Réseaux antagonistes génératifs

Un article de Wikipédia, l'encyclopédie libre.
Sauter à la navigation Sauter à la recherche
Page d'aide sur l'homonymie Pour les articles homonymes, voir Gan.

En intelligence artificielle, les réseaux adverses génératifs (en anglais generative adversarial networks ou GANs) sont une classe d'algorithmes d'apprentissage non-supervisé. Ces algorithmes ont été introduits par Goodfellow et al. 2014. Ils permettent de générer des images avec un fort degré de réalisme.

Un GAN est un modèle génératif où deux réseaux sont placés en compétition dans un scénario de théorie des jeux[1]. Le premier réseau est le générateur, il génère un échantillon (ex. une image), tandis que son adversaire, le discriminateur essaie de détecter si un échantillon est réel ou bien s'il est le résultat du générateur. L'apprentissage peut être modélisé comme un jeu à somme nulle[1].

L'apprentissage de ces réseaux est difficile en pratique, avec des problèmes importants de non convergence[2].

En art[modifier | modifier le code]

Le collectif d'artistes français Obvious[3] utilise les GANs comme outils de création artistique[4]. Les GANs génèrent une image fictive à partir d'une sélection d'images présentant des caractéristiques visuelles communes. Par la suite, l'image est améliorée, redéfinie pour être imprimée. La signature de leurs œuvres se caractérise par une formule mathématique indiquant la collaboration entre la technologie (associée à l'intelligence artificielle) et le processus artistique humain. Une de leur œuvre, intitulée Edmond de Bellamy, possiblement en l'honneur de Ian Goodfellow ("Bon ami" en français)[5], a été vendue 432 500 $ en octobre 2018. Le directeur de l'Institut des Carrières Artistiques (ICART) en France, Nicolas Laugero Lasserre, commente : "Leurs créations, sorte de collaboration entre l’humain et l’intelligence artificielle, marquent une césure et une prise de conscience dans l’histoire de l’art."[6]

En Espagne, l'artiste et programmeur Mario Klingemann utilise lui aussi les GANs dans sa démarche de création artistique avec son projet My Artificial Muse.[6],[7]

L'utilisation de ces algorithmes en art peut être associé à un courant nommé le "GANisme".

Pour la recherche[modifier | modifier le code]

En Russie, l'Institut de physique et de technologie de Moscou développe des GANs qui seraient capables d'"inventer" de nouvelles structures moléculaires dans le cadre de la recherche pharmaceutique. Ils seraient employés pour exploiter au mieux les propriétés spécifiques de molécules utilisées pour la fabrication de médicaments. L'existence de cette technologie pourrait apporter pour la recherche un gain de temps et de coûts, et améliorer l'efficacité ou réduire les effets secondaires de certains médicaments comme l'aspirine[8]. Sur le principe, les informations sur des composés aux propriétés médicinales reconnues sont intégrées dans le Generative Adversarial Autoencodeur, une extension du GAN, ajusté pour faire ressortir ces même données[9].

Artur Kadurin, programmeur pour le groupe Mail.Ru et conseiller indépendant chez Insilico Medecine, une entreprise américaine, annonce que : "Les GAN sont vraiment la ligne de front des neurosciences. Il est clair qu'ils peuvent être utilisés pour une gamme de tâches beaucoup plus large que la simple génération d'images et de musique. Nous avons testé cette approche avec la bio-informatique et obtenu d'excellents résultats."[8]

Cependant, bien que des progrès ont été notés dans l'apprentissage de ces GANs et qu'ils peuvent apporter une meilleure compréhension en biologie et chimie, il n'en reste pas moins que leur utilisation dans des essais cliniques ne sont pas encore fiables[10].

Notes et références[modifier | modifier le code]

  1. a et b Goodfellow, Bengio, Courville (2016), p. 690
  2. Goodfellow, Bengio, Courville (2016), p. 696
  3. (en) « About Us - Obvious Art », sur obvious-art.com (consulté le 24 novembre 2018)
  4. Christine Simeone, « Le première oeuvre d'art issue d'une intelligence artificielle vendues chez Christies », (consulté le 24 novembre 2018)
  5. « Nouvelles Technologies - L’art fait par intelligence artificielle fait un tabac chez Christie's », RFI,‎ (lire en ligne)
  6. a et b « Un tableau créé par algorithme mis à prix à 432 500 $ : une vente historique pour le collectif français Obvious ! », L'ADN,‎ (lire en ligne)
  7. Mario Klingemann, « Portrait generating ChainGAN », (consulté le 24 novembre 2018)
  8. a et b (en) « Neural network learns to select potential anticancer drugs — Moscow Institute of Physics and Technology », sur mipt.ru (consulté le 24 novembre 2018)
  9. Artur Kadurin, Alexander Aliper, Andrey Kazennov et Polina Mamoshina, « The cornucopia of meaningful leads: Applying deep adversarial autoencoders for new molecule development in oncology », Oncotarget, vol. 8, no 7,‎ (ISSN 1949-2553, lire en ligne)
  10. Alex Zhavoronkov, « Artificial Intelligence for Drug Discovery, Biomarker Development, and Generation of Novel Chemistry », Molecular Pharmaceutics, vol. 15, no 10,‎ , p. 4311–4313 (ISSN 1543-8384 et 1543-8392, DOI 10.1021/acs.molpharmaceut.8b00930, lire en ligne)

Bibliographie[modifier | modifier le code]

  • (en) Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville et Yoshua Bengio, « Generative Adversarial Networks », dans Advances in Neural Information Processing Systems 27,
  • (en) Ian J. Goodfellow, Yoshua Bengio et Aaron Courville, Deep Learning, MIT Press, (ISBN 0262035618, lire en ligne) [détail des éditions]