Des chercheurs du laboratoire d’informatique et d’intelligence artificielle du MIT (CSAIL) ont créé un nouveau modèle d’intelligence artificielle inspiré des oscillations neuronales du cerveau, visant à améliorer considérablement la traitement des longues séquences de données par les algorithmes d’apprentissage automatique. Les systèmes d’IA rencontrent souvent des difficultés à analyser des informations complexes qui se déploient sur de longues périodes — comme les modèles climatiques, les signaux biologiques ou les jeux de données financiers. Une catégorie récente de modèles d’IA, appelés « modèles d’espace d’état », a été développée pour mieux capturer ces motifs séquentiels. Cependant, ces modèles existants rencontrent fréquemment des problèmes comme l’instabilité ou la nécessité de ressources computationnelles lourdes lorsqu’ils traitent de séquences longues. Pour surmonter ces limitations, les chercheurs du CSAIL, T. Konstantin Rusch et Daniela Rus, ont introduit des « modèles d’espace d’état oscillatoires linéaires » (LinOSS), qui exploitent les principes des oscillateurs harmoniques forcés — un concept de physique qui apparaît également dans les réseaux neuronaux biologiques. Cette méthode garantit des prédictions stables, expressives et économes en calcul, sans imposer des contraintes trop strictes sur les paramètres du modèle. « Notre objectif était de reproduire la stabilité et l’efficacité que l’on observe dans les systèmes neuronaux biologiques, dans un cadre d’apprentissage automatique », explique Rusch. « LinOSS nous permet d’apprendre de manière fiable les dépendances à longue portée, même dans des séquences comptant des centaines de milliers de points ou plus.

» Ce qui distingue LinOSS, c’est sa capacité à maintenir des prédictions stables tout en exigeant beaucoup moins de critères de conception restrictifs que les approches précédentes. De plus, l’équipe a démontré mathématiquement la propriété d’approximation universelle du modèle, garantissant qu’il peut approximer toute relation continue et causale entre des séquences d’entrée et de sortie. Les tests ont montré que LinOSS surpassait systématiquement les modèles les plus avancés sur divers défis de classification et de prévision de séquences complexes. De manière remarquable, LinOSS a atteint presque le double des performances du modèle Mamba, très utilisé, sur des tâches de longues séquences. Reconnaissant son importance, cette recherche a été sélectionnée pour une présentation orale lors de l’ICLR 2025 — une distinction réservée aux 1 % des soumissions les plus remarquables. L’équipe du MIT espère que LinOSS aura un impact significatif dans des domaines nécessitant des prévisions et une classification précises et efficaces à long terme, tels que l’analyse en santé, la science du climat, les véhicules autonomes ou la prévision financière. « Ce travail illustre comment la rigueur mathématique peut impulser des avancées et des applications concrètes », souligne Rus. « Avec LinOSS, nous offrons à la communauté scientifique un outil puissant pour comprendre et prévoir des systèmes complexes, en faisant efficacement le pont entre l’inspiration biologique et l’innovation computationnelle. »