IEEE

Le 18 septembre 2026, l'Université de Lorraine présente LibScience, une solution qui vérifie automatiquement les références bibliographiques des manuscrits scientifiques pour les chercheurs, doctorants, revues et éditeurs. Selon le site de l'outil, ses algorithmes, fondés sur l'apprentissage automatique, détectent en quelques secondes les citations manquantes, les références incomplètes, les doublons et les erreurs de formatage, quel que soit le style utilisé (APA, MLA, Chicago, IEEE). Le projet est porté par Jérémy Corriger, immuno-allergologue et docteur en médecine de l'Université de Lorraine, avec Pol Reitz, chef de projet à l'INRS, et le développeur indépendant Pierre-Jean Morieux. LibScience vient de recevoir une Bourse French Tech Émergence de 77 000 euros attribuée par Bpifrance, avec le soutien d'Inria Startup Studio, de la Région Grand Est, d'Inria et de l'Incubateur Lorrain.

Le 14 septembre 2026, le MIT a présenté HardFlow, un algorithme qui amène les modèles génératifs de diffusion et de flow matching à respecter des contraintes dures de sécurité, de physique ou de tâche. La méthode reformule l'échantillonnage sous contrainte en problème d'optimisation de trajectoire emprunté au contrôle optimal et n'impose les contraintes que sur la sortie finale, au lieu de forcer chaque échantillon intermédiaire comme le fait l'échantillonnage par projection. Sur des expériences de manipulation robotique, de navigation dans un labyrinthe et d'édition d'image guidée par texte, HardFlow satisfait toutes les contraintes tout en dépassant les méthodes de référence sur la qualité de la solution, avec un temps de calcul comparable ou inférieur. Les travaux de Zeyang Li, Kaveh Alim et Navid Azizan paraissent dans IEEE Transactions on Pattern Analysis and Machine Intelligence.

Le 14 septembre 2026, Hitachi a annoncé une technologie de garde-fou destinée à l'exploitation sûre de l'IA physique dans les infrastructures industrielles, énergétiques et de transport. En conception, l'outil range spécifications et informations de structure en graphe de connaissances, puis en tire une analyse de risques et des contraintes de sécurité portant sur la marge d'arrêt, la vitesse, l'accélération et la distance aux obstacles. En exploitation, chaque commande produite par l'IA est évaluée en temps réel par une fonction barrière de contrôle (CBF) et corrigée au plus près de l'intention initiale, un dispositif de sécurité indépendant assurant l'arrêt final. Sur des spécifications publiques, la méthode a extrait 20 des 22 dangers principaux. Sur la simulation d'un système de conduite automatisée mêlant machines et personnes, elle réduit de 89 % les arrêts excessifs face à une commande d'arrêt d'urgence classique. Hitachi la présentera à la conférence IEEE ITSC 2026, à Naples, du 15 au 18 septembre.

Le 4 septembre 2026, Aditi Patodiya a mis en ligne sur arXiv une mesure, soumise à la revue IEEE Access, du coût en reproductibilité du cache de préfixe, activé par défaut dans les principaux moteurs de service open source. Sur quatre-vingts épisodes multi-tours d'usage d'outils, joués en série à taille de lot 1 avec modèle, paramètres de décodage, graine et ordre des requêtes fixés, activer le cache modifie la trajectoire de l'agent dans 36,2 % des cas en 16 bits et dans 75,0 % des cas en 4 bits. Cache désactivé, l'exécution répétée est identique bit à bit sur les 800 épisodes, ce qui borne les autres sources de non-déterminisme à 0,5 %. Un seul réglage serveur de cache de prompt déplace la divergence entre exécutions de 37,5 points de pourcentage.

Le 3 septembre 2026, l'International Journal of Sports Science and Coaching a publié une revue systématique de Hongta Wang et de quatre collègues de l'université du sport de Tianjin sur l'intelligence artificielle appliquée à la détection de talents en football. Conduite selon PRISMA 2020 et enregistrée dans PROSPERO, elle a interrogé PubMed, Scopus, Web of Science, IEEE Xplore et ACM Digital Library pour les travaux parus entre 2016 et 2025. Les auteurs jugent la comparaison entre modèles limitée par l'hétérogénéité des échantillons, des variables et des protocoles de validation, pointent une validation longitudinale limitée et relèvent des problèmes d'interprétabilité, de vie privée et de biais. Sur les 24 études retenues, l'apprentissage supervisé est employé dans 19, l'apprentissage profond dans 14, les méthodes d'ensemble dans 11 et d'autres approches spécialisées dans 5.