Une intelligence artificielle peut fonctionner correctement pendant des mois puis devenir progressivement moins fiable, sans panne franche ni message d’erreur. Les capteurs vieillissent, une machine s’use, la saison change ou un procédé industriel est reconfiguré. Les données ne ressemblent plus tout à fait à celles utilisées lors de l’entraînement, mais le modèle continue d’appliquer ses anciennes règles.
Des chercheurs de l’Université du Maryland proposent une manière inhabituelle de repérer ce glissement. Leur algorithme ne s’inspire pas seulement des neurones, comme la majorité des réseaux artificiels, mais des astrocytes, des cellules du cerveau longtemps considérées comme de simples soutiens biologiques.
L’étude, publiée le 3 juin 2026 dans npj Unconventional Computing, montre qu’un système fondé sur des connexions oscillantes peut faire ressortir des changements difficiles à voir dans des flux de capteurs. Testée sur des données de dégradation de moteurs d’avion et sur deux bancs d’essai de traitement et de distribution d’eau, la méthode améliore plusieurs détecteurs existants et obtient de nouveaux meilleurs scores sur certaines configurations industrielles.
Le résultat ne signifie pas que l’algorithme est déjà prêt à surveiller une usine ou un avion en service. Il suggère plutôt qu’une caractéristique discrète du vivant, la coordination de rythmes lents entre cellules, peut fournir une nouvelle façon de reconnaître qu’un système est en train de changer.
Le problème silencieux du « concept drift »
En apprentissage automatique, le concept drift désigne un changement dans la relation entre les données reçues par un modèle et le phénomène qu’il doit surveiller. Le monde évolue, mais le modèle reste fondé sur une représentation du passé.
Prenons un système de maintenance prédictive entraîné avec les vibrations d’une turbine en bon état. Si un composant s’use lentement, le signal peut dériver pendant des semaines. Aucune mesure ne franchit nécessairement un seuil d’alarme. Pourtant, la combinaison entre température, pression et vibration ne suit déjà plus la dynamique habituelle.
Le même problème apparaît dans la finance, la cybersécurité, la santé ou la logistique. Une fraude adopte un nouveau comportement, les habitudes des utilisateurs changent ou un capteur est remplacé par une version légèrement différente. Un modèle peut alors perdre en précision sans que ses responsables le remarquent immédiatement.
Les méthodes classiques cherchent souvent une rupture statistique, une augmentation de l’erreur de reconstruction ou une anomalie isolée. Elles fonctionnent bien lorsque le changement est net. Elles ont davantage de difficultés lorsqu’il est lent, localisé à quelques capteurs ou dissimulé dans un système où les variables interagissent.
L’équipe du Maryland s’est intéressée à une autre question : au lieu d’observer seulement la valeur de chaque capteur, peut-on surveiller la manière dont leurs rythmes se coordonnent ?
Les astrocytes, l’autre moitié du cerveau
Les réseaux de neurones artificiels tirent leur nom d’une approximation très simplifiée du neurone biologique. Des unités reçoivent des signaux, les pondèrent puis transmettent un résultat. Cette abstraction a permis les progrès de la vision informatique, de la reconnaissance vocale et des grands modèles de langage.
Mais les neurones ne sont pas les seules cellules actives dans le cerveau. Les astrocytes, reconnaissables à leur forme étoilée, appartiennent à la famille des cellules gliales. Ils participent notamment à l’environnement chimique des neurones, à la régulation des synapses et à différentes formes de communication cellulaire.
Leur temporalité est différente. Les neurones peuvent transmettre des impulsions en quelques millisecondes. Les astrocytes produisent des variations plus lentes, qui se déploient sur plusieurs secondes et peuvent coordonner l’activité autour de nombreuses connexions.
Les chercheurs du Maryland étudient depuis plusieurs années la possibilité de traduire ces mécanismes en calcul. Leur hypothèse n’est pas que le cerveau fonctionne comme leur algorithme, ni que les astrocytes expliquent à eux seuls l’apprentissage. Ils utilisent un comportement biologique observé comme source d’inspiration pour concevoir une architecture différente.
Ce domaine relève de l’informatique neuromorphique : chercher dans le vivant des principes de traitement de l’information susceptibles d’améliorer des systèmes artificiels.
Des connexions qui pulsent au lieu de rester fixes
Dans un réseau classique, l’apprentissage modifie des poids numériques. Une connexion entre deux unités devient plus ou moins importante, puis sa valeur reste généralement fixe pendant l’utilisation du modèle.
L’algorithme appelé rhythmic sharing, ou partage rythmique, adopte une autre logique. La force des connexions oscille continuellement. Chaque lien possède une phase, comparable à la position d’un musicien dans un cycle rythmique. Le système apprend en coordonnant ces phases avec les dynamiques présentes dans les données.
Lorsque les entrées sont stables, certains liens se synchronisent et forment des groupes cohérents. Si la dynamique du système change, cette coordination est perturbée. L’algorithme doit réorganiser ses phases, et cette transition devient elle-même un signal observable.
Les auteurs décrivent deux niveaux de mesure. La synchronie globale résume la coordination de l’ensemble du réseau. Elle peut révéler une modification importante. Mais un changement subtil sur un seul capteur risque d’être noyé dans la moyenne.
Pour résoudre ce problème, l’étude introduit la synchronie par entrée. Elle mesure séparément la coordination des liens associés à chaque variable. Cette vue plus fine agit comme une loupe : un canal qui commence à se comporter différemment peut être repéré avant que tout le système paraisse anormal.
La méthode ne remplace pas directement un détecteur de panne ou de cyberattaque. Elle transforme les flux de capteurs en nouvelles caractéristiques, que des algorithmes de détection existants peuvent ensuite exploiter.
Un test sur la dégradation de moteurs simulés
Le premier jeu de données utilisé est NASA C-MAPSS, une référence fréquente en maintenance prédictive. Il simule le fonctionnement et la dégradation progressive de moteurs turbofan à partir de plusieurs capteurs.
Les mesures d’un moteur qui approche de sa fin de vie ne basculent pas toujours brutalement. Certaines relations entre variables commencent à évoluer alors que les valeurs brutes semblent encore normales. C’est précisément le type de changement que la synchronie par entrée cherche à amplifier.
Selon l’article, l’ajout des caractéristiques issues du partage rythmique améliore les performances de détecteurs généralistes et les rapproche de méthodes spécialement conçues pour ce jeu de données. Les courbes suggèrent également que le modèle réagit avant le seuil conventionnel utilisé pour définir la partie dégradée d’une série.
Les auteurs reconnaissent toutefois une limite méthodologique. Dans les travaux précédents, les 40 % finaux de chaque enregistrement sont considérés comme anormaux. Ce découpage uniforme ne correspond pas nécessairement au moment réel où chaque moteur commence à se dégrader. Une détection « précoce » peut donc révéler une vraie dérive, mais aussi exposer l’imprécision de l’étiquette de référence.
Ils n’ont pas non plus pu intégrer leur prétraitement aux deux meilleurs algorithmes spécialisés, dont le code source n’était pas disponible. Le résultat sur les moteurs reste donc encourageant, mais incomplet.
Des cyberattaques dans des installations d’eau
Les expériences les plus convaincantes portent sur SWaT et WADI. Ces jeux de données proviennent de bancs d’essai physiques représentant une installation de traitement de l’eau et un réseau de distribution.
Ils rassemblent des mesures de capteurs, des consignes, des états d’actionneurs et des séquences comprenant des cyberattaques. La difficulté tient au nombre de variables et à leurs relations. Une modification malveillante peut ne toucher qu’une petite partie du système, tandis qu’un changement d’exploitation parfaitement légitime peut également déplacer les données.
La synchronie par entrée réagit clairement aux deux attaques étudiées dans une séquence WADI. Elle montre aussi que tous les canaux ne dérivent pas de la même manière. Cette localisation peut aider un détecteur à ne pas diluer le signal dans l’ensemble des mesures.
Combinées à un modèle appelé NSIBF, les caractéristiques rythmiques dépassent le précédent meilleur résultat rapporté sur les deux jeux de données. Les auteurs parlent de nouveaux scores de référence pour la mesure F1, qui équilibre la précision des alertes et la capacité à retrouver les événements réellement anormaux.
L’amélioration n’est pourtant pas universelle. Le même prétraitement ne renforce pas le modèle BDM, fondé sur la reconstruction des données. Les chercheurs pensent que la représentation rythmique correspond particulièrement bien au fonctionnement dynamique et bayésien de NSIBF, tandis que BDM peut reconstruire ces signaux simplifiés même lorsqu’une dérive est présente.
Cette différence est importante : l’inspiration biologique n’agit pas comme un module magique que l’on pourrait ajouter à n’importe quelle IA. Sa valeur dépend de l’algorithme associé et de la structure des données.
Détecter un changement ne suffit pas à l’expliquer
Une alerte de dérive indique que le comportement du système s’écarte de ce qui était attendu. Elle ne dit pas automatiquement pourquoi.
Dans WADI, l’algorithme réagit fortement aux cyberattaques, mais aussi plus faiblement à une modification normale du débit demandé. Dans une usine réelle, une maintenance, une nouvelle matière première ou un changement de cadence peuvent produire un signal comparable à celui d’une défaillance.
Il faut donc distinguer trois tâches :
- reconnaître qu’une dynamique change ;
- déterminer si ce changement est normal, dangereux ou malveillant ;
- décider de l’action appropriée.
Le partage rythmique cible principalement la première étape. Il peut fournir un avertissement plus sensible et identifier les entrées concernées. Un opérateur, un autre modèle ou des règles métier doivent ensuite interpréter le contexte.
Cette séparation évite une promesse excessive. Un bon détecteur de dérive peut réduire le temps nécessaire pour enquêter, mais il ne remplace ni le diagnostic technique ni les procédures de sécurité.
Une méthode encore dépendante de ses réglages
Les auteurs signalent que la réaction de la synchronie varie selon les jeux de données et les types de dérive. Le choix des hyperparamètres joue aussi un rôle important dans les performances.
Cette sensibilité peut compliquer le passage à un environnement industriel. Les machines changent de régime, les capteurs sont bruités et les coûts des fausses alertes diffèrent selon les installations. Une méthode devra conserver son avantage sans nécessiter un réglage manuel permanent.
Les résultats sont par ailleurs obtenus sur trois jeux de données connus, dont deux proviennent de bancs d’essai. Ils permettent une comparaison reproductible, mais ne remplacent pas une validation prospective dans une installation en fonctionnement.
L’équipe veut maintenant étudier ce qui se passe après la détection. Un système adaptatif doit non seulement remarquer la dérive, mais aussi apprendre la nouvelle dynamique sans oublier les anciennes. Des travaux antérieurs sur le partage rythmique suggèrent qu’il pourrait mémoriser plusieurs régimes, mais cette capacité doit encore être démontrée sur les données industrielles de l’étude.
Une demande de brevet couvre également certains algorithmes et usages, avec l’Université du Maryland comme déposante. Le code de l’expérience reste disponible publiquement, mais les conditions futures d’exploitation mériteront d’être suivies.
Un nouveau rôle pour l’IA inspirée du vivant
L’intérêt de cette recherche ne réside pas dans l’imitation fidèle d’un cerveau. L’algorithme simplifie fortement les astrocytes et leurs interactions. Sa contribution est d’explorer un principe de calcul différent : des connexions qui apprennent par coordination temporelle et dont la désynchronisation révèle une transformation du milieu.
Cette approche pourrait être utile dans les systèmes où les données arrivent en continu et où les anomalies se construisent progressivement : moteurs, réseaux électriques, procédés chimiques, communications ou dispositifs médicaux.
Elle rappelle aussi que l’amélioration de l’intelligence artificielle ne passe pas uniquement par davantage de données ou de puissance de calcul. Une meilleure architecture, inspirée d’une fonction biologique longtemps négligée, peut rendre visibles des informations que les méthodes classiques utilisent mal.
Le véritable test commencera lorsque le partage rythmique quittera les jeux de données de référence. Il faudra alors mesurer sa robustesse face au bruit, aux changements légitimes et aux contraintes de calcul, puis vérifier si ses alertes permettent effectivement d’éviter une panne ou de détecter une attaque plus tôt.
Pour l’instant, l’étude apporte une preuve de principe solide : l’autre moitié cellulaire du cerveau peut inspirer des outils capables de mieux écouter les changements faibles d’un système artificiel.
Références
- Université du Maryland – UMD Leads MURI to Build Smarter Artificial Intelligence
- npj Unconventional Computing – Emergent detection of concept drift within the glia-inspired “rhythmic sharing” algorithm
- Physical Review Research – Rhythmic sharing: A bioinspired paradigm for zero-shot adaptive learning in neural networks
- Neurocomputing – Characterizing learning in spiking neural networks with artificial astrocytes
- GitHub – Code du modèle rhythmic sharing et des expériences de concept drift
