IA curieuse au service de la science : découverte automatisée de structures auto-organisées

Curiosity-driven AI for Science : Automated Discovery of Self-Organized Structures

• Auteur / Autrice : Mayalen Etcheverry
• Direction : Pierre-Yves Oudeyer, Clément Moulin-Frier
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 16/11/2023
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Centre de recherche Inria de l'université de Bordeaux (Bordeaux)
• Jury : Président / Présidente : Sebastian Risi
• Jury : Examinateurs / Examinatrices : Melanie Mitchell, Jeff Clune, Nicolas Brodu
• Jury : Rapporteurs / Rapporteuses : Sebastian Risi, Alán Aspuru-Guzik

Mots clés

Mots clés contrôlés

Systèmes complexes

Découvertes scientifiques

Sciences

Intelligence artificielle

Apprentissage automatique

Mots clés libres

Apprentissage automatique

IA pour la Science

Curiosité artificielle

Découverte scientifique

Systèmes complexes

Intelligence collective

Machine Learning

AI for Science

Artificial curiosity

Scientific discovery

Complex systems

Collective intelligence

Résumé

Les systèmes complexes sont très difficiles à prédire et à contrôler en raison de leur dynamique chaotique et de leurs vastes espaces de sortie. Cependant, comprendre et exploiter les mécanismes sous-jacents de ces systèmes offre de grandes promesses pour révolutionner de nombreux domaines scientifiques. Bien que des progrès considérables aient été réalisés dans la manipulation et la mesure de l'activité des systèmes jusqu'au niveau microscopique voire nanoscopique, un fossé fondamental persiste entre nos connaissances à l'échelle microscopique et notre capacité à contrôler les propriétés résultantes à l'échelle globale. Les outils modernes d'apprentissage automatique offrent des perspectives prometteuses pour aider les scientifiques à naviguer dans l'espace complexe des sorties du système, en particulier lorsqu'il s'agit d'atteindre de nouveaux buts morphologiques ou fonctionnels difficiles. Néanmoins, les méthodes actuelles ont tendance à restreindre et à biaiser l'étendue des événements que l'IA peut mesurer et tenter d'influencer. Cette thèse vise à appliquer et à développer les modèles computationnels récents d'apprentissage et d'exploration intrinsèquement motivés dans le but de concevoir des "assistants de découverte" IA pour aider les scientifiques à cartographier les résultats potentiels des systèmes auto-organisés. Pour atteindre cet objectif, plusieurs éléments clés sont introduits pour façonner efficacement le processus de découverte. Cela comprend l'utilisation de l'apprentissage non supervisé de représentations, la recherche de méta-diversité, l'apprentissage par curriculum, et l'intégration de guidage humain dans la boucle (par l'introduction de contraintes environnementales ou de préférences). Nous discutons de la manière dont ces composants, lorsqu'ils sont mis en pratique, peuvent contribuer à résoudre des problèmes scientifiques complexes. Cela comprend la recherche de motifs intéressants dans des modèles continus d'automates cellulaires, l'investigation des origines de l'agence sensorimotrice, l'exploration des capacités comportementales des réseaux de régulation génétique et la conception de formes innovantes de collectifs cellulaires pour des applications en IA et en biologie.

Complex systems are very hard to predict and control due to their chaotic dynamics and open-ended outcomes. However, understanding and harnessing the underlying mechanisms of these systems hold great promise for revolutionizing many areas of science. While considerable progress has been made in manipulating and measuring system activity down to the lowest level, there remains a fundamental gap between our knowledge at the micro-level and our ability to control resulting properties on a global scale. Modern machine learning tools offer promising avenues for assisting scientists in navigating the vast space of possible outcomes, especially when aiming for novel or challenging morphological or functional objectives. Nevertheless, current methods tend to constrain and bias the range of events that AI can measure and attempt to influence. This thesis aims to transpose and advance recent computational models of intrinsically motivated learning and exploration with the goal of designing more open-ended forms of AI "discovery assistants" for assisting scientists in mapping the outcome space of self-organizing systems. To that end, several key ingredients are introduced to efficiently shape the discovery process. These include the use of unsupervised learning for representations, meta-diversity search, curriculum learning, and external human guidance, whether environment-based or preference-based. We discuss how these components, when implemented in practice, can help address challenging problems in science. These challenges encompass the search for interesting patterns in continuous models of cellular automata, the investigation of the origins of sensorimotor agency, the exploration of gene regulatory networks behavioral capabilities, and the design of innovative forms of cellular collectives for applications in AI and biology.