Gabriel Peyré obtient la médaille d’argent du CNRS pour ses travaux mêlant transport optimal et IA
Pensé à l’origine pour des questions de logistique, le transport optimal est un outil mathématique qui ne cesse de trouver de nouvelles applications. Gabriel Peyré est devenu un spécialiste mondialement reconnu du transport optimal numérique qu’il utilise notamment pour quantifier la qualité de l’apprentissage par réseaux de neurones artificiels, utilisés entre autres pour analyser et générer textes, images et vidéos. Ces travaux lui valent la médaille d’argent du CNRS.
Entraîner des réseaux de neurones à reconnaître des images nécessite un très grand nombre de données méticuleusement étiquetées. Comme elles ne sont pas toujours disponibles, Gabriel Peyré, directeur de recherche CNRS au Département de mathématiques et applications de l’ENS (DMA - CNRS/ENS Paris), développe des techniques d’apprentissage non supervisé alternatives à l’aide du transport optimal.
Le transport optimal est un problème mathématique ancien, posé par Gaspard Monge au XVIIIe siècle dans un contexte militaire : quelle est la manière la plus économique pour que des soldats transportent du sable et en fassent des remblais ? Deux ensembles de points, dits de sources et de cibles, doivent ainsi être appariés le plus efficacement possible.
« La question a été résolue au XXe siècle par Leonid Kantorovitch, qui l’appliquait surtout à la planification de l’économie et a obtenu le prix “Nobel d’économie" », explique Gabriel Peyré. « Depuis, de nombreux chercheurs étudient et généralisent le transport optimal. De mon côté, je regarde comment l’utiliser pour entraîner des réseaux de neurones artificiels. »
Dans les travaux de Gabriel Peyré, les réseaux de neurones ne servent pas, comme souvent, à reconnaître des images, mais à en fabriquer. Des milliards de photos sont ainsi créées de la manière la plus réaliste possible. Dans ce contexte, le transport optimal quantifie à quel point elles sont crédibles ou non, et donc à quantifier la qualité de l’apprentissage de l’IA.
La volonté de créer de fausses images peut surprendre, surtout en regard de la popularité controversée des deepfakes, mais il s’agit d’un moyen détourné. « Les IA ont du mal à résoudre certaines tâches, souvent à cause d’un manque de données adaptées pour les y entraîner, déplore Gabriel Peyré. Mais en fabriquant efficacement des faux, ces algorithmes apprennent des représentations adaptées de ces images. Celles-ci peuvent ensuite être réutilisées pour d’autres tâches, qu’il aurait été difficile à résoudre directement. »
Ces algorithmes trouvent des applications dans la création automatique de contenu visuel, que l’on retrouve dans les arts numériques ou les jeux vidéo. Le premier projet ERC de Gabriel Peyré, Σ-Vision, était centré sur le traitement d’images et l’amélioration de leur qualité. Le chercheur travaille actuellement à un second programme, appelé Numerical optimal transport for imaging (NORIA), focalisé sur de nouvelles applications du transport optimal en IA, comme l’analyse des textures et des couleurs des images, ainsi qu’un volet sur le traitement des données en génomique.
Gabriel Peyré améliore ainsi l’efficacité des algorithmes d’apprentissage et les aide à passer à plus grande échelle, malgré les écueils causés par la grande dimension. Ses contributions se focalisent aussi, d’un point de vue plus théorique, sur une meilleure compréhension de ce qui influe sur leurs performances. Le but étant de pouvoir leur confier des tâches toujours plus difficiles et générales.
« Il y a beaucoup de pistes à explorer et j’en trouve des inédites en discutant avec mes étudiants et mes collègues, qu’ils soient mathématiciens ou non car j’échange beaucoup avec des biologistes et des physiciens, s’enthousiasme Gabriel Peyré. La médaille d’argent du CNRS est d’ailleurs une excellente occasion de diffuser ma recherche et d’en parler avec de nouvelles personnes. »