IA appliquée aux sciences, à la matière et à la santé

Ce dossier rassemble seize prépublications qui ont un point commun inattendu : elles appliquent toutes de l'apprentissage automatique à un domaine où la vérité terrain est rare, coûteuse ou partiellement inaccessible. Un dossier médical rédigé en texte libre, un volume poreux dont on ne possède que des coupes, une structure cristalline qu'il faut affiner à l'aveugle, un état quantique mesuré sous bruit, un site sismique instrumenté par trois capteurs : dans chaque cas, le modèle doit produire une sortie plus riche que ce que l'observation contient réellement.

C'est pour cela que ces travaux se lisent ensemble. Pris séparément, chacun ressemble à une amélioration de métrique dans sa discipline. Mis côte à côte, ils décrivent une même difficulté méthodologique, et la plupart des auteurs la nomment explicitement dans leur section de limites. La question n'est pas de savoir si le modèle atteint un bon score, mais de savoir quelle unité est mesurée, sur quel protocole de séparation, et ce qu'il reste de la performance quand on change de machine, de site, de population ou de régime de bruit.

Le lecteur y trouvera, domaine par domaine, le problème posé, l'approche retenue, les chiffres que les auteurs rapportent et la limite qu'ils signalent eux-mêmes. Les sections sont regroupées par voisinage thématique : la santé et l'épidémiologie d'abord, puis la simulation moléculaire et la matière, puis les microstructures et la mesure physique, enfin l'instrumentation industrielle et environnementale. Une section transversale indique ce qui revient d'un travail à l'autre et ce qui reste ouvert.

Une chronologie clinique est une reconstruction, pas un compte rendu

CliniCIRCA traite des récits de sortie hospitalière en trois étapes : extraire les événements, leur attribuer une date et un niveau de certitude, puis produire une synthèse chronologique. La séparation rend visibles des erreurs de nature différente : oublier un événement, en altérer le sens, ou le mal dater.

Le corpus vient de MIMIC-III, en anglais. La sélection retient les admissions comportant un diagnostic du chapitre des troubles mentaux, sans exiger qu'il s'agisse du diagnostic principal. Les 14 882 résumés concernent 12 273 patients, et chaque résumé est une instance séparée : le dossier complet d'un patient n'est pas reconstruit à travers plusieurs admissions.

La validation humaine des premières étapes mobilise deux cliniciens et 52 références corrigées. Pour la synthèse finale, le juge automatique signale 262 erreurs, dont 39 seulement sont confirmées par les annotateurs. Les auteurs décrivent une inflation d'environ 6,7 fois, tout en rapportant un accord substantiel sur la présence d'au moins une erreur et sur le classement relatif des résumés. Un tel évaluateur aide à prioriser une revue sans fournir un décompte fiable.

Les auteurs reconnaissent qu'un format centré sur la date peut imposer une temporalité artificielle à des états durables ou à des faits intemporels. Certaines évolutions de l'affect restent dans la chronologie auditable sans être pleinement reprises dans le récit final, et les mêmes cliniciens ont contribué à la spécification de synthèse et à son évaluation, ce qui limite l'indépendance du jugement. L'étude ne comporte pas de référence mono-étape comparable avec le même modèle. Il s'agit d'une lecture de recherche sur la fidélité documentaire, sans conseil clinique.

ERCPMP-Gx relie l'image, le prélèvement et le génome

Zahra Ghaffari, Massih Bahar, Mojgan Forootan, Ali Darvishi et Hamidreza Bolhasani décrivent un jeu de données qui dépasse la collection d'images de polypes. Lorsque l'information existe, ERCPMP-Gx relie au niveau du cas les images endoscopiques, les clips vidéo, l'histopathologie et les résultats génétiques germinaux.

Le corpus rassemble 160 images et des clips issus de plusieurs modes d'imagerie, dont la lumière blanche, le NBI et le NBI magnifié. Environ 80 % des cas correspondent à des syndromes héréditaires de polypose, environ 20 % à des polypes non héréditaires ou à des lésions qui les imitent. Le protocole sépare le phénotype endoscopique observé du diagnostic génétique ou clinique, pour éviter d'attribuer à l'image une information qui n'était pas nécessairement connue au moment de l'examen.

La valeur principale de cette ressource est la jonction entre l'observation, la preuve histologique et le résultat germinal, ce qui permet de préparer des tâches de classification différentielle, de recherche multimodale ou d'audit de provenance. Le preprint décrit une ressource et son annotation ; il ne rapporte pas un modèle clinique déployé sur cette base.

Du point de vue éditorial, le découplage entre phénotype visible et diagnostic final vaut comme règle de conception : il prévient la fuite de cible. La multimodalité n'a d'intérêt que si ses liens et ses absences restent explicites. Les limites tiennent au cadre : un contexte clinique et une période circonscrits, 160 images, des données génétiques disponibles selon les cas. Des cohortes prospectives et multicentriques sont nécessaires avant toute conclusion sur l'utilité clinique. Ni ce preprint ni ce dataset ne remplacent l'avis médical.

Traduire des contrastes IRM d'un champ à l'autre

Les contrastes IRM d'un même cerveau peuvent être acquis à des champs et des modalités différents. Produire une image cible à partir de trois contrastes sources aide à comparer les structures, mais une méthode lente ou instable perd son intérêt dans un workflow clinique.

Siddharth Srivastava et Till Bretschneider encodent T1, T2 et T2-FLAIR dans un espace latent partagé. Un modèle de bridge conditionné par le champ et la modalité cible apprend le déplacement entre la source et la cible. À l'inférence, le pont est initialisé à l'état source puis intégré en un nombre réduit d'étapes, et le VAE décode le volume produit.

Sur les trois tâches de validation MRIxFields2026, les métriques rapportées sont SSIM 0,914, 0,885 et 0,902, pour des nRMSE respectifs de 0,289, 0,202 et 0,230. Le meilleur modèle d'ablation atteint SSIM 0,9269 en une seule étape d'inférence. Générer selon les trois orientations puis moyenner améliore le nRMSE, mais triple le temps d'inférence par volume : le compromis entre qualité et latence est explicite, pas implicite.

La limite principale est géométrique. La génération indépendante des coupes axiales peut créer des bandes et une incohérence inter-coupes, ce qui est précisément le type d'artefact qu'une métrique globale comme le SSIM dilue. Les résultats reposent sur un jeu de volontaires et des tâches de challenge ; ils ne remplacent pas une validation externe, radiologique ou clinique. Le document est un preprint ArXiv. Les travaux voisins sur les modèles de diffusion sont traités dans le dossier sur la génération d'image et de vidéo.

Des états cognitifs classés à partir d'EEG

K. A. Januka S. Fernando et Harshit Srivastava étudient la classification d'états de repos et d'états cognitifs à partir de signaux d'électroencéphalographie. Leur chaîne combine traitement du signal, analyse temps-fréquence, réseau convolutionnel et unité récurrente GRU, puis compare plusieurs classifieurs.

Les exactitudes rapportées sont de 83,177 % pour repos contre tâche mathématique, 76,107 % pour repos contre tâche de mémoire et 83,432 % pour repos contre écoute musicale. Ces valeurs portent sur la discrimination de conditions expérimentales, pas sur un diagnostic neurologique.

Le prétraitement n'est pas accessoire ici. Les filtres, l'ICA, la transformée de Fourier et les représentations temps-fréquence cherchent à isoler des motifs qui évoluent dans le temps ; le CNN extrait des structures locales, et le GRU modélise une dépendance séquentielle. Pour un outil d'analyse, la chaîne de prétraitement fait partie du modèle et doit être conservée avec la prédiction, sinon le score n'est pas reproductible.

Un système de tri EEG devrait rapporter la tâche, le protocole, la qualité du signal et le sujet concerné : cette recommandation est une lecture éditoriale, pas un résultat des auteurs. Une bonne exactitude sur des conditions contrôlées ne justifie pas d'inférer une intention, une capacité ou une pathologie dans un autre contexte. Les auteurs précisent que les performances dépendent du protocole EEG, de la population et de la séparation entre sujets et sessions. Le preprint ne transforme pas ces classes expérimentales en outil clinique validé, et les effets d'artefacts, de variations inter-sujets et de généralisation hors laboratoire restent à évaluer avant toute utilisation sensible.

Ce qu'un graphe causal permet vraiment d'identifier en épidémiologie

En épidémiologie, une association ne suffit pas à établir une cause. Les biais, les facteurs non observés et les interventions possibles déterminent ce qu'un graphe causal permet d'identifier. Sambit Mishra, Yingying Wang, Christine K. Johnson et Urbashi Mitra passent ces difficultés en revue, discutent les conditions d'identifiabilité et examinent des algorithmes de découverte pour des graphes orientés acycliques, y compris mixtes.

L'article introduit un modèle statistique structuré où un nœud ordinal suit un logit ordonné et les autres nœuds une famille exponentielle régulière à un paramètre. La direction entre ces deux types de nœuds y est identifiable pour des paramètres génériques, ce qui généralise le cas ordinal-Poisson.

Deux régimes algorithmiques se distinguent selon la taille du graphe. Pour les petits graphes, une recherche par score énumère les DAG compatibles et compare leur vraisemblance. À partir de six nœuds, une optimisation continue masquée inspirée de DAGMA impose les arêtes autorisées et contrôle l'acyclicité, les seuils ordinaux et les poids étant appris conjointement. Les expériences incluent des graphes à trois nœuds et des graphes bipartites de 50 nœuds ; le normalized SHD tend vers zéro avec la taille d'échantillon.

Les garanties dépendent d'une spécification correcte des familles et des liens, des hypothèses de chaque algorithme et de la qualité des données. La recherche exhaustive ne passe pas à l'échelle, et DAGMA dépend de l'optimisation, de la régularisation et du seuil de sparsité. Les validations sont simulées : la robustesse à la mauvaise spécification, aux données manquantes ou aux confusions non observées n'est pas mesurée. Le document est un preprint. Le cadre général est développé dans le dossier sur les graphes et la causalité.

GenAIMMD apprend où tirer pour observer une transition rare

Les transitions entre états métastables sont coûteuses à observer. Le Transition Path Sampling évite d'attendre une trajectoire d'équilibre complète, mais ses chemins successifs restent corrélés et son exécution est difficile à paralléliser. Une coordonnée de réaction idéale réglerait le problème, sauf qu'elle est rarement connue à l'avance.

Maximilian Negedly, Sebastian Falkner, Alessandro Coretti et Christoph Dellago proposent GenAIMMD. L'algorithme apprend activement le committor, qui estime la probabilité d'atteindre un état cible, puis entraîne un générateur de Boltzmann conditionné sur des fenêtres de biais. Les deux modèles sont affinés itérativement à partir des trajectoires produites, ce qui installe une boucle entre ce que l'on sait de la barrière et les données que l'on génère ensuite.

Sur un modèle bidimensionnel et un système polymère de dimension supérieure, les auteurs rapportent que GenAIMMD apprend le committor et le générateur, puis améliore substantiellement la performance par rapport au TPS standard. Le bénéfice visé est structurel plutôt que numérique : produire des points de tir indépendants et lancer les trajectoires en parallèle.

Vu comme une architecture d'agent, le committor joue le rôle d'une fonction de valeur orientée vers l'événement recherché : la boucle ne remplace pas la simulation, elle décide où investir les simulations suivantes. Cette lecture est éditoriale. Les auteurs, eux, bornent leurs démonstrations à un modèle jouet et à un système polymère, et ne revendiquent pas de supériorité pour toutes les dynamiques rares. La qualité dépend des données initiales et de l'apprentissage du committor comme du générateur ; une validation sur des mécanismes multiples reste nécessaire.

Hessiennes éparses et tronquées pour les potentiels interatomiques

Marcel F. Langer, Adrian Hill et Michele Ceriotti étudient les Hessiennes de potentiels interatomiques fondés sur des réseaux de messages. Une Hessienne complète demande beaucoup plus de produits Hessienne-vecteur qu'un calcul de force, mais la structure de voisinage du graphe peut révéler des blocs négligeables.

La méthode reconstruit la structure éparse à partir de puissances de la matrice d'adjacence. Une version tronquée ne conserve que les couplages jusqu'à un nombre donné de sauts : elle gagne des couleurs pour les produits Hessienne-vecteur, au prix d'une approximation des termes lointains.

Sur MACE et deux modèles Pet évalués sur des matériaux poreux, les couplages décroissent vite avec la distance de graphe. La différentiation éparse exacte reste proche de la dense et n'apporte que des accélérations médianes d'environ 1,7× pour MACE, 1,4× pour Pet-XS et 1,2× pour Pet-S. Avec un seuil de 0,1 % sur la capacité thermique, les versions tronquées atteignent 11×, 1,6× et 13× selon le modèle.

La vitesse n'a donc de sens qu'associée à une observable et à un seuil d'erreur. Une troncature acceptable pour une capacité thermique peut être insuffisante pour une grandeur qui amplifie les couplages lointains, et le nombre de sauts est un hyperparamètre de validation plutôt qu'une constante. Les tests portent sur des potentiels, structures et configurations matérielles spécifiques, en simple précision sur un GPU H100. Les zéolithes convergent plus lentement et les Hessiennes exactes restent peu éparses quand la portée d'interaction est grande. Les auteurs laissent ouverte l'analyse théorique de l'erreur et préviennent que les dérivées d'ordre supérieur ne se comporteront pas forcément aussi bien.

CrystalMO-TuRBO garde les compromis au lieu de les écraser

La détermination fine d'une structure cristalline peut exiger d'ajuster plusieurs familles de paramètres à la fois. Explorer tout l'espace coûte cher, et une méthode utile concentre les essais sur les régions prometteuses sans perdre les alternatives.

Joseph Agada, Yishu Wang et Arpan Biswas standardisent les résidus de diffraction X et neutronique, les convertissent en objectifs à maximiser, puis lancent plusieurs sous-problèmes scalarisés dans des régions de confiance TuRBO. Les paramètres structurels et d'extinction sont optimisés conjointement, une seconde phase affine localement le meilleur compromis, et l'archive conserve les deux objectifs pour visualiser le front de Pareto. Comparée à plusieurs méthodes d'optimisation bayésienne, cette stratégie localise plus précisément les régions intéressantes dans les expériences rapportées.

Sur le cristal Ho₂Ti₂O₇, dans l'expérience d'extinction primaire rapportée, le compromis atteint 11,46 en XRD et 11,67 en ND. Le raffinement conjoint par moindres carrés atteint 28,50 et 28,74. Les optimisations séparées obtiennent 8,82 et 11,02, meilleures en apparence, mais produisent des paramètres incompatibles, notamment pour l'occupation du holmium. La campagne va jusqu'à 400 évaluations coûteuses et compare plusieurs baselines MOBO.

Ce cas montre pourquoi un score unique peut tromper : deux optimisations séparées battent le compromis sur chaque objectif isolé tout en décrivant un cristal incohérent. La méthode est surtout un cadre pour réduire les évaluations coûteuses et conserver les trade-offs. Les performances dépendent des objectifs, des bornes, du modèle de substitution et des graines ; elles ne garantissent pas une structure correcte sans validation indépendante. L'évaluation porte sur un seul cristal de haute qualité et deux modalités de diffraction, et les scalarisations pondérées peuvent sous-représenter certaines zones du front de Pareto.

TetrisCNN rend lisible la détection d'une phase de matière

Identifier une phase de matière à partir de données expérimentales peut être précis sans être interprétable. TetrisCNN introduit une représentation structurée inspirée de pièces de Tetris afin de relier les décisions du réseau à des motifs observables.

Le travail porte sur des snapshots de simulateurs quantiques de Rydberg, pour des systèmes Ising 8×8 et XY 6×7, acquis dans plusieurs bases de mesure. Les branches convolutives de formes différentes sont pénalisées pour former un goulot d'étranglement parcimonieux. Le réseau combine apprentissage par confusion, détection de transition et classification supervisée ; les filtres sont ensuite traduits en corrélations de spins mesurables.

Le résultat intéressant est la traduction elle-même. Dans le cas Ising, une branche active peut se réduire à un seuil dans une coordonnée associée à une corrélation de spins. Dans le cas XY, une frontière polynomiale de corrélations atteint 99,84 % d'exactitude de validation dans l'expérience rapportée. Sur les trois familles de sondes hors distribution, cette frontière reproduit les prédictions de TetrisCNN à 100 %, tandis qu'une régression symbolique cherchant à reconstruire tout le logit perd de la robustesse, notamment sur la famille ferromagnétique. Chercher à expliquer la sortie entière est donc moins robuste que chercher à expliquer la frontière de décision.

Les auteurs rappellent qu'une carte d'activation n'est pas à elle seule une preuve causale et doit être confrontée à la physique du système. Les résultats concernent le simulateur, l'architecture, la pénalisation de parcimonie, la grammaire de régression et les phases du protocole. La transférabilité à d'autres dispositifs ou à des mesures plus bruitées reste à établir.

Caractériser un état quantique sous bruit, sans surinterpréter l'attention

Bo Tang, Zixuan Liao, Hao Li et leurs coauteurs présentent un Transformer-based Quantum State Characterizer pour la préparation distante d'états photoniques. Le modèle reçoit un vecteur de 13 mesures et reconstruit une matrice de densité par factorisation triangulaire complexe normalisée.

L'étude utilise des états purs et mixtes, un environnement de diffusion multimode et un bruit gaussien dynamique. La fidélité moyenne entre estimateur et cible rapportée dépasse 99,999 % dans les expériences RSP. Dans une tâche de transmission d'images MNIST sur des états tenus à l'écart, le taux d'erreur binaire rapporté passe de 50,34 % à zéro après post-traitement TQSC.

Les auteurs analysent une tête d'attention et ajoutent des interventions ciblées sur des groupes de tokens, mais précisent que les poids d'attention ne sont pas une explication directe de la prédiction : l'analyse est post hoc, soutenue par des perturbations complémentaires. Même prudence que pour TetrisCNN, dans un autre domaine.

Un système qui traite des mesures scientifiques devrait conserver le régime de bruit, la préparation cible et la séparation entraînement-test ; cette recommandation est éditoriale. Avec une fidélité annoncée à cinq neuf, l'audit porte moins sur le score que sur les raccourcis liés au matériel, à l'acquisition ou à une corrélation de dataset. Les résultats viennent d'un environnement contrôlé et de simulations de validation. Les auteurs signalent que la robustesse à des bruits plus complexes et la montée en échelle restent à étudier. Le temps d'inférence annoncé, environ 5,15 microsecondes sur RTX 3060, ne garantit pas la même latence ailleurs, et le modèle n'est pas un décodeur de correction d'erreurs logique.

Un volume 3D généré depuis quelques coupes 2D

La géométrie des pores et leur connectivité influencent les propriétés de matériaux comme les argiles et les ciments. Les acquisitions 3D sont coûteuses et limitées en volume, tandis qu'une image 2D est beaucoup plus accessible mais ne décrit pas directement les structures qui traversent le volume.

Ali Aouf, Eric Laloy, Bart Rogiers et Christophe De Vleeschouwer présentent Dimensionality Expansion Diffusion Adversarial Model, ou DimExDAM. Le générateur produit un volume 3D et un seul discriminateur 2D compare des coupes aux observations. La perte adversariale remplace la perte de débruitage standard, faute de vérité terrain 3D complète pour superviser directement le volume. Le protocole peut fonctionner avec aussi peu qu'une image 2D par orientation. Les auteurs comparent des matériaux de complexité variée, dont la Boom Clay, à SliceGAN, au moyen d'analyses visuelles, de descripteurs statistiques et de simulations de transport.

Le modèle est rapporté comme produisant moins d'artefacts de coupe et des volumes dont les fractions de phases et les descripteurs structuraux restent proches des références 2D. L'objectif annoncé est une génération stochastique statistiquement représentative, pas la reconstruction exacte d'un échantillon particulier.

La limite est d'ordre informationnel et les auteurs la posent clairement : une observation 2D ne suffit pas à identifier une microstructure 3D unique. Les volumes générés sont des réalisations plausibles sous les statistiques apprises, et non des jumeaux numériques du spécimen. Le résultat est sensible aux descripteurs retenus, aux orientations disponibles et au protocole de simulation. Le document est un preprint ArXiv.

Classer des microplastiques par spectroscopie radiofréquence

Jaden Tolbert, Md Saiful Islam et Pingshan Wang présentent une cytométrie diélectrique radiofréquence assistée par apprentissage, pour classer des microplastiques sans marquage. Le système mesure des paramètres de diffusion RF de 0,2 à 9 GHz et ajoute une estimation de taille issue de l'imagerie.

L'étude caractérise des particules nominales de 10 micromètres dans de l'eau désionisée, puis teste notamment des mélanges et des milieux salins. Pour huit classes en eau désionisée, les scores macro-F1, de précision et de rappel rapportés sont supérieurs à 0,71. La classification du PET reste largement maintenue avec 3,3 % et 6,6 % de sel marin. Parmi les modèles comparés dans le protocole, les forêts aléatoires donnent les meilleurs résultats.

Le dispositif de mesure pèse autant que le classifieur. Le système dépend du nettoyage du dispositif, de la stabilité de la ligne de base et de la calibration des paramètres S, et les événements aberrants ou les passages incomplets sont écartés après revue. Les auteurs évitent d'utiliser l'extension de données pour constituer les jeux de test, ce qui sépare la génération d'exemples d'entraînement de l'évaluation.

Un dispositif de monitoring ne devrait pas enregistrer la seule classe prédite : fréquence, milieu porteur, calibration et statut de l'événement sont nécessaires pour attribuer une baisse de score au capteur plutôt qu'au modèle. Cette lecture est éditoriale. Les expériences portent sur des particules, milieux et fréquences contrôlés. Les auteurs citent comme suites nécessaires une meilleure calibration, une couverture spectrale élargie, davantage de données et une validation sur des microplastiques vieillis ou biologiquement contaminés. La faisabilité rapportée ne vaut pas validation environnementale générale.

FreqCondNorm conditionne la normalisation par la fréquence

Les données de maintenance vont de séries à 1 Hz à des vibrations proches de 100 kHz. Zaynab Raounak, Camille LHermine et Zhiguo Zeng proposent FreqCondNorm pour traiter ces fréquences dans une architecture commune, sans présenter le résultat comme un modèle de fondation général.

La méthode remplace LayerNorm par une normalisation de style FiLM conditionnée par la fréquence, dans un Transformer PatchTST à canaux indépendants. Le pré-entraînement combine auto-encodage masqué et objectif InfoNCE temporel, avec un équilibrage des domaines.

Sur cinq jeux publics et un protocole de séparation sans fuite par identifiant de run, le modèle atteint 99,2 % sur CWRU, soit 6,4 points de plus qu'une baseline CNN. Le transfert zéro-shot sur MFPT, absent du pré-entraînement, est rapporté à 82,1 %. En revanche, la régression de durée de vie restante ne dépasse pas une baseline sans pré-entraînement. L'écart entre ces deux résultats est l'information la plus utile du papier : le gain existe pour le diagnostic et pas pour la RUL, dans les mêmes expériences.

Un système de maintenance peut utiliser un encodeur partagé pour comparer des machines, mais la fréquence, le capteur et la tâche restent des variables de contexte, et il devrait afficher le domaine vu pendant l'apprentissage, le protocole de séparation et la tâche pour laquelle le transfert est réellement mesuré. Cette recommandation est une interprétation éditoriale. Les auteurs notent que le corpus de cinq jeux publics reste modeste par rapport aux modèles de fondation usuels. Le document est un preprint ArXiv.

Suivre des fréquences propres qui varient vite

Les méthodes classiques d'analyse modale supposent souvent la structure et les excitations stationnaires sur la fenêtre étudiée. L'hypothèse devient fragile quand les fréquences propres varient rapidement sous l'effet du fonctionnement : une variation peut être confondue avec un élargissement spectral, une excitation ou un dommage.

Melisa Bozaci et Alice Cicirello combinent des historiques de déplacement et de vitesse, une estimation de la dynamique issue d'un modèle physique et des hypothèses sur les ratios d'amortissement. Le LSTM prédit les vitesses et les fréquences ; un filtre de Kalman étendu en déduit l'évolution temporelle des fréquences via les équations d'état. L'évaluation repose sur un modèle éléments finis d'une éolienne offshore à deux pales, avec quinze capteurs virtuels et des chargements de vent, de vagues et de fonctionnement. Le mode étudié en détail est FA-1, le premier mode avant-arrière.

Le RMSE maximal rapporté pour FA-1 est de 1,2×10⁻³ Hz. Les méthodes FDD, Enhanced-PSDT et BSS-Enhanced-PSDT ne distinguent pas correctement les variations rapides dans les scénarios opérationnels. L'expérience met au jour une asymétrie exploitable : le modèle entraîné sur les estimations EKF dépend fortement de l'amortissement supposé, tandis que celui entraîné sur le modèle physique résiste mieux à une hypothèse incorrecte. Les auteurs s'en servent pour estimer le ratio d'amortissement par recherche sur grille, avec une amélioration annoncée sur l'identification stochastique sous-espace pilotée par covariance.

La validation repose sur des données synthétiques et un modèle physique représentatif. L'approche suppose des historiques propres, des ratios d'amortissement approximativement connus et une cartographie des modes indépendants. L'estimation de l'amortissement reste sensible au bruit, ne mesure pas directement un dommage et ne traite ni les couplages de modes, ni le mode veering, ni la coalescence.

Pré-entraîner sur la simulation pour prédire une réponse sismique

« Seismic Site Response Prediction from Sparse Observations Using Finite-Element-Pretrained Latent Dynamics » propose d'utiliser des simulations éléments finis pour pré-entraîner une représentation de la réponse d'un site, puis d'adapter la dynamique latente à des observations sismiques plus rares.

Le schéma sépare deux phases : la physique simulée fournit un espace de représentation, puis les données disponibles corrigent la prédiction. La stratégie vise à réduire la dépendance à des observations denses tout en conservant une structure temporelle dans le modèle. Elle oblige aussi à distinguer une extrapolation assistée par simulation d'une mesure directe, ce qui n'est pas toujours visible dans la sortie.

L'application présentée compare la réponse prédite aux observations du cas d'étude et analyse la capacité de la dynamique latente à reproduire les signaux sismiques. Le preprint décrit une méthode et une application ; il ne transforme pas une prédiction moyenne en alerte opérationnelle universelle.

Le pré-entraînement physique agit comme un a priori : il aide quand les données manquent, et il importe des biais de modèle si la géologie simulée diffère du site réel. Conserver le maillage, les paramètres du solveur, les observations d'adaptation et l'incertitude résiduelle relève du minimum, mais cette prescription est éditoriale. La validation reste liée aux sites, signaux et configurations décrits par les auteurs. La rareté des observations, le choix du modèle éléments finis et le transfert vers d'autres géologies limitent la portée des résultats. Une utilisation pour la sécurité civile demanderait une validation indépendante, des intervalles d'incertitude et un protocole d'alerte dédié.

Un QLSTM récursif sur un horizon court de température

Mu-En Lee, Yen-Ku Liu, Samuel Yen-Chi Chen et Yun-Cheng Tsai évaluent une prévision à un pas sur des températures à court horizon. Dans « Recursive QLSTM », le terme récursif désigne la transformation metacore qui réutilise des représentations intermédiaires dans la mise à jour récurrente ; il ne signifie pas une réinjection des sorties sur plusieurs pas, et la distinction change ce que le résultat prouve.

Les auteurs comparent des fenêtres de 8, 16 et 32 jours sur les températures minimales et maximales de Toronto, avec 20 graines. La fenêtre de 8 jours donne l'erreur moyenne absolue la plus basse rapportée : 3,73 ± 0,18 contre 4,08 ± 0,24 pour le comparateur indiqué. Le RMSE associé est de 4,66 contre 5,15, et l'écart train-test est plus faible dans le réglage retenu. L'objectif déclaré est d'observer la stabilité de la trajectoire prédite, pas de présenter le modèle comme un capteur.

Un gain sur un horizon court peut disparaître quand l'horizon, la saisonnalité ou le site changent. La composante quantique de l'architecture ne suffit pas à établir un avantage général, d'autant que les métriques ne séparent pas l'effet du prétraitement, celui de la fenêtre et celui du choix des baselines. L'étude porte sur une ville, une variable météorologique et un horizon court. Les simulations ou circuits quantiques restent dépendants du matériel et du bruit, et le nombre de graines ne remplace pas une validation temporelle sur d'autres régimes climatiques. Les questions de protocole propres à ce type de tâche sont reprises dans le dossier sur la prévision de séries temporelles.

Ce qui se recoupe entre ces seize travaux

Le recoupement le plus net est la sous-détermination. Dans sept de ces travaux au moins, la sortie est strictement plus riche que l'entrée, et les auteurs l'écrivent. DimExDAM le formule le plus directement : une observation 2D ne suffit pas à identifier une microstructure 3D unique, donc les volumes produits sont des réalisations plausibles sous les statistiques apprises. CliniCIRCA dit la même chose sur l'axe du temps, puisqu'un format centré sur la date peut imposer une temporalité artificielle à des états durables. Le modèle sismique pré-entraîné par éléments finis et la traduction IRM entre champs partagent cette propriété. Dans tous ces cas, la question utile n'est pas la fidélité de la sortie mais la classe d'objets compatibles avec l'observation.

Deuxième recoupement : le score agrégé masque ce qu'il faut voir. CrystalMO-TuRBO en fournit la démonstration la plus franche, avec des optimisations séparées qui obtiennent 8,82 et 11,02 contre 11,46 et 11,67 pour le compromis, tout en produisant des paramètres incompatibles, notamment sur l'occupation du holmium. CliniCIRCA montre l'autre face du problème : un juge automatique qui signale 262 erreurs dont 39 sont confirmées, soit une inflation d'environ 6,7 fois, conserve pourtant un accord substantiel sur le classement relatif des résumés. La leçon est la même dans les deux cas : un évaluateur peut être utile pour ordonner et inutilisable pour compter. La question de ce qu'une métrique mesure réellement est traitée plus largement dans le dossier sur l'évaluation et l'incertitude.

Troisième recoupement : l'interprétabilité est revendiquée avec les mêmes réserves par deux travaux qui ne se citent pas. TetrisCNN obtient qu'une frontière polynomiale de corrélations atteigne 99,84 % d'exactitude de validation et reproduise ses prédictions à 100 % sur trois familles de sondes hors distribution, alors qu'une régression symbolique visant tout le logit perd de la robustesse. TQSC analyse une tête d'attention mais précise que les poids d'attention ne sont pas une explication directe de la prédiction. Expliquer la frontière de décision semble plus solide qu'expliquer la sortie entière, mais aucune des deux études ne généralise ce constat.

Un point de friction mérite d'être signalé. Les gains annoncés sont souvent conditionnels à une observable ou à une tâche, et parfois seulement à elle. FreqCondNorm atteint 99,2 % sur CWRU, soit 6,4 points de plus qu'une baseline CNN, et 82,1 % en zéro-shot sur MFPT, mais sa régression de durée de vie restante ne dépasse pas une baseline sans pré-entraînement. La différentiation éparse tronquée passe d'environ 1,7×, 1,4× et 1,2× en version exacte à 11×, 1,6× et 13× sous un seuil de 0,1 % sur la capacité thermique, et les auteurs avertissent que les dérivées d'ordre supérieur ne se comporteront pas forcément aussi bien. Un transfert mesuré sur une tâche ne dit donc rien du transfert sur une autre tâche du même modèle.

Ce qui reste ouvert est largement commun. Aucun de ces travaux ne dispose d'une validation externe au protocole qui l'a produit. Les corpus restent locaux : 160 images pour ERCPMP-Gx, un seul cristal pour CrystalMO-TuRBO, une ville pour le QLSTM, cinq jeux publics pour FreqCondNorm, une éolienne simulée à deux pales pour l'identification modale. Les études médicales et épidémiologiques ajoutent toutes la même réserve, en des termes voisins : il faudrait des cohortes prospectives et multicentriques, et le graphe causal appris dépend d'une spécification correcte des familles et des liens que les simulations ne mettent pas à l'épreuve. On ne sait pas, à la lecture de ces seize sources, lesquelles de ces méthodes survivraient à un changement de site, de matériel ou de population.

Sources

• arXiv:2609.19585v1 — CliniCIRCA: A Modular LLM Framework for Constructing Longitudinal Mental Health Patient Journeys from Raw EHR Narratives
• arXiv:2609.20815v1 — ERCPMP-Gx: Endoscopic Image and Video Dataset for Morphological, Histopathological, and Genomic Characterization of Colorectal Polyposis
• arXiv:2609.20341v1 — Fast Cross-Strength Multi-Contrast Brain MRI Translation using Latent Bridge Matching
• arXiv:2609.20467v1 — Deep Learning-Based Classification of Cognitive and Resting States Using Electroencephalography Signals
• arXiv:2609.20676v1 — Epidemiological Causal Graph Identification: Challenges, Identifiability and Algorithms
• arXiv:2609.20461v1 — Correlation-Free Transition Path Sampling through Shooting Point Generation Guided by Committor Learning
• arXiv:2609.20510v1 — Truncated automatic sparse differentiation for machine learning interatomic potentials
• arXiv:2609.20592v1 — CrystalMO-TuRBO: Multi-Objective Trust-Region Bayesian Optimization for High-precision Joint Crystal Structure Refinement
• arXiv:2609.20693v1 — TetrisCNN for interpretable detection of phases of matter from experimental quantum simulator data
• arXiv:2609.20523v1 — Noise-Robust Quantum State Characterization for Remote State Preparation with Deep Learning
• arXiv:2609.20358v1 — Generating Heterogeneous 3D Geological Microstructures from 2D Images via a Stable Diffusion-Adversarial Model
• arXiv:2609.20507v1 — Radio Frequency Detection and Classification of Microplastics in Water
• arXiv:2609.20535v1 — FreqCondNorm: Towards Cross-domain Predictive Maintenance through a Frequency-Conditioned Transformer Foundation Model
• arXiv:2609.20138v1 — Fast-varying Natural Frequencies and Damping Ratio Identification for Linear Time-Varying System
• arXiv:2609.20451v1 — Seismic Site Response Prediction from Sparse Observations Using Finite-Element-Pretrained Latent Dynamics
• arXiv:2609.20594v1 — Recursive Quantum Long Short-Term Memory for Stable Short-Horizon Temperature Forecasting