Au sein des sciences du numérique, l’intelligence artificielle (IA) et le calcul haute performance (HPC) sont deux domaines de plus en plus complémentaires. Liés par des problématiques communes, les chercheurs de ces deux spécialités entrevoient des opportunités d’avancées majeures en mutualisant leurs expertises.

La création d’une intelligence artificielle repose avant tout sur les données et l’apprentissage. À partir de grandes quantités de données, les méthodes d’apprentissage permettent de faire émerger des algorithmes sophistiqués capables d’exécuter certaines tâches de manière plus ou moins autonome.

IA = données + apprentissage → algorithmes sophistiqués → exécution (semi-)autonome

Le calcul haute performance désigne quant à lui la capacité à traiter des volumes massifs de données à très grande vitesse, grâce à des infrastructures de calcul intensif comme les supercalculateurs.

HPC = données massives + puissance de calcul extrême

Le calcul haute performance joue également un rôle clé dans le développement et l’entraînement des systèmes d’intelligence artificielle :

• Accélérer l’apprentissage des modèles
  La renaissance récente de l’IA est étroitement liée à l’augmentation de la puissance de calcul disponible. L’entraînement de modèles complexes, comme les grands modèles de langage ou les systèmes d’apprentissage par renforcement, nécessite des volumes considérables de données et de calcul. Par exemple, pour tester des hypothèses sur les mécanismes d’apprentissage chez l’enfant, les chercheurs peuvent combiner ces approches afin de simuler des interactions avec différents environnements. Ces travaux nécessitent d’abord d’importants moyens de calcul avant de pouvoir concevoir des modèles plus efficaces et plus frugaux.
• Développer de nouvelles applications pour le HPC
  Historiquement, le HPC était principalement utilisé pour des simulations numériques. Avec l’IA, de nouvelles applications émergent, notamment pour apprendre comment optimiser l’exécution parallèle des calculs, afin d’améliorer à la fois les performances et l’efficacité énergétique des infrastructures.
• Préserver les données personnelles grâce à l’apprentissage fédéré
  Les infrastructures HPC permettent également de soutenir des approches comme l’apprentissage fédéré, où les données restent localisées chez leurs détenteurs. Les calculs sont réalisés de manière distribuée et seul le modèle entraîné est partagé entre les participants. Cette approche bénéficie pleinement des capacités de parallélisme et d’algorithmique distribuée propres au HPC.