Des agents IA pour comparer plusieurs explications d’un même phénomène

Trois chercheurs expliquent dans un billet publié par Anthropic comment des agents IA peuvent comparer plusieurs modèles scientifiques à partir des mêmes données.

Dix enregistrements électriques de neurones du cortex de souris ont servi à mettre en concurrence des variantes d’un modèle de neurone. Parmi les mieux classées, plusieurs faisaient intervenir un courant potassique lent. Elles différaient sur les autres canaux ioniques à prendre en compte. Les mêmes mesures favorisaient donc un mécanisme commun tout en laissant plusieurs explications possibles.

Ce résultat vient d’une étude présentée à l’ICML 2026 sur ModelSMC, un système qui utilise un modèle de langage pour proposer et réviser des simulateurs. Dans un billet invité publié par Anthropic, trois des coauteurs, Jakob Macke, Daniel Gedon et Stefan Wahl, expliquent pourquoi conserver plusieurs candidats peut être plus instructif que de retenir celui qui colle le mieux aux données. Ce qu’un bon ajustement laisse en suspens

Dans leur modèle publié en 1952, Alan Hodgkin et Andrew Huxley ont élevé une variable à la puissance quatre pour mieux reproduire la forme du courant potassique dans une fibre nerveuse de calmar. Ils ont proposé une interprétation physique à ce choix, selon laquelle plusieurs particules chargées devaient se déplacer pour que le canal s’ouvre. La comparaison avec des formes plus simples donnait du poids à cette hypothèse.

Deux formes d’incertitude peuvent subsister. Plusieurs réglages d’un même modèle peuvent reproduire les mesures. Des modèles construits avec des équations différentes peuvent aussi donner des résultats proches. Dans le premier cas, l’inférence à partir de simulations sert à estimer quels réglages restent plausibles. Dans le second, il faut comparer les structures elles-mêmes. Faire évoluer plusieurs candidats à la fois

Dans ModelSMC, un modèle de langage écrit et révise le code de simulateurs candidats. L’équipe fait tourner ces simulateurs avec différents réglages, puis leur attribue un poids selon la compatibilité de leurs résultats avec les observations. Les candidats les mieux étayés servent plus souvent de point de départ aux itérations suivantes. Cette méthode conserve plusieurs familles d’explications, avec un coût de calcul lié aux simulations répétées et des poids qui dépendent de la qualité des approximations statistiques.

Dans l’expérience sur les neurones de souris, les chercheurs sont partis d’une version du modèle de Hodgkin-Huxley. Les candidats devaient proposer des mécanismes supplémentaires capables d’améliorer l’accord avec les enregistrements, résumés par sept indicateurs. Les modèles qui ajoutaient un courant potassique lent de type M ont régulièrement obtenu un poids élevé. Plusieurs combinaisons de canaux restaient toutefois compatibles avec ces mesures. Utiliser les désaccords pour choisir quoi mesurer

L’expérience teste une méthode de recherche de modèles sur un système déjà étudié. Les auteurs du billet soulignent que les preuves restent rares sur des problèmes dont la réponse est encore inconnue. Ils proposent d’utiliser les désaccords entre modèles pour choisir une mesure supplémentaire. Par exemple, si deux modèles reproduisent l’activité électrique observée mais prédisent des réponses différentes quand certains canaux sont bloqués, mesurer cette réponse peut aider à les départager.