S'inscrire identifiants oubliés ?

Des bactéries résistantes aux radiations

© DR / KAERI / A. De Groot

Des rayons nocifs
La radioactivité se caractérise par l'émission de rayonnements alpha, bêta et gamma. Les dommages induits par ces rayonnements ionisants ...

Le nouvel or vert

Fabien Esculier, chercheur à l’École des Ponts ParisTech, a récemment publié les résultats de ses recherches portant sur une gestion alternative des urines et matières fécales. Ces recherches font partie du programme OCAPI (Optimisation des cycles Carbone, Azote et Phosphore en ville) qui ...

BepiColombo

(C) ESA. BepiColombo
La mission spatiale BepiColombo, lancée le 20 octobre 2018, depuis le Centre Spatial de Kourou en Guyane, se dirige vers Mercure.

Deux orbiteurs pour étudier Mercure

Après les sondes américaines Mariner10 en 1973 et Messenger ...

Lasers à l'honneur pour le Prix Nobel 2018

Arthur Ashkin a été primé pour l'invention des «pinces optiques», dont le principe repose sur l'utilisation des forces liées à la réfraction d’un faisceau laser en milieu transparent. Cette force va alors permettre de maintenir et de déplacer des objets microscopiques, voire ...

L'enjeu des débris spatiaux

Des débris dangereux qui s'accumulent

Depuis le lancement de Spoutnik 1 en 1957, le nombre de satellites artificiels en orbite autour de la Terre n'a cessé de croître. En 61 ans, on compte plus de 5000 lancements d'engins dans l'espace. Actuellement, quelque 1500 satellites sont actifs ...

Lidar au service du climat

L'altimétrie satellitaire

Le satellite ICESat-2 a été mis en orbite à une altitude de 466 km, avec à son bord le système ATLAS (Advanced Topographic Laser Altimeter System). Ce système d'altimétrie par satellite va analyser l'état des calottes polaires ...

Fin de partie pour les lampes halogènes

Pourquoi en finir avec les halogènes ?

À cause de leur durée de vie assez courte (2000 heures en moyenne) et d'une efficacité lumineuse médiocre, les lampes halogènes sont devenues obsolètes, dans un contexte où la sobriété énergétique ...

Titan Krios

Une technologie de pointe pour visualiser des composantes microscopiques

Le Titan KriosTM est un microscope électronique doté d'une caméra ultrasophistiquée, capable de fournir des images révolutionnaires par leur résolution. Grâce à un grossissement de plusieurs millions, ce microscope permet de "voir" à l'échelle atomique (de l'ordre du dixième de nanomètre). Le Titan KriosTM n'est pas seulement impressionnant par ses performances sur le plan de l'imagerie : il est aussi totalement automatisé et peut traiter en simultané jusqu'à 12 échantillons. Il fournit des données numériques, à très haut débit : en une journée, le Titan KriosTM peut acquérir jusqu'à un téraoctet d'images, ce qui va du reste représenter un défi en termes de stockage informatique.

Le Titan KriosTM utilise la technologie de cryo-microscopie électronique, qui consiste à porter à -180°C les échantillons à étudier pour les protéger et les observer au plus près de leurs conditions naturelles. Développée dans les années 80, cette technique de microscopie électronique est beaucoup plus rapide et moins risquée que les méthodes traditionnelles qui présentaient des risques importants de dénaturation des protéines fragiles ou instables. Son développement a valu à ses créateurs le prix Nobel de chimie en 2017. 

Une infrastructure inédite

Le premier modèle de Titan KriosTM a été créé en 2008 par Thermo ScientificTM KriosTM Cryo-TEM en collaboration avec le Max Planck Institute of Biochemistry en Allemagne. Mais c'est une nouveauté que de l'installer en milieu urbain, ce qui fait du modèle inauguré ce jour l'un des plus grands (d'une hauteur de près de 4m) et des plus puissants microscopes implanté en ville dans le monde. Son installation a nécessité de nombreux aménagements, notamment un bâtiment dédié, le bâtiment Nocard, avec son propre système d'aération pour garantir un environnement stable (température, taux d'humidité, vibration et source d'azote constants), ainsi que des murs intérieurs blindés pour échapper à tous les champs magnétiques extérieurs (dus au métro, aux téléphones ou au wifi par exemple).

Un atout pour la recherce médicale

Ces intallations vont permettre de créer une gigantesque bibliothèque d'images 3D de virus, de composants cellulaires ou de complexes de protéines. Grâce à ces données biologiques, les spécialistes vont pouvoir en savoir plus sur le fonctionnement et le développement de ces structures. Ces moyens d'observation pourraient ainsi conduire à des avancées dans de nombreuses disciplines, telles l'immunologie, les neurosciences, la biologie cellulaire, la bactériologie, la virologie, la parasitologie. Par exemple, ils pourraient contribuer à la conception de nouvelles stratégies pour la prévention des virus notamment. 

Publié le 13/07/2018

En savoir plus : document de presse de l'Institut Pasteur

Crédit image : Cryomicroscope électronique à balayage en transmission de 300 kV FEI Titan Krios, doté d’un filtre d’image Gatan (GIF), mention source : Tom Inoue (https://navigator.innovation.ca/fr/facility/mcgill-university/installation-de-recherche-en-microscopie-electronique)

» lire tous les articles 1 2 3 4 5 6 7 8
sciences en ligne
exploratheque
du premier stage au premier emploi


Des machines qui parlent entre elles ?
Les principes de fonctionnement de l’Intelligence Artificielle via le Machine Learning.

En Novembre 2016 le projet d’intelligence artificielle de Google : « Google Brain » a déchaîné les médias. Alors que deux unités d’intelligence artificielle étaient connectées entre elles, elles se sont mises à communiquer dans un langage nouveau et incompréhensible par un humain.

Pour comprendre ce qu’il s’est réellement passé il faut comprendre ce qu’on entend aujourd’hui par intelligence artificielle et plus particulièrement par Machine Learning (Apprentissage Automatique en français).

Qu’est-ce que le Machine Learning ?

Le Machine Learning a pour but de rapprocher le fonctionnement des machines du fonctionnement du cerveau humain notamment grâce à l’apprentissage. En effet, considérons les deux images ci-dessous :

Si on voulait écrire un programme qui permettrait d’identifier l’image 1 comme étant des bananes, il serait possible de dire à l’ordinateur que cet agencement de pixels correspond à des bananes. Cependant si avec le même programme on lui montre l’image 2, les changements de couleurs et d’agencements ne seraient pas compris et l’ordinateur serait incapable de l’identifier.

En tant qu’humain nous réussissons cette identification parce que dans notre vie, parmi les milliers d’images qui sont apparues sous nos yeux, nous avons appris à distinguer des éléments clés des bananes : forme, couleurs, texture, taille etc… Ce qui fait que nous pouvons faire abstraction de certains détails comme la couleur pour identifier l’image 2 comme étant des bananes. Le Machine Learning consiste à apprendre à faire la même chose aux ordinateurs. C’est la méthode la plus aboutie que nous ayons à ce jour pour créer des intelligences artificielles.

Comment marche le Machine Learning ?

Pour classifier des objets, il existe deux familles de Machine Learning : la Classification et le Clustering. Dans les deux cas, on part d’un ensemble de données appelé Data Set pour apprendre à l’ordinateur à créer des liens logiques entre des catégories. Prenons l’exemple d’un algorithme devant identifier les images 1 et 2 comme étant des bananes. Le Data Set sera un ensemble d’images de fruits en tous genres.

Dans le cas de la Classification, on dit à l’avance à l’ordinateur que l’image correspondant à une banane est une banane, celle d’un citron est un citron etc…, on appelle ça l’apprentissage supervisé. Avec cette méthode, en présentant l’image 2 à l’ordinateur, il saura dire qu’il s’agit de bananes. Il est très pratique mais nécessite des données précises et étiquetées ce qui est rare pour de gros volumes de données.

Processus d'apprentissage en Classification

Dans le cas du Clustering, on ne dit rien à l’ordinateur et c’est à lui de trouver des liens entre les images. Il s’agit d’apprentissage non supervisé. En lui montrant les images 1 et 2, l’ordinateur les regroupera avec d’autres images de bananes mais ne pourra pas dire « ce sont des bananes ». Cette méthode ne permet pas de mettre un nom sur une donnée entrante. Cependant il est très pratique lorsque le nombre et la diversité des données ne permettent pas de faire un étiquetage.

Processus d'apprentissage en Clustering

Et Google Brain dans tout ça ?

Dans le cas de Google Brain, les ordinateurs fonctionnaient avec des algorithmes de Machine Learning non supervisés. Pour simplifier on va dire qu’ils devaient simplement se transmettre des données. Mais le langage humain ou le langage binaire ne permettaient pas de le faire d’une manière optimisée. Les données qu’ils devaient échanger constituaient leur Data Set, et ils ont construit un nouveau langage permettant de transmettre ces données plus rapidement. S’ils avaient eu à échanger très souvent le mot « banane » et rarement le caractère « b » par exemple, il valait mieux remplacer « banane » par « b » et la lettre « b » par une autre combinaison éventuellement plus complexe.

On comprend alors qu’il n’y a pas de quoi s’inquiéter car avec le Machine Learning, les ordinateurs ne comprennent pas vraiment ce qu’ils sont en train de faire. Ils respectent juste une logique dictée par l’Homme et trouvent des liens entre les données qu’on leur fournit. Leurs décisions restent strictement cantonnées au but de l’algorithme : ici transmettre des données rapidement.

En savoir plus :

Benjamin Péri
Twitter Facebook Google Plus Linkedin email