Des centaines de briques simples ont appris à reconnaître leur propre forme

Un thème récurrent dans la recherche de Sakana AI est l'intelligence collective : l'observation qu'un comportement sophistiqué et robuste peut émerger de nombreuses parties simples suivant des règles locales sans contrôleur central. Jusqu'à présent, cette ligne de travail restait dans le logiciel. Un article publié dans Nature Communications marque la première fois que les mêmes principes ont été démontrés dans du matériel physique, dans une collaboration entre des chercheurs de l'Université IT de Copenhague, Sakana AI et Autodesk.

Le système est une collection de briques cellulaires, chacune étant un petit cube en circuit imprimé avec des connecteurs électriques sur les six faces, un microcontrôleur, une LED pour afficher son estimation de classe actuelle et l'électronique pour s'alimenter elle-même. Les briques s'empilent pour former des objets arbitraires et communiquent purement localement via un protocole série numérique personnalisé. Aucune brique ne connaît sa position ni la forme dont elle fait partie. Chaque brique exécute un automate cellulaire neuronal (NCA) identique, un réseau neuronal profond qui apprend les règles de mise à jour locales plutôt que d'être fabriqué à la main, et itère jusqu'à ce que le collectif converge vers une seule étiquette de forme.

Ce que font les briques

Le collectif est chargé de distinguer des objets ressemblant à des avions, des chaises, des voitures, des tables, des maisons, des guitares et des bateaux. Plutôt que de correspondre à une seule configuration prédéfinie, le système généralise sur des classes entières de formes. Une table à cinq pieds avec des pieds à des positions aléatoires a encore été classée comme une table. Un bateau avec son pont central décalé a encore été reconnu. Le réseau capte des caractéristiques structurelles abstraites, sans mémoriser des instances.

En simulation, l'approche a atteint une précision de 98,97 %. En matériel, l'équipe a construit quatre formes distinctes allant de 26 briques (une guitare) à 197 (une table ronde). Les briques ont atteint un consensus correct sur un avion, une guitare, un bateau et une table avec un taux de réussite de 100 % sur les quatre, convergeant en moins de 60 cycles de mise à jour, soit environ trois minutes de temps réel.

Détection des dommages et auto-réparation

Les systèmes biologiques comme les planaires et les axolotls régénèrent des parties complexes du corps grâce à des cycles distribués de détection et de régénération sans contrôleur central. Les briques ont été entraînées à détecter si une cellule voisine a été endommagée, prédisant soit aucun dommage, soit un dommage dans l'une des six directions spatiales. Le système a conservé une précision de classification des formes de 98,9 % tout en détectant les dommages avec une précision moyenne de 94,8 %.

Pour tester la récupération, l'équipe a commencé par un petit amas de cellules et a ajouté à plusieurs reprises de nouvelles cellules dans la direction indiquée par les cellules existantes jusqu'à ce qu'aucun dommage ne soit plus détecté. Sans jamais avoir été entraîné à croître à partir de seulement quelques cellules, le modèle a récupéré presque toutes les formes de toutes les classes d'objets avec une haute précision. Sur des grilles simulées plus grandes allant jusqu'à 64x64x64, l'approche a fonctionné pour des formes aussi complexes qu'un poisson, un logo Sakana AI et un cœur construit à partir de plus de 18 000 cubes.

Stratégies de communication émergentes

L'article examine également comment le collectif résout réellement la tâche. Au début du processus, les canaux cachés du NCA établissent des motifs d'activation gauche-droite et radiale qui ressemblent aux gradients de morphogènes formant les axes de développement chez les embryons. Le même motif explique comment le système distingue les tables des chaises : pour les chaises, un signal antéro-postérieur se propage depuis le dossier vers l'extérieur, reclassifiant progressivement les cellules initialement lues comme « table » en un consensus cohérent de « chaise ».

L'équipe note que l'approche est modulaire par nature. La même infrastructure et le même code identique par cube qui gère la classification des formes s'étend également à la localisation des modules manquants et à la guidance de la repousse. La mise à l'échelle semble prévisible : à mesure que la résolution spatiale et la complexité structurelle augmentent, le maintien de hautes performances nécessite une plus grande capacité du modèle, mais la relation est favorable.

Ce travail est, pour Sakana AI, un premier pas dans une direction plus large : prendre les principes d'intelligence collective étudiés dans les logiciels et les laisser émerger, décentralisés et robustes, dans le monde physique. L'article dans Nature Communications est en libre accès, et le code est disponible sur GitHub. L'équipe signale également des limitations, notamment le fait que des goulots d'étranglement structurels étroits (une seule défaillance le long d'un manche de guitare) peuvent briser le processus de classification plus facilement que dans les formes avec une connectivité redondante.