Un chercheur de Harvard propose de cibler des « problèmes façonnés pour Claude »
L'approche des « problèmes façonnés pour Claude » exploite les forces des LLM pour identifier des méthodes mathématiques transférables entre disciplines scientifiques, tout en exigeant le jugement d'experts pour évaluer leur valeur réelle.
Matthew Schwartz, qui avait précédemment utilisé Claude pour rédiger un article complet de physique théorique en deux semaines, a poursuivi son expérience. Cette fois-ci, il a décidé de ne plus forcer le modèle à se comporter comme un scientifique, mais plutôt de rechercher des problèmes scientifiques correspondant aux points forts des grands modèles de langage (LLM) modernes.
Il les appelle les problèmes façonnés pour Claude. Le concept repose sur l'idée que des structures mathématiques très similaires réapparaissent constamment dans différents domaines scientifiques, alors que les chercheurs d'un secteur ignorent souvent que la méthode dont ils ont besoin existe depuis longtemps ailleurs. Les LLM sont particulièrement doués pour détecter ces connexions au sein d'une littérature dispersée et volumineuse.
À cette fin, Schwartz et Claude ont développé BootLoops, une suite d'outils dédiés aux calculs mathématiques exacts. Initialement conçu pour la physique théorique, cet outil a permis à Claude de découvrir des problèmes pratiquement identiques en écologie, génétique, économie, linguistique et dans d'autres champs.
Par exemple, en écologie, le modèle a trouvé une équation issue de la théorie de la biodiversité qui n'avait pas pu être calculée efficacement sur de grands jeux de données pendant environ 20 ans, et l'a résolue en utilisant des méthodes issues de la physique mathématique. En génétique des populations, Claude a découvert un moyen de calculer exactement une intégrale, ce qui était approximé depuis près de 30 ans. Cela a permis aux chercheurs de tester un modèle de recombinaison de l'ADN sur un immense jeu de données génétiques et de détecter des traces de conversion génique auparavant difficiles à isoler.
Cependant, un problème majeur est apparu : si Claude excellait à trouver des résultats techniquement corrects, il peinait à comprendre s'ils étaient réellement intéressants pour une science donnée. Schwartz a soumis plusieurs de ces découvertes à des experts du domaine, recevant systématiquement la même réponse : techniquement impressionnant, mais scientifiquement peu pertinent.
Le flux de travail a donc évolué. Claude recherche désormais les liens entre les disciplines, écrit le code, effectue les calculs et explore les hypothèses, tandis que le scientifique expert décide quelle question vaut véritablement la peine d'être posée. Ainsi, un résultat initialement jugé sans intérêt en écologie est devenu, avec l'aide d'un expert, un nouveau modèle de dynamique forestière, et un calcul en génétique a conduit à l'analyse de milliards de paires de mutations.
Schwartz estime que c'est là que les modèles d'IA modernes peuvent déjà accélérer sensiblement la science. Une vaste couche de problèmes scientifiques peut être résolue non pas en inventant une nouvelle méthode, mais en transférant une méthode existante d'un autre domaine.
Pourquoi c'est important
AnalyseCette approche démontre que les LLM peuvent accélérer la découverte scientifique en créant des ponts entre des domaines éloignés, tout en soulignant que le rôle crucial de l'expert humain reste indispensable pour filtrer et valider la pertinence des résultats.
Discuter dans la communauté
Partagez vos questions et vos idées avec les développeurs