MIT développe HardFlow pour l'IA sous contraintes strictes
Des chercheurs du Massachusetts Institute of Technology (MIT) ont mis au point HardFlow, une nouvelle approche conçue pour aider les modèles d'intelligence artificielle générative à respecter des exigences strictes et non négociables. Dans des domaines comme la robotique, le contrôle de systèmes physiques ou la vision par ordinateur, une réponse plausible ne suffit pas toujours. Les sorties doivent souvent satisfaire des contraintes absolues, liées à la sécurité, aux lois physiques ou à des tâches spécifiques. HardFlow permet de garantir ces limites sans compromettre la qualité des résultats générés. La principale innovation réside dans la gestion du processus de génération. Les méthodes existantes, dites par projection, tentent de faire respecter les règles à chaque étape intermédiaire, ce qui restreint fortement la capacité d'exploration du modèle et peut dégrader la pertinence finale de la solution. HardFlow inverse cette logique en offrant une plus grande liberté à l'IA pendant la création des données, tout en n'appliquant les contraintes qu'au résultat final. Pour y parvenir, l'algorithme reformule le problème en une optimisation de trajectoire, s'appuyant sur les outils du contrôle optimal et sur l'architecture des modèles de type flow-matching. Cette approche permet d'apporter des ajustements subtils tout au long du processus, garantissant que la sortie finale soit à la fois réalisable et optimale. Conçue pour être déployée directement en phase d'utilisation, la technique fonctionne comme un module complémentaire sur des modèles génératifs préentraînés, sans nécessiter de nouvelle formation. Dans une série d'expériences portant sur la manipulation robotique, la navigation en labyrinthe et l'édition d'images guidée par texte, HardFlow a systématiquement atteint une satisfaction parfaite des contraintes imposées. Il a également surpassé les méthodes traditionnelles sur les critères de qualité. Par exemple, dans un scénario de planification de trajectoire pour robot, l'algorithme a trouvé le chemin le plus court évitant tout obstacle, là où les autres solutions provoquaient des collisions ou exigeaient des parcours beaucoup plus longs. La charge computationnelle reste comparable, voire inférieure, à celle des algorithmes concurrents. Cette recherche, dirigée par Navid Azizan et menée conjointement par Zeyang Li et Kaveh Alim, sera publiée dans la revue IEEE Transactions on Pattern Analysis and Machine Intelligence en 2026. En préservant le pouvoir d'exploration des IA génératives tout en imposant des garde-fous rigoureux, HardFlow ouvre la voie à des applications critiques où la sécurité et la fiabilité sont primordiales. Les auteurs envisagent d'étendre ce cadre à des systèmes capables d'adapter leurs propres paramètres pour améliorer encore simultanément le respect des contraintes et la qualité des échantillons générés.