Conférence à l'Institut d'Astrophysique de Paris: "Astrophysique et Intelligence Artificielle"

Accueil et Présentation

• Accueillant: Conférences mensuelles à l'Institut d'Astrophysique de Paris.
• Audience: Public restreint (sanitaires), diffusion sur YouTube.
• Programmation à venir: Prochaine conférence par Henri McCracken sur les grandes structures de l'univers primitif.
• Conférencier du jour: Brice Ménard, professeur à l'Université Johns Hopkins, spécialisé en astrophysique et analyse de données.

Introduction à la Conférence

• Sujet: Astrophysique et intelligence artificielle.
• Thème principal: Évolution de l'analyse d'image en AI et en astrophysique.

Images en Astrophysique

• Beauté vs Analyse: Images astronomiques magnifiques mais difficiles à analyser.
• Challenge: Extraire une petite fraction de l'information des images riches.
• Exemple: Différence entre analyser une image du ciel profond (facile) vs magnifique image cosmique (difficile).

Notion de Texture

• Premier constat: Images riches en textures sont complexes à analyser.
• Approche classique: Besoins d'un bon langage pour l'analyse.

Limites de l'Analyse de Données

• Langage: Différents types de langages pour décrire une image (visuel, mathématique, etc.).
• Exemple concret: Difficile de décrire des formes spécifiques seulement avec un langage verbal classique.

Projets en Astrophysique

• Projets Massifs: Observatoires comme Subaru, Euclid, etc.
• Données massives: Environ 1 milliard de galaxies observées.
• Analyse des données: Transition nécessaire vers des ordinateurs pour l'analyse massive.

Machine Learning et Intelligence Artificielle

• Définitions: Différences entre IA et machine learning.
• Applications: Smartphones, systèmes de reconnaissance, traduction de langues, véhicules autonomes, etc.
• Historique: Points marquants (Jeopardy, Go, Atari, etc.).
• Révolution en 2012: Introduction des réseaux de neurones convolutifs, backpropagation, et utilisation des GPU.

Fonctionnement des Réseaux de Neurones

• Principe: Couche d'entrée, couche cachée, et couche de sortie.
• Apprentissage: Ajout progressif de pondérations pour s'adapter aux données vues.
• Exemples pratiques: Détection de formes, reconnaissance vocale, etc.

Réseaux de Neurones en Astrophysique

• Classifications des Galaxies: Passée de la classification manuelle à automatique avec les RN.
• Complexité des Textures: Analyse de la distribution cosmique des galaxies, fond diffus cosmologique.

Challenges et Réflexions

• Vue du Monde par les RN: Différente de la perception humaine (formes vs détails).
• Exemples de Limites: Difficultés des réseaux à identifier des formes ou des textures nouvelles ou réarrangées.
• Box Noire: Langage interne des RN souvent incompris et mystérieux.

Conclusions

• Nouveaux Outils: IA et machine learning révolutionnaires pour extraire des informations complexes.
• Possibilités futures: Combler les limites des approches statistiques classiques.
• Risques et Enjeux: Nécessité de décryptage du langage interne des réseaux de neurones.
• Prédiction: Révolutions majeures attendues dans d'autres domaines que l'astrophysique (biologie, écologie, neurosciences).

Questions et Réponses

• Perception et Utilisation: Conséquences et précautions des IA dans différents champs (médical, légal, etc.).
• Apprentissage: Besoins de grandes quantités de données pour les IA vs. rapide apprentissage humain.
• Regard Critique: IA en plein développement avec des avantages clairs mais aussi des limitations et dangers potentiels.

Bravo à Brice Ménard pour sa présentation et pour son effort à présenter en français !