ÉCOLE THÉMATIQUE • LAURÉAT AMS DIM AI4IDF 2026
Grand Entretien : Quand la physique statistique rencontre l'optimisation
À l'approche de l'école thématique SGAP 2026, Marylou Gabrié (ENS-PSL) et Thomas Moreau (Inria Saclay) décryptent les vrais verrous de l'« AI for Science » : rigueur statistiques, respect des lois de la nature et benchmarks reproductibles.
📌 En résumé :
- Dépasser l'illusion du simple transfert : Appliquer le Deep Learning à la physique ou à la chimie exige des modèles qui respectent les symétries physiques et des méthodes statistiques pour garantir la généralisation.
- Rigueur des benchmarks : Contrairement à la vision par ordinateur classique, les données scientifiques réelles exigent une évaluation fine (gestion des biais, corrélations, expériences répétées) incarnée par des outils comme Benchopt.
- Pédagogie active et réseau : Du 2 au 4 novembre 2026 à l'Inria Paris, SGAP forme 100 chercheurs franciliens aux fondamentaux du ML pour libérer leur créativité et créer des ponts durables.
L'Interview Intégrale
Partie I : L'amorce historique. Quand la « science dure » rencontre les architectures de données
Des grands modèles physiques d'Ising à la révolution moderne des transformeurs, l'histoire des sciences montre que la physique mathématique et l'optimisation ont toujours partagé des fondations secrètes. Comment vos parcours respectifs se rejoignent-ils aujourd'hui pour formuler le projet SGAP 2026 ?
Marylou Gabrié : Il n’y a rien de sorcier là-dedans : face aux succès actuels du deep learning dans les applications commerciales, il est très naturel de se demander comment il peut aussi servir la recherche scientifique. C’est ce qui pousse des profils comme celui de Thomas à s’intéresser à des applications scientifiques en physique et en neurosciences, et des profils physiciens/chimistes/biologistes comme le mien à vouloir prendre en main ces outils. C’est pour ces derniers qu’on a voulu organiser SGAP : une école qui reprend les bases du machine learning pour permettre aux chercheur·se·s qui le souhaitent de raccrocher le train.
Thomas Moreau : Oui, tout à fait. De plus, le développement méthodologique est très souvent poussé par les applications. S'intéresser à ces dernières permet de comprendre ce qu'il n'est pas possible de faire, ou ce qui est plus compliqué qu'on ne le croit, et donc de mieux cerner les vrais verrous. C'est aussi la meilleure façon de s'assurer que ce que l'on développe est réellement utile aux personnes qui l'utiliseront. C'est dans cet aller-retour entre méthodes et applications que les deux approches se rejoignent.
« C'est dans cet aller-retour permanent entre méthodes et applications que les approches de la physique et de l'optimisation se rejoignent pour cerner les vrais verrous. » — Thomas Moreau, Chercheur chez Inria Saclay
On parle souvent de « l'IA pour la science » (AI for Science) comme d'un bloc homogène. Quels sont les écueils épistémologiques majeurs que vous observez chez les jeunes chercheurs qui appliquent des modèles de Deep Learning sur des données issues de la physique ou de la chimie ?
Marylou Gabrié : Les étudiants qui démarrent leur doctorat peuvent être amenés à crier victoire trop vite lorsqu’ils ont ces outils dans les mains. On leur apprend rapidement à être rigoureux, à faire toutes les vérifications et bien souvent à se rendre compte que ce n’est pas si simple.
Thomas Moreau : Face au foisonnement des méthodes, on peut vite se sentir perdu, d'autant que le domaine évolue très rapidement. Avoir en tête les grandes directions permet de se doter d'une boussole pour avancer, sans se laisser submerger par chaque nouvelle publication. C'est l'un des objectifs de l'école : transmettre ces repères.
Partie II : Anatomie des travaux de recherche. Entre échantillonnage et optimisation
Marylou, vos travaux se situent à l'interface de la physique statistique et de l'apprentissage automatique. Comment comptez-vous transmettre cette intuition pour aider les participants à concevoir des architectures qui ne violent pas les lois de la nature ?
Marylou Gabrié : Il existe effectivement toute une littérature, parfois qualifiée d’apprentissage automatique géométrique, qui vise à définir des modèles qui respectent la topologie et les symétries des systèmes d'intérêts tels que des molécules. Nous n’aurons probablement pas le temps de couvrir ces aspects avancés dans les deux premiers jours de tutoriels de SGAP. En revanche, le troisième jour de l’école, qui fera intervenir des chercheurs de divers champs déjà utilisateurs de l’apprentissage automatique, sera l’occasion de couvrir de tels exemples, notamment avec l’intervention du chimiste Romain Réocreux.
Thomas, vous êtes un expert de l'optimisation et l'un des mainteneurs clés de Benchopt. Comment votre expertise sur l'évaluation robuste va-t-elle armer les participants pour trier le bon grain de l'ivraie algorithmique ?
Thomas Moreau : Trouver un modèle qui fonctionne bien sur les données dont on dispose est en réalité très facile. Mais ce modèle est souvent inutile, car il ne généralise pas : il ne marche plus sur de nouvelles données. Ce problème est d'autant plus complexe que les algorithmes sont puissants, comme c'est le cas avec le deep learning. L’apprentissage statistique fournit des clés pour sélectionner des modèles qui généralisent, mais bien appliquer ces règles est parfois plus compliqué qu'on ne l'imagine. SGAP cherche justement à donner les clés pour éviter ces écueils statistiques et comparer les méthodes de manière fiable dans des domaines complexes tels que la physique ou la chimie.
« Trouver un modèle qui fonctionne sur ses données est facile. Obtenir un modèle qui généralise et reste valide en physique ou en chimie est le vrai défi. » — Marylou Gabrié, Assistant Professor à l'ENS-PSL
Partie III : Le Manifeste SGAP 2026. « A Scientist's Guide to AI »
Pourquoi le format académique traditionnel échoue-t-il à créer ce pont, et en quoi le programme construit avec vos co-organisateurs propose-t-il une pédagogie disruptive ?
Marylou Gabrié : L’idée est simplement d’accepter de revenir aux fondamentaux et d’avoir un format ni trop bref (pour avoir le temps d’exposer les concepts) ni trop long (pour que cela puisse se « caler » dans les emplois du temps bien remplis). Cette combinaison permet de rassembler les différentes disciplines et mettre le pied à l’étrier à celles et ceux qui n’ont pas encore sauté le pas d’imaginer comment l’apprentissage peut être utile à leurs recherches.
Thomas Moreau : Nous avons aussi choisi une pédagogie active, avec une large part de pratique. Apprendre en faisant permet aux participant·e·s de s'approprier les notions sur des cas concrets, plutôt que de les recevoir de façon abstraite. Cela leur donne aussi les moyens de réutiliser ces outils dans leurs propres recherches une fois l'école terminée.
Qu'est-ce qui différencie un bon benchmark en sciences dures d'un benchmark classique sur des jeux de données de vision par ordinateur (comme ImageNet) ?
Thomas Moreau : La complexité d'un benchmark en sciences est souvent la même que celle d'un benchmark sur des données réelles : ce ne sont pas des données propres, nombreuses et indépendantes. Contrairement au benchmark classique du machine learning (type ImageNet), les jeux de données réels nécessitent un design spécifique pour garantir la validité des conclusions : expériences répétées, prise en compte des corrélations, effacement des biais. La prise en compte de toutes ces composantes est clé pour s'assurer que les conclusions et donc la recherche qui en découle restent valides.
Le SGAP rassemble des forces majeures du DIM AI4IDF (ENS-PSL, Inria Saclay, Télécom Paris, IPSL). Comment cette alliance interdisciplinaire participe-t-elle à transformer la région en un hub majeur ?
Marylou Gabrié : SGAP sera une occasion de renforcer cet écosystème académique d’IA pour la science en donnant l'opportunité à de nouveaux chercheurs et chercheuses de le rejoindre, d’une part en les formant aux fondamentaux, et d’autre part en leur montrant des exemples de pairs pour lesquels l’IA est devenue un outil central de leurs recherches.
Si vous deviez vous projeter dans dix ans, quel aura été l'impact ou le déclic provoqué par cette école ?
Marylou Gabrié : Je ne suis pas prophète et je n’ai pas un gros résultat en tête qui me semble être le graal débloqué par l’IA. L’objectif de SGAP, c’est de mettre l'apprentissage automatique dans la main des esprits curieux et brillants qui feront la recherche de demain, en quelque sorte de débloquer leur créativité qui sera, je suis certaine, féconde.
Thomas Moreau : Vu la vitesse à laquelle le domaine évolue, je ne me risquerai même pas à faire des projections à un an, et encore moins à dix. Je serais surtout content que ce type d'événement déclenche des envies de collaboration entre participant·e·s. Ce sont elles qui sont porteuses d'innovation, pour l'IA comme pour chacune des disciplines concernées.
Propos recueillis par Khaled Benaida
À qui s'adresse l'école thématique SGAP 2026 ?
L'école s'adresse principalement aux chercheurs, enseignants-chercheurs, post-doctorants et doctorants travaillant en sciences exactes (physique, chimie, biologie, climatology, médecine) en Île-de-France et souhaitant intégrer les outils de machine learning dans leurs travaux de recherche.
Quel est le programme scientifique de l'événement ?
SGAP 2026 propose deux jours de tutoriels intensifs théoriques et pratiques (fondamentaux du ML, Python, scikit-learn, réseaux de neurones, modèles de diffusion) suivis d'une journée de conférences consacrée aux applications concrètes de l'IA dans divers champs scientifiques.
Comment le DIM AI4IDF soutient-il cette initiative ?
SGAP 2026 est lauréat de l'Appel à Manifestations Scientifiques (AMS 2026) du DIM AI4IDF, recevant un soutien financier majeur et un accompagnement stratégique pour structurer le réseau régional "AI for Science".
→ Consulter le programme sur Sciencesconf
→ En savoir plus sur l'Appel à Manifestations Scientifiques du DIM AI4IDF