HardFlow contraint la sortie finale des modèles génératifs

Des chercheurs du MIT ont développé HardFlow, un algorithme destiné aux modèles d’intelligence artificielle générative utilisés dans des situations à fortes contraintes. La méthode vise des cas où une réponse presque correcte ne suffit pas. Le résultat final doit respecter des règles de sécurité, des lois physiques ou des exigences propres à une tâche. HardFlow impose ces contraintes sur la sortie finale, plutôt qu’à chaque étape intermédiaire de génération. Selon les essais rapportés par le MIT, la méthode a respecté systématiquement les contraintes requises et produit de meilleures solutions que les méthodes comparées. Elle fonctionne au déploiement, sans réentraîner les modèles génératifs préexistants. Lire l’article du MIT.

Une approche pour la sécurité concerne notamment la planification de trajectoires robotiques dans des environnements fréquentés. Un chemin presque correct entre deux machines peut encore conduire un robot à heurter un salarié. Les méthodes d’échantillonnage par projection forcent généralement les solutions partielles à respecter les exigences pendant toute la génération. Cette contrainte répétée peut empêcher le modèle d’explorer une meilleure solution finale. Elle peut aussi se concentrer sur le respect des règles, sans optimiser d’autres critères. HardFlow laisse donc davantage de liberté au modèle pendant son parcours de génération. Il impose ensuite les contraintes non négociables sur le résultat final. Les chercheurs présentent cette stratégie comme une manière de préserver l’exploration tout en respectant les limites applicables.

HardFlow optimise les trajectoires générées

Le modèle devient un problème de contrôle avec HardFlow. L’algorithme reformule l’échantillonnage sous contraintes comme un problème d’optimisation de trajectoire. Il utilise des outils issus du contrôle optimal pour guider progressivement la génération. Les chercheurs ont exploité la structure des modèles à appariement de flux afin de décomposer le calcul en sous-problèmes successifs. Ces sous-problèmes portent sur une seule étape et rendent le traitement plus accessible. Des transformations et approximations systématiques produisent ensuite un algorithme présenté comme efficace et adaptable. Cette formulation permet aussi d’ajouter des objectifs de qualité. Pour un robot, HardFlow peut rechercher simultanément un chemin sans collision et une distance réduite jusqu’à la cible. Le modèle ne limite donc pas l’optimisation au seul respect des contraintes.

Trois familles d’essais ont servi à évaluer HardFlow. Les chercheurs l’ont testé sur la manipulation robotique, la navigation dans des labyrinthes et la modification d’images guidée par du texte. Dans ces expériences, l’algorithme a obtenu une satisfaction parfaite des contraintes. Il a aussi dépassé régulièrement les méthodes de référence sur des critères liés à la qualité des solutions. Un exemple porte sur un bras robotisé qui devait éviter des obstacles et atteindre un objet par le chemin le plus rapide. La plupart des autres méthodes ont soit produit des collisions, soit trouvé des trajectoires nettement plus longues. Le temps de calcul de HardFlow était comparable ou inférieur à celui de la majorité des méthodes concurrentes. Les résultats sont publiés dans IEEE Transactions on Pattern Analysis and Machine Intelligence, avec la notice de l’article.

Les essais couvrent robotique et vision

Navid Azizan porte la recherche avec Zeyang Li et Kaveh Alim. Azizan est professeur associé au département de génie mécanique et à l’Institute for Data, Systems, and Society du MIT. Il est aussi chercheur principal du Laboratory for Information and Decision Systems. Li est l’auteur principal et doctorant en génie mécanique au sein de ce laboratoire. Alim est doctorant à l’Institute for Data, Systems, and Society et au même laboratoire. Leur article paraît durant la semaine du 14 septembre 2026. Les travaux décrivent une méthode de déploiement pour des modèles déjà entraînés, notamment des modèles de diffusion comme Stable Diffusion et des modèles à appariement de flux comme FLUX. Les chercheurs envisagent ensuite une extension permettant de mettre à jour le modèle lui-même pour améliorer conjointement contraintes et qualité.