Des agents IA organisent la compétition entre plusieurs hypothèses scientifiques
— AGENTS
Un système présenté à ICML 2026 fait écrire et réviser des simulateurs de neurones par une IA générative, puis classe les candidats sans en éliminer aucun trop vite. Sur dix enregistrements de souris, plusieurs mécanismes restent compatibles avec les mêmes mesures, et c'est ce désaccord qui devient la donnée utile.
Un agent IA qui refuse de trancher trop vite, voilà ce que met en scène ModelSMC. Le système ne cherche pas la meilleure explication d'un phénomène, il fait vivre plusieurs explications en parallèle et laisse les données départager ce qui mérite de survivre.
Le principe tient en une mécanique simple. Une IA générative écrit le code de simulateurs de neurones, les fait tourner avec différents réglages, puis leur attribue un score de confiance selon leur accord avec des mesures réelles. Sur dix enregistrements électriques de neurones de souris, plusieurs versions ont obtenu un bon score en intégrant un flux électrique lent déjà connu en biologie. Mais plusieurs combinaisons de mécanismes restaient toutes aussi plausibles, sans qu'aucune ne s'impose.
Ce travail concerne d'abord les laboratoires de modélisation en neurosciences computationnelles, confrontés en permanence à des systèmes biologiques trop complexes pour qu'une seule équation les capture. Pour ce public, l'intérêt n'est pas de produire un modèle final mais de savoir où chercher la mesure suivante, celle qui séparera deux hypothèses encore compatibles avec les mêmes données.
La méthode a un prix. Faire tourner des familles entières de simulateurs plutôt qu'un seul coûte en calcul, et la fiabilité des scores dépend de la qualité des approximations statistiques utilisées pour les estimer. Rien ici ne garantit que la bonne explication figure parmi les candidats générés par l'IA.
L'apport réel se situe dans l'architecture plus que dans le résultat sur les neurones de souris. Des agents conçus pour entretenir plusieurs pistes concurrentes, plutôt que pour livrer une réponse unique et définitive, dessinent une manière de travailler qui dépasse largement ce cas d'étude. Le jour où ce type d'orchestration s'invite dans des outils d'exploration de concepts à grande échelle, la question posée par ce papier restera la même : savoir exploiter un désaccord entre pistes vaut souvent plus qu'une fausse certitude obtenue trop tôt.