Graphmetamat est un outil innovant de conception inverse permettant de créer des métamatériaux en utilisant une approche graphique et des entrées personnalisées.

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 résultats préliminaires montrent que les métamatériaux conçus avec Graphmetamat surpassent les solutions traditionnelles, ouvrant ainsi la voie à des innovations passionnantes dans le domaine des matériaux à haute performance.

Un nouveau défi de codage IA, le prix K, a été lancé par le Laude Institute, avec son premier gagnant, Eduardo Rocha de Andrade, un ingénieur brésilien ayant obtenu un score de réussite de seulement 7,5 % aux questions.

Ce défi vise à établir des barèmes rigoureux pour évaluer la performance des modèles d’IA en programmation, contrastant avec le système SWE-Bench qui présente des scores beaucoup plus élevés.

L’organisateur, Andy Konwinski, a mis en lumière le besoin de références difficiles et a promis un million de dollars au premier modèle open source atteignant un score supérieur à 90 %.

Le prix K, conçu comme une version sans contamination de SWE-Bench, utilise des problèmes de GitHub signalés après une date limite pour éviter l’apprentissage ciblé.

Les critiques soulignent l’importance de ces nouveaux repères pour évaluer l’IA, avec des opinions partagées sur les causes de la disparité de scores.

Konwinski insiste sur le fait que la difficulté de ce défi sert de rappel sur l’état actuel des capacités d’IA, incitant ainsi l’industrie à relever le défi et à repenser les attentes vis-à-vis des performances des modèles.

Les modèles de langage, comme ChatGPT, doivent répondre rapidement à des demandes de plus en plus 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.

Les résultats promettent d’améliorer l’accessibilité et l’efficacité des modèles, ouvrant la voie à des applications plus larges.