Exploration de la façon dont le deep learning décode la diffusion anormale via Grad-CAM

Observer des particules errantes avec des outils intelligents

Des molécules qui bourdonnent dans une cellule aux fluctuations d’un cours boursier, de nombreux phénomènes se déplacent d’une manière qui défie les règles simples et prévisibles de la diffusion ordinaire. Les scientifiques savent que différents mécanismes sous-jacents peuvent produire ces trajectoires inhabituelles, mais déterminer lequel est en jeu à partir d’un signal court et bruité est difficile. Cette étude montre comment l’intelligence artificielle moderne peut non seulement classer ces trajectoires errantes, mais aussi révéler quelles portions de chaque trajectoire ont le plus d’importance pour sa décision.

Mouvements étranges tout autour de nous

Dans les manuels, le mouvement aléatoire est souvent représenté comme la marche d’un ivrogne, où la dispersion moyenne des positions croît régulièrement avec le temps. Le mouvement réel est rarement si bien comporté. Dans les cellules vivantes, les systèmes sociaux et les marchés financiers, la dispersion des positions peut croître plus rapidement ou plus lentement que prévu, un comportement appelé diffusion anormale. Les physiciens ont élaboré de nombreux modèles mathématiques pour l’expliquer, depuis des marches avec longues attentes jusqu’à des trajectoires avec longue mémoire. Pourtant, lorsqu’ils examinent une seule trajectoire enregistrée, ces modèles peuvent être difficiles à distinguer, surtout quand la fenêtre temporelle est courte et que les données sont bruitées.

Apprendre à un réseau neuronal à lire des trajectoires

S’appuyant sur des travaux récents du défi Anomalous Diffusion (AnDi), les auteurs conçoivent un outil de deep learning appelé ResAnDi pour classer les trajectoires. ResAnDi repose sur une architecture populaire de reconnaissance d’images connue sous le nom de réseau résiduel, adaptée pour traiter des séries temporelles de positions bidimensionnelles au lieu de pixels colorés. Il est entraîné sur des trajectoires simulées issues de huit mécanismes de mouvement différents, y compris le mouvement brownien standard et plusieurs variantes subdiffusives et superdiffusives. Après avoir fait passer une trajectoire par 18 couches de traitement empilées, le réseau produit les probabilités que la trajectoire provienne de chaque mécanisme, atteignant une précision comparable aux meilleures contributions du défi AnDi, bien qu’il doive distinguer un plus grand nombre de classes.

Mettre en lumière les moments-clés

Les systèmes de deep learning sont souvent critiqués comme des boîtes noires, car ils peuvent donner la bonne réponse sans montrer comment ils y sont parvenus. Pour ouvrir cette boîte, les auteurs appliquent une technique d’IA explicable connue sous le nom de Grad-CAM, qui attribue un « score de pertinence » à différentes portions d’une entrée. Adapté ici, Grad-CAM met en évidence les segments d’une trajectoire qui influencent le plus le choix final de ResAnDi. L’équipe vérifie si ces scores reflètent de l’information réelle en effaçant sélectivement des parties des trajectoires. Lorsqu’ils aplatissement les segments ayant les scores Grad-CAM les plus élevés, la précision de classification chute bien plus que lorsque des segments aléatoires de même taille sont effacés. Cela montre que le réseau a appris à s’appuyer sur des étendues spécifiques et informatives du mouvement, qui correspondent souvent à des fluctuations rares mais révélatrices.

Utiliser les explications pour lutter contre le bruit et trouver des motifs

Les scores Grad-CAM suggèrent également une manière plus intelligente d’étendre les données d’entraînement. Plutôt que d’augmenter les trajectoires de façon aléatoire, les auteurs se concentrent sur celles dont les segments tendent à avoir des scores de forte pertinence, les font pivoter et les ajoutent au lot d’entraînement. Lorsqu’ils testent ensuite le réseau sur des trajectoires bruitées, cette augmentation ciblée rend le classificateur systématiquement plus robuste que l’augmentation aléatoire standard, en particulier lorsque le bruit de mesure est important. Pour comprendre ce que le réseau a réellement appris, l’équipe étudie ses couches internes et met en relation les scores Grad-CAM avec des statistiques simples du mouvement, telles que la corrélation entre pas successifs, l’ampleur des changements de direction, l’écart des tailles de pas par rapport à une courbe en cloche, et la façon dont le « taux de dispersion » effectif varie dans le temps. Les différents mécanismes présentent des empreintes distinctes quant à l’intensité avec laquelle ces statistiques s’alignent sur des scores Grad-CAM élevés.

Jeter un coup d’œil dans le raisonnement de l’IA

En combinant tests de performance, visualisations et vérifications statistiques rigoureuses, l’étude dresse un tableau cohérent de la façon dont un réseau profond décode un mouvement complexe. Les couches initiales se concentrent sur des caractéristiques très locales, comme le fait que les pas aient tendance à s’inverser ou à persister, tandis que les couches profondes captent des tendances plus lentes, telles que des changements graduels dans l’amplitude du déplacement de la particule. Grad-CAM fait office de pont entre ces calculs cachés et l’intuition humaine, indiquant quels segments d’une trajectoire et quels types de motifs sont les plus informatifs. Pour les non-spécialistes, la conclusion principale est que l’IA peut être entraînée non seulement à étiqueter avec précision des mouvements de particules difficiles, mais aussi à pointer les parties spécifiques des données qui appuient son verdict, ouvrant la voie à une analyse plus transparente et plus résistante au bruit des mouvements complexes en physique, en biologie et au-delà.

Citation: Bae, J., Baek, Y. & Jeong, H. Exploring how deep learning decodes anomalous diffusion via Grad-CAM. Nat Commun 17, 4575 (2026). https://doi.org/10.1038/s41467-026-71229-x

Mots-clés: diffusion anormale, deep learning, Grad-CAM, trajectoires de particules, IA explicable