Imaginez que vous êtes un détective tentant de résoudre un mystère, mais que les indices sont écrits dans un code secret que seul un ordinateur peut lire, tandis que l'histoire est écrite dans une langue que seuls les humains comprennent. C'est le combat quotidien des scientifiques qui rédigent des articles remplis de mathématiques complexes. Ils utilisent des formules belles et élégantes pour décrire comment le monde fonctionne, mais ces formules ne sont souvent que des « images » de mathématiques — comme le dessin d'un pont. Pour réellement construire le pont, un ordinateur a besoin des plans : les instructions spécifiques, les variables et la logique qui disent à une machine exactement comment calculer la contrainte sur l'acier. Ce processus consistant à transformer une « image » mathématique en « plans » pour un ordinateur est appelé Formalisation de Formules.

Le problème est que les ordinateurs, même les plus intelligents et propulsés par l'Intelligence Artificielle (IA), sont incapables de lire ces plans par eux-mêmes. Ils ont besoin d'une immense bibliothèque d'exemples — des milliers de paires de « images mathématiques » et de « plans informatiques » — pour apprendre à traduire. Mais voici le hic : personne n'a encore construit cette bibliothèque car il est incroyablement difficile et ennuyeux de la créer. Les humains doivent s'asseoir et réécrire manuellement chaque symbole mathématique d'un article en code, une tâche si fastidieuse qu'elle ralentit le progrès scientifique. C'est comme essayer d'apprendre à un robot à cuisiner en réécrivant à la main chaque recette, ingrédient par ingrédient, pour chaque plat du monde.

C'est là qu'intervient un nouvel outil appelé MioFFAn. Voyez-le comme un carnet de notes interactif et de haute technologie conçu pour rendre le travail ennuyeux de traduction des mathématiques en code beaucoup plus rapide et moins pénible. Les chercheurs derrière cet outil n'ont pas seulement construit un outil statique ; ils ont créé un système « humain dans la boucle » (human-in-the-loop). Cela signifie que le logiciel agit comme un assistant intelligent qui devine la traduction à l'aide de l'IA, mais demande ensuite à un expert humain de vérifier et de corriger les erreurs. C'est comme avoir un robot qui peut rédiger une lettre pour vous, mais où vous devez toujours signer et vous assurer que les faits sont corrects avant de l'envoyer. En utilisant cette approche d'équipe, les auteurs montrent que nous pouvons commencer à construire cette bibliothèque cruciale d'exemples de mathématiques vers le code bien plus rapidement qu'auparavant, ouvrant la porte pour que les ordinateurs puissent enfin comprendre et exécuter les mathématiques complexes qui stimulent la science moderne.

L'histoire du papier : Construire un pont entre les mathématiques et le code

Le papier présente MioFFAn, un logiciel open-source conçu pour aider les chercheurs à annoter des documents scientifiques. Son objectif principal est de faciliter la Formalisation de Formules, qui est l'acte de prendre une expression mathématique d'un article et de la transformer en un code symbolique exécutable (comme le code que vous écririez dans un système d'algèbre informatique). Les auteurs soutiennent que, bien que nous ayons de bons outils pour scanner des documents et lire le texte (OCR), nous manquons de la « profondeur sémantique » pour transformer ces formules scannées en code qu'un ordinateur peut réellement exécuter.

Pour résoudre cela, les auteurs ont construit MioFFAn sur la base d'un outil plus ancien appelé MioGatto. Ils ont réalisé que l'ancien outil était excellent pour identifier des symboles mathématiques isolés (comme la lettre $x$), mais incapable de gérer des groupes de symboles complexes (comme une fonction entière $f(x)$ ou un tenseur $\delta u_i$) et ne permettait pas le type d'annotation hiérarchique flexible nécessaire pour la science réelle. MioFFAn corrige cela en introduisant plusieurs mises à niveau clés :

1. Groupement et Hiérarchie : Au lieu de simplement marquer des lettres individuelles, MioFFAn permet aux utilisateurs de sélectionner des blocs entiers d'une formule comme une seule unité. Il traite une expression complexe comme un « groupe » qui peut néanmoins être décomposé en ses parties si nécessaire.
2. Règles Personnalisables : Le logiciel est un caméléon. Il permet aux utilisateurs de définir leurs propres « taxonomies » (règles et catégories) pour différents domaines scientifiques. Par exemple, un physicien pourrait avoir besoin de marquer une variable comme un « vecteur », tandis qu'un biologiste pourrait avoir besoin de la marquer comme une « concentration ». L'outil s'adapte à ces besoins.
3. Ancrage Contextuel : Il aide à relier les symboles mathématiques au texte du document où ils sont expliqués. Si un article dit « soit $v$ la vitesse », l'outil vous aide à mettre en évidence cette phrase et à la connecter au symbole $v$ dans la formule.
4. L'automatisation « Humain dans la boucle » : C'est la partie la plus excitante. Le logiciel inclut une fonctionnalité où une IA (spécifiquement un grand modèle de langage, ou LLM) tente d'effectuer l'annotation en premier. Elle suggère quelles parties de la formule sont quoi, ce que signifient les variables et où elles sont définies dans le texte. Cependant, l'utilisateur humain n'est pas remplacé ; il agit comme un superviseur. Il examine les suggestions de l'IA, corrige les erreurs et confirme le résultat final.

Les auteurs ont testé ce système en utilisant un domaine scientifique spécifique appelé Méthodes des Éléments Finis (FEM), qui est utilisé pour simuler des choses comme la façon dont une voiture s'écrase ou comment un pont plie. Ils ont configuré le logiciel pour comprendre les règles mathématiques spécifiques de la FEM et ont ensuite lancé une expérience de « preuve de concept ». Ils ont nourri le logiciel avec des articles scientifiques et ont laissé l'IA tenter de les annoter, puis ont comparé le travail de l'IA à un « standard d'excellence » créé par des experts humains.

Les résultats sont un mélange de promesse et de réalité. L'IA est étonnamment bonne pour certaines choses mais peine avec d'autres. Par exemple, lorsque l'IA est autorisée à voir les symboles mathématiques originaux (comme la lettre grecque $\lambda$), elle réussit bien mieux à identifier les parties de la formule (environ 57,7 % de couverture) que lorsqu'ils sont remplacés par de longs noms textuels (ce qui tombe à 36,2 %). Cependant, l'IA n'est pas encore parfaite ; elle a souvent du mal à localiser précisément l'emplacement des définitions textuelles dans le document, mettant parfois en évidence des paragraphes entiers au lieu de la phrase spécifique.

Le papier exclut explicitement l'idée que l'IA puisse actuellement accomplir ce travail parfaitement de manière autonome. Les auteurs affirment que les résultats automatisés sont « loin d'être idéaux » et ne devraient être utilisés que comme une « base de référence » qu'un expert humain affine rapidement. Ils soutiennent que tenter d'utiliser l'IA pour une traduction entièrement automatique et de bout en bout sans vérification humaine mènerait probablement à des erreurs difficiles à détecter.

Dans leur évaluation, les auteurs ont constaté que l'approche « Caractères Originaux » (conserver les symboles mathématiques tels quels) fonctionnait le mieux pour que l'IA comprenne la structure des mathématiques. Ils ont également comparé trois modèles d'IA différents (Nemotron de NVIDIA, Gemma de Google et Qwen d'Alibaba) et ont trouvé que le modèle Qwen3-4B-Instruct-2507 était nettement plus performant que les autres, atteignant un taux de couverture de 57,7 % dans l'identification des symboles, contre environ 33,9 % pour le modèle suivant.

En fin de compte, le papier suggère que MioFFAn est un puissant « terrain de jeu » pour développer de meilleures stratégies d'automatisation. Il ne prétend pas avoir résolu le problème de la traduction des mathématiques en code pour toujours. Au lieu de cela, il offre un cadre flexible où les chercheurs peuvent tester différentes stratégies d'IA, voir ce qui fonctionne et améliorer progressivement le système. Les auteurs concluent que, bien que l'automatisation actuelle ne soit qu'une étape « provisoire », cette collaboration entre l'humain et l'IA est le moyen le plus efficace de construire les ensembles de données de haute qualité nécessaires pour entraîner les systèmes futurs plus intelligents. Ils envisagent un avenir où cet outil aidera à construire une immense bibliothèque partagée de traductions de mathématiques en code, rendant plus facile pour les ordinateurs d'aider les scientifiques à résoudre leurs problèmes les plus complexes.