🤖 AI

ASIA: an Autonomous System Identification Agent

L'article présente ASIA, un cadre d'agents autonomes qui exploite les modèles de langage de grande taille pour automatiser le processus complet d'identification de système — de la sélection du modèle à l'entraînement et à l'évaluation — à partir uniquement de descriptions de problèmes en anglais courant, réduisant ainsi la dépendance aux essais et erreurs d'experts tout en mettant en lumière les défis liés à la transparence et à la reproductibilité.

Auteurs originaux : Dario Piga, Marco Forgione

Publié 2026-05-12

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Dario Piga, Marco Forgione

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez d'enseigner à un robot comment conduire une voiture, mais que vous ignorez les règles de la route, les particularités du moteur ou la meilleure façon de diriger. Autrefois, un expert humain devait passer des années à deviner quelle méthode d'enseignement fonctionnait le mieux, à ajuster les leçons et à réessayer encore et encore jusqu'à ce que le robot apprenne enfin. Ce processus est lent, coûteux et repose lourdement sur l'intuition de l'expert.

Ce papier présente ASIA (Autonomous System Identification Agent), un nouvel outil qui agit comme un apprenti surdoué et infatigable capable de faire ces devinettes et ces ajustements tout seul.

Voici comment ASIA fonctionne, décomposé en concepts simples :

1. Le Problème : Le Labyrinthe du « Essai-Erreur »

Penser à la construction d'un modèle d'un système réel (comme un réservoir d'eau ou un drone) comme à la recherche de la recette parfaite pour un gâteau. Vous devez décider :

Les Ingrédients : Faut-il utiliser de la farine, du sucre ou peut-être une épice secrète ? (En termes techniques : choisir le type de modèle, comme un réseau de neurones ou une équation physique).
Les Réglages du Four : Quelle température et combien de temps ? (En termes techniques : les hyperparamètres comme la vitesse d'apprentissage ou la taille des données).
La Méthode de Mélange : Comment les combiner ? (En termes techniques : l'algorithme d'entraînement).

Habituellement, un chef humain doit goûter le gâteau, réaliser qu'il est trop sec, ajouter plus d'œufs, le cuire plus longtemps et goûter à nouveau. Cela prend une éternité.

2. La Solution : ASIA en tant que « Chef Robot »

ASIA est un programme informatique alimenté par un grand modèle de langage (pensez-y comme à une IA très avancée capable d'écrire et de comprendre du code). Au lieu d'un chef humain, vous donnez à ASIA une instruction simple en anglais courant, comme : « Voici des données provenant d'un système de réservoir d'eau ; veuillez déterminer comment cela fonctionne. »

ASIA entre ensuite dans une boucle d'amélioration autonome :

Hypothèse : Il devine une nouvelle « recette » (une nouvelle structure de modèle).
Cuisson : Il écrit le code pour tester cette recette.
Dégustation : Il exécute le code et voit à quel point le modèle prédit l'avenir.
Apprentissage : Si le gâteau est mauvais, il lit les résultats, réfléchit : « Peut-être devrais-je utiliser un autre type de farine », et réessaye.

Il fait cela des centaines de fois sans jamais avoir besoin qu'un humain touche au clavier, jusqu'à ce qu'il trouve la meilleure recette possible.

3. L'Essai Routier : Deux Défis du Monde Réel

Les auteurs ont testé ASIA sur deux « cuisines » très différentes pour voir s'il pouvait préparer un bon repas :

Les Réservoirs d'Eau (La Cuisine Simple) : Imaginez deux seaux d'eau reliés par un tuyau. L'objectif est de prédire le niveau d'eau dans le seau du bas en fonction de la quantité d'eau versée dans le seau du haut.
- Résultat : ASIA a commencé avec un modèle de base et simple. Après quelques essais, il a réalisé que le modèle simple n'était pas assez puissant. Il s'est amélioré vers un « cerveau » plus complexe (un réseau LSTM) puis a trouvé un type spécifique de réseau (LTC) qui imite naturellement l'écoulement de l'eau. Il a fini par égaler les meilleurs résultats jamais publiés pour ce problème.
Le Nanodrone (La Cuisine Complexe) : Imaginez un tout petit drone à quatre hélices volant autour. Il possède 12 pièces mobiles différentes (position, vitesse, angles) interagissant toutes en même temps.
- Résultat : ASIA a commencé avec une approche standard. Ensuite, il a eu une idée brillante : au lieu d'essayer de prédire directement la position du drone, il a décidé de prédire comment la vitesse change, puis de calculer la position à partir de cela (imitant le fonctionnement réel de la physique). Il a également compris comment stabiliser le processus d'entraînement.
- Comparaison : Lorsque les auteurs ont comparé ASIA à une « recherche aléatoire » (où un ordinateur choisit simplement des paramètres au hasard comme à la loterie), ASIA a trouvé une bien meilleure solution beaucoup plus rapidement. Il a battu la recherche aléatoire et a même surpassé les meilleures méthodes conçues par des humains issues d'études précédentes.

4. L'Accroc : La « Boîte Noire » et le « Fantôme dans la Machine »

Bien qu'ASIA soit impressionnant, les auteurs sont honnêtes quant à ses défauts :

Le « Fantôme » (Fuite de Test) : Parfois, même si vous dites à l'IA « ne regardez pas l'examen final », elle pourrait accidentellement apprendre des indices à partir des questions de l'examen parce qu'elle en a lu dans ses données d'entraînement ou dans les articles de recherche que vous lui avez donnés. C'est comme un étudiant qui a mémorisé la clé des réponses d'un manuel plutôt que d'apprendre les mathématiques.
La « Boîte Noire » (Manque de Transparence) : ASIA peut cuisiner un gâteau parfait, mais il pourrait ne pas être capable d'expliquer pourquoi il a choisi ces ingrédients spécifiques. En science, savoir pourquoi un modèle fonctionne est souvent aussi important que le modèle lui-même. Parce qu'ASIA modifie son propre code, le chemin qu'il a emprunté pour y arriver est un peu un mystère.
Reproductibilité : Si vous demandez à ASIA de faire la même tâche deux fois, il pourrait proposer deux solutions légèrement différentes car l'IA est un peu aléatoire. C'est comme demander à un chef humain de préparer le même plat deux fois ; il pourrait utiliser des quantités de sel légèrement différentes.

La Conclusion

Le papier conclut qu'ASIA n'est pas un remplacement pour les experts humains, mais plutôt un assistant puissant.

Pensez-y comme à un accélérateur de recherche. Il peut explorer rapidement des milliers de possibilités qu'un humain n'aurait jamais le temps de vérifier. Il trouve la « meilleure recette » plus vite que quiconque, mais les humains sont toujours nécessaires pour comprendre les ingrédients, vérifier les résultats et s'assurer que la science a du sens.

Les auteurs voient cela comme une première étape vers un avenir où l'IA aide les ingénieurs à concevoir de meilleurs contrôleurs, à optimiser les machines et à résoudre des problèmes d'ingénierie complexes, mais le « chef cuisinier » humain reste toujours aux commandes de la cuisine.

Résumé technique : ASIA – Un Agent Autonome d'Identification de Système

Énoncé du problème

L'identification de systèmes consiste à apprendre des modèles dynamiques à partir de données entrée-sortie, un processus nécessitant une séquence complexe de choix de conception interconnectés. Les praticiens doivent sélectionner une classe de modèle (allant des espaces d'état linéaires aux réseaux de neurones non linéaires), définir des hyperparamètres architecturaux (par exemple, profondeur du réseau, fonctions de noyau, types de cellules récurrentes) et régler des hyperparamètres d'optimisation (par exemple, taux d'apprentissage, régularisation, tailles de lots). Actuellement, ces décisions reposent fortement sur des essais-erreurs empiriques et une expertise métier. Bien qu'une automatisation partielle existe pour des familles de modèles fixes (par exemple, via l'optimisation bayésienne), la sélection de la classe de modèle et la conception de l'algorithme d'entraînement lui-même restent largement manuelles, chronophages et dépendantes de l'intuition experte.

Méthodologie : Le cadre ASIA

Les auteurs proposent ASIA (Autonomous System Identification Agent), un cadre qui délègue la recherche itérative de configurations d'identification optimales à un Grand Modèle de Langage (LLM) agissant comme un agent de codage autonome. Plutôt que d'introduire un nouvel algorithme d'identification, ASIA automatise le processus de découverte.

Composants principaux

Le cadre fonctionne selon une boucle itérative avec une intervention humaine minimale, ne nécessitant qu'une description en anglais courant du problème d'identification. Il se compose de quatre composants principaux :

Description du problème : Un document détaillant la tâche, les données disponibles, les connaissances physiques antérieures, les approches candidates et le protocole de recherche.
Pipeline d'évaluation immuable : Un système en lecture seule responsable du prétraitement des données, du découpage par validation croisée et du calcul de la métrique d'évaluation ( $V(\theta)$ ). Cela garantit que toutes les solutions candidates sont évaluées dans des conditions identiques.
Composants modifiables ( $\theta$ ) : Un ensemble de fichiers de code représentant les architectures de modèles, les fonctions de perte et les stratégies d'entraînement que l'agent peut modifier librement.
Boucle d'expérimentation itérative :
- L'agent analyse l'historique des essais précédents ( $T$ ), incluant les modifications de code et les métriques de performance.
- Il formule une nouvelle hypothèse et modifie le code pertinent pour implémenter une nouvelle configuration $\theta_k$ .
- L'agent exécute l'entraînement et l'évaluation, observe la nouvelle métrique et met à jour son état interne.
- Ce cycle se poursuit jusqu'à épuisement du budget de calcul ou saturation des performances.

Le cadre est instancié en utilisant Claude Code propulsé par le LLM Sonnet 4.6. Il prend en charge l'injection de connaissances métier (par exemple, lois physiques, références bibliographiques) et de stratégies candidates, mais ne les exige pas.

Études de cas empiriques

Les auteurs ont évalué ASIA sur deux benchmarks distincts, comparant son efficacité de recherche et la qualité finale des modèles par rapport à des références.

1. Système de deux réservoirs en cascade

Tâche : Identifier un système non linéaire de deux réservoirs d'eau avec des niveaux de réservoir supérieur non mesurés et une non-linéarité de saturation dure.
Protocole : Validation croisée en 2 plis sur une trajectoire d'entraînement de 1024 échantillons ; évaluation via l'erreur quadratique moyenne (RMSE) en simulation en boucle ouverte.
Processus de recherche : Partant d'un RNN standard (4 unités cachées, RMSE 0,681), l'agent :
- Itération 3 : A basculé vers un LSTM à 2 couches (128 unités) avec rétropropagation tronquée, réduisant le RMSE à 0,430.
- Itération 5 : A introduit un biais inductif en remplaçant le LSTM par un réseau à constante de temps liquide (LTC/CfC) (64 états cachés). Cette architecture, structurellement prédisposée aux systèmes dissipatifs, a atteint un RMSE de validation de 0,250.
Résultat : Le modèle d'ensemble final a atteint un RMSE de test de 0,298, performant à égalité avec les meilleurs résultats rapportés dans la littérature du benchmark.

2. Dynamique de nanodrone

Tâche : Identifier la dynamique de vol d'un quadricoptère Crazyflie 2.1 (système MIMO à 12 états) à partir de données de vol réelles.
Protocole : Validation croisée leave-one-trajectory-out ; évaluation via l'erreur absolue moyenne (MAE) sur des simulations de 50 pas.
Processus de recherche : Partant d'un LSTM à couche unique (MAE 0,707), l'agent :
- Itération 3 : A introduit une architecture informée par la physique (KinematicsLSTM) où le réseau récurrent prédit uniquement les incréments de vitesse/vitesse angulaire, tandis que la position et l'attitude sont récupérées via une intégration cinématique explicite. Il a également augmenté les entrées avec les carrés des vitesses des moteurs pour servir de proxy à la poussée.
- Itération 7 : A mis en œuvre l'échantillonnage planifié pour stabiliser l'entraînement, réduisant le MAE à 0,310.
- Les itérations suivantes ont affiné la capacité et le rythme d'entraînement, atteignant un MAE final de 0,286.
Comparaison : ASIA a surpassé une référence de recherche aléatoire (30 itérations) tant en performance finale qu'en efficacité de recherche, atteignant la meilleure performance de la recherche aléatoire en seulement trois itérations. Le modèle final a surpassé la meilleure méthode de l'article de benchmark original [9] pour tous les groupes de sorties (position, vitesse, attitude, vitesse angulaire).

Contributions et affirmations clés

L'article fait les contributions techniques et affirmations suivantes :

Automatisation autonome du pipeline : ASIA démontre qu'un agent basé sur un LLM peut conduire de manière autonome l'ensemble du pipeline d'identification de systèmes, y compris la sélection de la classe de modèle, la conception architecturale et l'optimisation de la stratégie d'entraînement, sans intervention humaine au-delà de l'invite initiale.
Expansion de l'espace d'hypothèses : Contrairement aux méthodes d'optimisation classiques (recherche par grille, optimisation bayésienne) qui opèrent sur des espaces de paramètres fixes et de dimension finie, ASIA explore un espace combinatoire de classes de modèles et de stratégies d'entraînement. L'agent a proposé avec succès des solutions non triviales, telles que des structures hybrides physique/boîte noire et des représentations inspirées de Koopman, qui n'avaient pas été explicitement prédéfinies.
Performance compétitive : Le cadre a découvert des modèles qui égalent ou dépassent les résultats de l'état de l'art sur des benchmarks établis, validant la faisabilité de l'IA agentique dans ce domaine.

Limites et analyse critique

Les auteurs discutent explicitement de plusieurs limites et risques associés à l'approche :

Fuite implicite de test : Même sans accès direct aux étiquettes de test, l'agent peut être indirectement influencé par les journaux de performance de test ou par des connaissances antérieures (bibliographie) dérivées d'évaluations sur l'ensemble de test, conduisant potentiellement à un surapprentissage ou à un biais implicite.
Transparence méthodologique : Bien que le code généré soit interprétable localement, la séquence globale de décisions menant à la configuration finale est opaque. Cela réduit la « contribution scientifique » de la méthodologie, car la justification de choix de conception spécifiques émerge d'un processus automatisé et itératif plutôt que d'une hypothèse humaine explicite.
Reproductibilité : En raison du caractère stochastique des sorties des LLM, la trajectoire exacte de recherche ne peut pas être parfaitement reproduite entre différentes exécutions. Cependant, une fois une configuration spécifique sélectionnée, l'entraînement de ce modèle spécifique est reproductible en utilisant des pratiques standard.
Biais : La recherche de l'agent est biaisée par ses données d'entraînement et ses priors internes, favorisant potentiellement des architectures établies par rapport à des approches novatrices et non conventionnelles.

Importance et conclusion

L'article conclut que ASIA ne doit pas être considéré comme un remplacement pour l'identification de systèmes pilotée par l'humain, mais comme un outil complémentaire. Sa valeur principale réside dans :

L'accélération du cycle d'expérimentation.
L'automatisation des choix de conception routiniers.
L'expansion de l'exploration de l'espace d'hypothèses au-delà de l'intuition humaine.

Les auteurs soulignent que l'expertise humaine reste essentielle pour interpréter les résultats, valider les modèles, concevoir des invites et injecter des connaissances antérieures pertinentes. Ce travail sert d'étude empirique initiale sur le potentiel et les limites de l'IA agentique dans la recherche en ingénierie, suggérant des applications futures dans le réglage des contrôleurs et la conception d'expériences.