Le MIT sécurise les IA génératives sans les réentraîner

Le MIT dévoile HardFlow le 14 septembre 2026, une méthode destinée aux modèles d’IA générative utilisés dans des situations à forts enjeux. L’algorithme aide ces modèles à produire des résultats qui respectent des contraintes de sécurité, de physique ou de tâche. Ces exigences strictes ne tolèrent pas une réponse seulement « presque correcte ». Les chercheurs indiquent que HardFlow satisfait les contraintes finales tout en améliorant la qualité des solutions. La technique fonctionne au moment du déploiement. Elle peut donc être appliquée à des modèles préentraînés sans les réentraîner. Les travaux sont publiés cette semaine dans IEEE Transactions on Pattern Analysis and Machine Intelligence.

Une contrainte finale ciblée distingue HardFlow des méthodes qui imposent des règles à chaque étape de génération. Les modèles génératifs transforment du bruit aléatoire pour créer de nouvelles données. Cette capacité permet leur adaptation à des usages variés. Toutefois, une trajectoire presque correcte peut provoquer une collision entre un robot et un collègue dans une usine. L’échantillonnage par projection force habituellement les solutions intermédiaires à respecter les exigences. Selon Zeyang Li, auteur principal, cette restriction peut empêcher le modèle d’atteindre une meilleure solution finale. HardFlow laisse donc davantage de liberté pendant le processus, puis vérifie les contraintes sur le résultat produit.

HardFlow optimise les trajectoires générées

L’algorithme combine contrôle et génération pour transformer l’échantillonnage sous contraintes en problème d’optimisation de trajectoire. Les chercheurs utilisent des outils issus du contrôle optimal afin d’apporter des corrections progressives. Le modèle conserve ainsi une marge d’exploration tout en orientant sa trajectoire vers un résultat admissible. Navid Azizan, professeur associé au MIT et auteur principal de l’étude, explique que la théorie du contrôle formalise la manière optimale d’effectuer ces corrections. Le calcul restait toutefois complexe autour d’un réseau neuronal pouvant compter des centaines de couches interconnectées. L’équipe a décomposé le problème en une suite de sous-problèmes unitaires, grâce à la structure des modèles de type flow-matching.

Les essais couvrent plusieurs usages dont la manipulation robotique, la navigation dans des labyrinthes et l’édition d’images guidée par du texte. HardFlow a obtenu une satisfaction parfaite des contraintes dans ces expériences. Il a aussi dépassé régulièrement les méthodes de référence sur les critères de qualité des solutions. Dans un test, un manipulateur robotique évitait les obstacles tout en empruntant le chemin le plus rapide vers une cible. La plupart des autres méthodes provoquaient des collisions ou produisaient des trajectoires nettement plus longues. Le temps de calcul de HardFlow était comparable ou inférieur à celui de la plupart des méthodes concurrentes.

Le déploiement ouvre une extension

Le cadre reste adaptable aux modèles diffusifs comme Stable Diffusion et aux modèles flow-matching comme FLUX. Son fonctionnement au déploiement permet d’utiliser des modèles existants, sans modifier leur entraînement. Cette propriété concerne des applications où les règles de sécurité, les lois physiques ou les exigences opérationnelles ne peuvent être violées. Les travaux associent Zeyang Li, Kaveh Alim et Navid Azizan, avec le soutien du Laboratory for Information and Decision Systems du MIT. Les chercheurs envisagent maintenant d’étendre HardFlow à des situations où le modèle lui-même pourrait être mis à jour. Cette évolution viserait une amélioration plus adaptative de la satisfaction des contraintes et de la qualité des échantillons. Pour approfondir, le MIT présente aussi l’équipe de Navid Azizan et le laboratoire LIDS.