Développé par des chercheurs de l’UC Berkeley, ce système d’intelligence artificielle (IA) génère des nœuds et des bords graphiques pour définir la structure des matériaux, tout en intégrant des contraintes de fabrication et des défauts potentiels.

Cela répond à un besoin croissant de métamatériaux optimisés pour des applications industrielles variées, depuis les pare-chocs de voiture aux implants médicaux.

L’originalité de Graphmetamat réside dans sa capacité à produire des conceptions viables qui non seulement respectent les exigences techniques, mais résistent également aux défauts induits par la fabrication.

Les chercheurs ont combiné plusieurs techniques d’apprentissage en profondeur pour surmonter les limitations des méthodes de conception existantes, qui peinent souvent à modéliser des comportements complexes.

Les méthodes actuelles, telles que le décodage autorégressif, entraînent des délais, en raison de leur nature séquentielle.

Des chercheurs du MIT et de Google ont proposé une approche innovante nommée « Pâtes », qui optimise le processus par le biais de l’apprentissage pour reconnaître et générer des segments de texte indépendants en parallèle.

Contrairement aux méthodes traditionnelles basées sur des règles fixes, cette technique permet aux modèles d’apprendre à orchestrer leur propre décodage, améliorant ainsi la vitesse de réponse sans compromettre la qualité.

L’équipe a constaté que cette approche permettait de réduire significativement les temps d’attente, avec des gains allant jusqu’à 2 fois la vitesse de réponse tout en maintenant une qualité comparable.

L’innovation réside dans l’utilisation d’un langage d’annotation qui permet aux modèles de marquer les sections pouvant être traitées simultanément, optimisant ainsi l’utilisation des ressources.

Alors que des systèmes propriétaires comme ChatGPT mènent la course, les chercheurs de l’Université de Pennsylvanie et de l’Allen Institute for AI ont mis au point une méthode innovante pour créer des figures scientifiques et des tableaux, permettant à des modèles open source de rivaliser avec leurs homologues fermés.

Leur ensemble de données COSYN-400K comprend plus de 400 000 images synthétiques et a montré qu’il surpassait des modèles de haute performance tels que GPT-4V.

Pour optimiser la création d’un large éventail de données, l’équipe a développé un logiciel appelé DataDreamer, qui automatise le processus de génération.

En intégrant des « personnages » pour diversifier les perspectives, Cosyn a produit des échantillons d’entraînement riches et variés.

Grâce à cette approche, les chercheurs espèrent rendre les techniques de formation visuelle accessibles tout en contournant les problèmes éthiques liés au contenu protégé.