chercheurs de l'Université des sciences de Tokyo (TUS), dirigés par le professeur Masato Kotsugi, ont désormais utilisé l'IA pour optimiser les processus de croissance de couches minces en prédisant la croissance dendritique dans ces couches.

Ces processus jouent un rôle clé dans le développement de dispositifs semi-conducteurs, de technologies de communication et de technologies de capteurs.

Aujourd'hui, les films minces sont formés en déposant de fines couches de matériaux sur un substrat. Cependant, pour exploiter pleinement les performances des dispositifs à films multicouches, la précision de fabrication du substrat est essentielle, car elle influence considérablement la configuration structurelle, qui affecte ensuite leur fonctionnement et leurs performances.

Cependant, les structures sont considérablement influencées par les conditions du processus de croissance telles que la composition, l’atmosphère et les défauts de surface. Au cours du processus de croissance de la fabrication sur de grandes surfaces, qui est important pour son application commerciale, un obstacle majeur apparaît sous la forme de structures dendritiques.

Ces motifs de ramification en forme d'arbre réduisent la planéité des films minces et sont couramment observés dans des matériaux comme le graphène, le cuivre et le borophène, en particulier dans les premiers stades de croissance et les films multicouches. 

Étant donné que la microstructure influence directement les performances du dispositif, il est essentiel de réduire la formation de ramifications dendritiques. Pour cela, il est essentiel de comprendre la condition à l'origine de la ramification dendritique.. Les méthodes existantes d’étude des dendrites dépendent toutefois d’une simple analyse visuelle et d’une interprétation subjective, nécessitant un nombre considérable d’essais et d’erreurs.

Pour résoudre ces problèmes, les chercheurs ont développé un modèle d'IA permettant d'analyser les structures dendritiques. Cette méthode innovante intègre l'apprentissage automatique (ML) et l'homologie persistante (PH) à l'analyse énergétique pour relier structure et processus dans la croissance dendritique.

« Notre approche offre de nouvelles perspectives sur les mécanismes de croissance et propose une voie puissante, basée sur les données, pour optimiser la fabrication de couches minces. »

– Professeur Kotsugi

Combinaison de l'IA, du pH et de l'analyse énergétique pour étudier la croissance dendritique

Publié dans Science et technologie des matériaux avancés : méthodes³, les détails de l'étude le modèle qui utilise l'homologie persistante (PH) pour capturer les caractéristiques topologiques complexes des microstructures de dendrites, souvent négligées par les techniques traditionnelles de traitement d'image.

Alors que PH permet l'évaluation multi-échelle des trous et des connexions au sein des structures géométriques, l'analyse en composantes principales (ACP) de la technique ML a permis de réduire les caractéristiques morphologiques essentielles des dendrites extraites via PH à un espace 2D.

Cela a aidé l’équipe à quantifier les changements structurels dans les dendrites et à établir une relation entre ces changements et l’énergie libre dans le matériau qui a un impact sur la façon dont les dendrites sont formées.

Après avoir évalué cette relation, l’équipe a découvert les conditions particulières et les mécanismes de croissance cachés qui affectent la ramification dendritique. 

« Notre cadre cartographie quantitativement la morphologie dendritique en fonction des variations d'énergie libre de Gibbs, révélant ainsi les gradients d'énergie qui déterminent le comportement de ramification. » 

– Kotsugi

L'équipe a ensuite étudié la croissance des dendrites dans un substrat hexagonal en cuivre (Cu) et comparé les résultats aux données de simulations en champ de phase afin de valider son approche. Kotsugi a noté :

En intégrant la topologie et l'énergie libre, notre méthode offre une approche polyvalente de l'analyse des matériaux. Grâce à cette intégration, nous pouvons établir un lien hiérarchique entre les microstructures à l'échelle atomique et les fonctionnalités macroscopiques d'une large gamme de matériaux, ouvrant ainsi la voie à de futures avancées en science des matériaux.

Cette méthode, selon Selon lui, cela peut conduire au développement de dispositifs à couches minces de haute qualité pour une communication à haut débit au-delà de la 5G et à des avancées dans les matériaux hautes performances, la physique hors équilibre et la technologie des capteurs.

Maintenant, si nous regardons un nom important dans le domaine des sciences des matériaux qui utilise l’IA pour innover, Applied Materials (AMAT + 1.66%) figure parmi les leaders. L'entreprise exploite l'IA pour optimiser la fabrication de puces semi-conductrices grâce à sa plateforme IA(x), ExtractAI, et au système SEMVision™ H20. L'action de cette société, dont la capitalisation boursière est de 123.6 milliards de dollars, se négocie actuellement à 151 dollars, en baisse de 6.5 % depuis le début de l'année. Pour le premier trimestre 1, elle a rapporté une augmentation de 7 % du chiffre d'affaires à 7.17 milliards de dollars tandis que le BPA GAAP était de 1.45 $ et le BPA non GAAP de 2.38 $.

La volonté du secteur d'accélérer le développement de technologies de calcul avancées et d'une IA plus sophistiquée prend de l'ampleur. Applied Materials permet les évolutions majeures de l'architecture des dispositifs, essentielles à une IA économe en énergie. Notre concentration sur la co-innovation à grande vitesse crée des opportunités de collaboration uniques avec nos clients et partenaires, positionnant Applied pour une croissance continue et une performance supérieure dans les années à venir. 

– Le PDG Gary Dickerson le mois dernier

Dernières nouvelles sur les matériaux appliqués

Conclusion

L'IA transforme déjà les entreprises de tous les secteurs. Le rythme rapide de l'innovation offre désormais des solutions révolutionnaires à ses défis de longue date. Grâce à ces avancées, allant de la science des matériaux aux diagnostics médicaux, en passant par les supercalculateurs personnels, jusqu'aux solutions aux défis d'apprentissage de l'IA, nous entrons dans une ère prometteuse de transformations sans précédent.

Alors que l’IA continue d’évoluer, sa capacité à stimuler la productivité, à améliorer la prise de décision et à ouvrir de nouvelles frontières en fait l’une des forces les plus puissantes qui façonnent l’avenir.

Cliquez ici pour tout savoir sur l’investissement dans l’intelligence artificielle (IA).