L’article propose que la vision classique du stockage de la mémoire dans le cerveau, basée sur les synapses comme unités de stockage numérique, est insuffisante pour expliquer des cas comme l’hyperthymésie, où des individus se rappellent de décennies de souvenirs avec une fidélité « cinématographique ».[1]
Les auteurs soulignent que la capacité de stockage théorique du cerveau, même dans une version généreuse, est dépassée par le volume et la richesse du rappel de certaines personnes à mémoire autobiographique exceptionnelle (HSAM). Selon cette critique, les connexions synaptiques serviraient davantage d’index ou de points d’accès que de véritables lieux de stockage de l’information.[1]
L’article avance que la physique moderne considère l’espace-temps comme un substrat actif, capable de conserver des “empreintes quantiques” laissées par les interactions des particules et, par extension, par la dynamique neuronale. Ainsi, la mémoire ne serait pas uniquement contenue dans le cerveau, mais aussi inscrite dans le tissu de l’espace-temps lui-même, accessible par résonance.[1]
Des structures subcellulaires comme les microtubules seraient à la fois des résonateurs naturels et des moyens d’accès à ces empreintes dans le champ quantique. La formation du souvenir impliquerait l’imprégnation d’un “pattern” dans ce champ et le rappel se ferait par syntonisation résonante.[1]
Le texte évoque la possibilité que l’Intrication quantique et l’effet de mémoire gravitationnelle participent au processus : chaque mouvement de matière laisse une trace permanente dans l’espace-temps, et le cerveau pourrait y accéder en retrouvant la configuration résonante correspondante.[1]
Cette approche n’exclut pas le rôle des neurones, mais propose un changement de paradigme : la synapse est un guide et l’espace-temps le support. Cela ouvrirait la voie à de nouvelles technologies biomimétiques de stockage par résonance et champ quantique, ainsi qu’à des approches thérapeutiques visant la restauration de la mémoire par résonance subcellulaire.[1]
En résumé, l’article explore l’idée que la mémoire pourrait être une propriété fondamentale de l’espace-temps, accessible grâce à une interface biologique sophistiquée impliquant microtubules, résonance quantique et Intrication, au-delà des limites computationnelles classiques du cerveau.[1]
Apple vient de sortir un truc énorme et je pense que personne n’a encore capté cette folie. Leur équipe de recherche en machine learning a publié SimpleFold , un modèle d’IA pour prédire la structure des protéines. Jusque-là, rien de révolutionnaire me direz-vous car AlphaFold de Google fait déjà ça très bien, sauf que… SimpleFold, lui, tourne sur votre MacBook Pro !
Maintenant, je vais vous expliquer pourquoi c’est complètement dingue. D’après l’article de recherche d’Apple , SimpleFold atteint 95% des performances d’AlphaFold2 tout en étant infiniment plus léger. En effet, AlphaFold nécessite des supercalculateurs avec des GPU à 20 000 balles pièce alors SimpleFold, lui tourne tranquille sur un MacBook Pro M2 avec 64GB de RAM.
Pour réaliser cet exploit, au lieu d’utiliser les modules super complexes d’AlphaFold comme la méthode du triangle attention ou les MSA ( Multiple Sequence Alignments ), SimpleFold utilise une technique appelée “flow-matching” avec des transformers basiques. Pour rappel, flow matching ça permet de générer des données (souvent des images ou du texte), à partir de bruit aléatoire…
Ils ont donc échangé le moteur de Formule 1 utilisé par des outil comme Alphafold par un moteur de Twingo bien générique et arrivent à atteindre la même vitesse.
Les chercheurs d’Apple ont pour cela entraîné 6 versions différentes de SimpleFold, de 100 millions à 3 milliards de paramètres. Et même la plus petite version (100M) atteint 90% des performances d’ ESMFold sur les benchmarks CAMEO22.
Et c’est super cool parce que prédire la structure d’une protéine, c’est pas juste un truc de geek pour s’amuser. C’est LA base pour créer de nouveaux médicaments, comprendre des maladies, développer des vaccins… Jusqu’à présent, seuls les gros labos avec des budgets de malade pouvaient se permettre de faire ça, c’est pourquoi SimpleFold change complètement la donne en rendant cette technologie accessible à n’importe quel chercheur avec un MacBook.
Un chercheur indépendant peut maintenant découvrir de nouvelles molécules depuis son canapé… Chapeau Apple pour démocratiser cette partie de la recherche scientifique !
Le plus drôle dans tout ça, c’est qu’Apple a entraîné SimpleFold sur 8,6 millions de structures protéiques, ce qui en fait donc le plus gros modèle de folding jamais créé, avec 3 milliards de paramètres pour la version complète. Maintenant pour l’installer, c’est super simple. Le repo GitHub montre que vous aurez juste besoin de Python 3.10 et que ça supporte PyTorch ou MLX (le framework d’Apple pour les puces Silicon).
Et voilà, en 5 minutes, vous avez un labo de biologie moléculaire totalement open source sur votre machine !
Yuyang Wang et son équipe ont donc prouvé que pour prédire les structures protéiques, pas besoin de réinventer la roue. Des transformers classiques avec du flow-matching, et ça marche ! Imaginez des lycéens qui découvrent de nouvelles molécules pour leur TPE, des startups biotech qui se lancent depuis un garage (littéralement), des pays en développement qui peuvent enfin faire de la recherche de pointe sans investir des millions dans l’infra…
Apple vient de casser un petit peu le monopole de la big pharma sur la recherche moléculaire.
C’est top non ?
Connexion