méthode

réseau neuronal profond

Un réseau de neurones avec plusieurs couches cachées, capable d'apprendre des motifs complexes à partir de données.
31 articles liés

Description

Un réseau de neurones profond est un modèle d'intelligence artificielle composé de plusieurs couches de nœuds interconnectés (neurones), chaque couche transformant les données d'entrée en représentations de plus en plus abstraites. Le terme « profond » fait référence aux nombreuses couches cachées entre l'entrée et la sortie, qui permettent au réseau d'apprendre des caractéristiques hiérarchiques — des bords simples dans les images aux objets complexes, ou des phonèmes aux phrases complètes dans la parole.

Histoire

Le concept d'architectures profondes remonte aux années 1960 avec le perceptron, mais l'entraînement de réseaux profonds était impractical jusqu'aux années 2000, lorsque des techniques comme le pré-entraînement par couches et les activations ReLU, ainsi que le calcul sur GPU, ont rendu l'apprentissage profond réalisable. La victoire d'AlexNet en 2012 lors du concours ImageNet a marqué la révolution moderne de l'apprentissage profond.

Comment ça marche

Chaque neurone d'une couche calcule une somme pondérée de ses entrées, ajoute un biais, et applique une fonction d'activation non linéaire (par exemple, ReLU). Pendant l'entraînement, le réseau ajuste ces poids en utilisant la rétropropagation, qui calcule le gradient d'une fonction de perte par rapport à chaque poids et les met à jour via la descente de gradient. Avec suffisamment de données et de puissance de calcul, le réseau apprend à minimiser les erreurs de prédiction. La structure hiérarchique signifie que les premières couches capturent des caractéristiques de bas niveau, tandis que les couches plus profondes les combinent en concepts de haut niveau.

En pratique

Les réseaux de neurones profonds sont utilisés dans la reconnaissance d'images, le traitement du langage naturel, la conduite autonome, le diagnostic médical et la recherche scientifique — de la détection des ondes gravitationnelles à la classification des galaxies.

Anecdote

Les réseaux de neurones profonds peuvent être trompés en ajoutant de minuscules perturbations imperceptibles aux images, ce qui les amène à classer un panda comme un gibbon avec une grande confiance — un phénomène appelé exemples adversariaux.

Concept graph →

Articles liés · 29

Thermostat sans thermomètre : comment le réseau trouve tout seul le point critique
Dans un immeuble de neuf étages, avec mille pièces à chaque niveau, certains chuchotent, d'autres crient. Les voisins transmettent les paroles, mais si tout le monde parle trop bas, le message s'éteint dès le troisième étage. S'ils parlent trop fort, il devient un rugissement inintelligible au dernier étage. Entre ces extrêmes, il existe un régime où le chuchotement parvient jusqu'en haut sans distorsion.
Optique2026-08-171 minarXiv:2608.16576express
Comment l'IA lit l'ADN molécule par molécule
Une molécule d'ADN, coincée dans une minuscule fente métallique, tremble et scintille sous le laser. Son signal n'est pas une ligne claire de lettres, mais un mélange chaotique d'éclairs et d'ombres. Déchiffrer ce bruit, c'est comme essayer de comprendre un murmure dans une salle bondée. Le nouveau réseau de neurones agit comme un interprète attentif.
Comment un réseau de neurones apprend à lire la tapisserie magnétique du Soleil
Chaque matin, des dizaines de télescopes se braquent sur le Soleil. Leurs caméras capturent une fine bande de lumière rouge : la raie Hα, découverte par Johann Jakob Balmer. Sur les images, des filaments sombres et capricieusement incurvés apparaissent.
Un navigateur intelligent qui ne se fait pas confiance
Un programme de suivi ordinaire ressemble à un navigateur qui guide un navire à l'aide des étoiles. Mais dès que le ciel se couvre, les coordonnées dérivent et l'incertitude dans les données augmente — c'est ce qu'on appelle l'entropie. Le nouvel algorithme s'adjoint un « copilote » : un module qui surveille le niveau de confiance du navigateur principal.
Tromperie synthétique : comment les fausses images apprennent à l'ordinateur à voir la vérité
Un cuisinier qui apprend à cuisiner avec des images dessinées risque de rater chaque plat. Le même piège attend la vision par ordinateur : les modèles ont besoin de milliers d'images annotées, mais les collecter à la main est coûteux et fastidieux. Les images synthétiques résolvent le problème, à condition qu'elles ressemblent à de vraies.
Un réseau de neurones repère les pépites dans un superalliage
Les ingénieurs fabriquent un alliage pour les concentrateurs solaires en y ajoutant des particules dures — comme des raisins secs dans une pâte, pour qu'elle garde sa forme sous une chaleur extrême. Des raisins trop gros, et le matériau fissure. Avant, les scientifiques les comptaient manuellement sur des images de microscope.
Le réseau de neurones ZooBot:3D a cartographié la structure de 639 000 galaxies
Imaginez qu'un éditeur de photos ordinaire sache détourer des objets sur une image, tandis que le réseau de neurones ZooBot:3D traite les galaxies lointaines comme un cartographe qui dresse la carte d'une terre inconnue.
Apprendre à une IA à lire les molécules comme une partition
Chercher la bonne molécule parmi des milliards de possibilités, c'est un peu comme chercher un grain de riz dans un sac de riz. Pour ne pas tout éplucher à la main, les chimistes font de plus en plus appel aux réseaux de neurones. Mais les grands modèles exigent des ordinateurs puissants, et les petits manquent souvent de vision d'ensemble.
Compiler une fois, différencier partout
Un interprète est assis dans la salle de réunion et traduit chaque mot. Mais voilà qu'il remarque que sa traduction pourrait être améliorée s'il apprenait de ses erreurs. Il commence à noter les phrases qui ont causé des incompréhensions et les corrige. Au bout d'une heure, sa traduction est plus précise et la réunion se déroule plus vite.
Le lourd jumeau de Higgs se cache dans quatre jets
Au cœur du détecteur du Grand collisionneur de hadrons, des protons entrent en collision et, pendant un bref instant, quelque chose de lourd naît.
Un détecteur de neutrinos apprend à entendre les murmures
Un photographe prend en photo une forêt de nuit et tente de capturer des lucioles. Les flashs sont rares, faibles, et autour, il y a le bruit du vent et des lumières lointaines.
Physique médicale2026-05-232 minarXiv:2605.24609express
Comment un réseau de neurones détecte les anomalies sur les IRM
Un correcteur relit un manuscrit avant impression. Il ne connaît pas toutes les erreurs possibles, mais il se souvient parfaitement de ce à quoi ressemble un texte impeccable. S'il voit un symbole étrange ou un mot flou, il entoure immédiatement l'endroit en rouge. C'est à peu près ainsi que fonctionne le nouveau programme de vérification des images médicales.
Un ordinateur chimique dans une éprouvette
Dans une éprouvette, des molécules flottent. Leur quantité — disons, la concentration d'une certaine protéine — devient le signal d'entrée. Et à la sortie, on ne veut pas juste une solution trouble, mais une réponse claire du genre « oui » ou « non ». Les auteurs de l'étude construisent une chaîne chimique qui fait exactement cela.
Optique2026-05-023 minarXiv:2605.01306express
Comment voir un gaz invisible : laser et apprentissage automatique
Cent personnes parlent en même temps dans une grande salle. Vous essayez d'en écouter une seule — mais les voix se fondent, certaines chuchotent, et vous ignorez même l'existence de certaines. C'est à peu près ce que ressent un analyseur de gaz laser classique lorsque des dizaines de substances se mélangent dans une chambre de combustion ou un tuyau d'usine.
Physique médicale2026-04-282 minarXiv:2604.25356express
Détective à rayons X sans antisèche
On goûte un smoothie aux fruits avec deux pailles différentes. L'une ne laisse passer que les gros morceaux, l'autre que le liquide. Pris séparément, les sensations sont trompeuses, mais ensemble, elles donnent la clé : tiens, on dirait de la banane, et là, de la fraise.
La pression artérielle sur une puce minuscule
Les montres connectées mesurent le pouls grâce à la lumière : une LED éclaire la peau et un capteur capte le signal réfléchi. En analysant les variations de ce signal, on peut estimer la pression artérielle, mais un calcul précis nécessite un réseau de neurones puissant — qui fonctionne généralement dans le cloud, ce qui implique l'envoi des données hors de l'appareil.
Théorie nucléaire2026-04-102 minarXiv:2604.09198express
Des quarks lourds dans une soupe brûlante
Lors des collisions de noyaux lourds dans les collisionneurs, un plasma de quarks et de gluons est créé — un état de la matière où les quarks et les gluons sont libres, comme l'eau dans la vapeur.
Prévisions météo sur une seule carte graphique
Prévoir la météo, c'est un peu comme essayer de prédire où roulera une pierre sur une pente en connaissant la forme de chaque bosse et la force du vent. On se trompe au départ, et une semaine plus tard, l'erreur s'est transformée en véritable tempête. Avant, pour des prévisions précises, il fallait d'énormes ordinateurs et des calculs de plusieurs jours.
Géophysique2026-03-161 minarXiv:2603.14844express
L'océan écoute à travers la fibre optique
Des milliers de kilomètres de câbles à fibres optiques reposent au fond de l'océan. L'Internet y circule, mais ces câbles ressentent aussi les moindres vibrations de l'eau et du sol. En tendant l'oreille à un tel câble, on peut entendre le chant d'un rorqual bleu ou les tremblements de la terre à des milliers de kilomètres.
Apprendre sur de multiples cerveaux
Un modèle d'apprentissage automatique classique examine un objet à la fois : un cerveau, un patient, un moteur. Mais les biologistes cherchent le général : comment le cerveau d'une espèce est organisé, et pas seulement celui d'un poisson particulier.
Un détecteur qui ne se fatigue pas
Le détecteur de particules du Grand collisionneur de hadrons fonctionne pendant des années sans s'arrêter. Ses capteurs produisent des montagnes de données à chaque seconde, et il faut repérer rapidement une défaillance — par exemple, une surchauffe ou un canal cassé. Avant, des règles simples surveillaient cela, mais elles faisaient souvent des erreurs.
Physique appliquée2026-03-012 minarXiv:2603.00995express
L'antenne prend du volume
Deux lampes sur une rive lointaine, la nuit, se fondent en une seule tache de lumière. De même, une antenne plate ordinaire ne peut pas distinguer deux émetteurs radio trop proches l'un de l'autre : leurs signaux se mélangent et le récepteur ne perçoit qu'un brouet confus.
Traitement du signal2026-02-282 minarXiv:2603.16891express
L'intelligence artificielle lit l'électrocardiogramme sans relâche
L'électrocardiogramme, c'est comme un long ruban sur lequel le cœur laisse son écriture. Le médecin l'examine pour repérer les troubles du rythme, mais quand l'enregistrement dure plusieurs jours, le ruban s'étire sur des kilomètres. L'œil se fatigue, l'attention se dissipe, et des anomalies rares mais dangereuses peuvent passer inaperçues.
Comment un réseau de neurones distingue les trous noirs des étoiles à neutrons
Un télescope à rayons X en orbite a enregistré pendant des années la lueur des systèmes binaires où une étoile ordinaire tourne autour d'un trou noir ou d'une étoile à neutrons. La matière de l'étoile compagne tombe sur l'objet compact, s'échauffe à des millions de degrés et émet des rayons X.
Physique chimique2026-01-181 minarXiv:2601.12268express
Comment les molécules se reconnaissent sans mode d'emploi
Lorsqu'une molécule invitée entre dans une molécule hôte, c'est un peu comme une clé dans une serrure. Mais les molécules n'ont pas de forme rigide : elles se plient légèrement, les charges à leur surface s'attirent ou se repoussent, et deviner comment elles vont s'assembler était très difficile. Le programme DeepHostGuest apprend sur des milliers de paires hôte-invité déjà connues.
Connexions denses contre résiduelles : comment DenseNet-121 surpasse ResNet-50 dans la détection du cancer du cerveau
L'épaisseur d'une coupe de tissu cérébral n'est que de 5 microns, soit vingt fois plus fine qu'un cheveu humain. Sur une telle coupe, le pathologiste recherche des signes de tumeur : forme anormale des noyaux, densité cellulaire accrue, vaisseaux anormaux. C'est un travail minutieux, et deux spécialistes peuvent avoir des avis divergents sur la même image.
Un réseau de neurones apprend l'amplitude de la mousse de spins
En 2008, un groupe de physiciens a passé des mois de temps de supercalculateur pour calculer une seule grandeur dans la théorie de la gravité quantique.