La géométrie analytique, pierre d'achoppement méconnue pour l'IA
Les modèles modernes sont désormais assez performants pour résoudre des problèmes de géométrie où les figures sont déjà dessinées. La situation est bien plus délicate en géométrie analytique : ici, les objets sont définis par des équations, des coordonnées et des conditions de tangence ou d'intersection. Pour entraîner de tels systèmes, il faut des exemples annotés — un énoncé, un texte, un dessin précis et une réponse. Et c'est justement là que le bât blesse : les ensembles de données prêts à l'emploi sont presque inexistants, et les obtenir automatiquement est très difficile.
Pourquoi ne pas simplement générer des images à partir d'un modèle ? Il s'avère que les générateurs classiques de problèmes ne fonctionnent qu'avec des scénarios rigides. Dès qu'apparaît une contrainte du type « un cercle est tangent à une parabole en un point à coordonnées entières », le modèle se brise. Les réseaux de neurones génératifs, quant à eux, savent dessiner des diagrammes plausibles, mais ne garantissent pas l'exactitude mathématique : les courbes peuvent se croiser là où il ne faut pas, et la tangence n'être que visuelle.
Il faut une approche qui construise le diagramme dès le départ selon des règles formelles, et non à partir d'une image « moyenne » trouvée sur Internet.
Comment fonctionne le framework : de l'énoncé au dessin exact
Les chercheurs ont proposé FormalAnalyticGeo, un pipeline entièrement automatique qui combine réseaux de neurones et vérification symbolique. Plutôt que de confier le dessin à des modèles génératifs, le système traduit le problème en une description formelle intermédiaire, puis rend le diagramme. Cela permet de garder un contrôle strict sur la précision géométrique tout au long du processus.
CDL et SDF : le pont entre texte et dessin
L'idée centrale est le langage de description des conditions CDL (Condition Description Language). C'est une représentation intermédiaire qui joue un double rôle : elle structure les conditions du problème, reformulées en texte libre, et contient simultanément toutes les données nécessaires au rendu. Ce format s'avère bien plus flexible que les modèles paramétriques traditionnels : il permet d'exprimer des combinaisons arbitraires de points, de droites et de sections coniques.
Le rendu est assuré par un moteur basé sur la technologie Signed Distance Field (SDF). Chaque objet est décrit par une fonction de distance à sa frontière — zone positive à l'extérieur, négative à l'intérieur. Cela facilite le calcul des positions relatives des objets : intersections, tangences, appartenance d'un point à une courbe. C'est précisément le SDF qui apporte cette exactitude mathématique qui fait tant défaut aux approches génératives classiques.
Quatre composants : génération, formalisation, mesure et contrôle
Au sein du framework travaillent quatre composants LLM spécialisés, chacun avec sa fonction :
- Generator — invente l'énoncé du problème en choisissant les paramètres et le scénario géométrique.
- Formalizer — traduit le texte en CDL, c'est-à-dire transforme la formulation libre en une structure formelle compréhensible par le moteur.
- Measurer — analyse le diagramme déjà calculé et « mesure » la réponse de référence, en imitant le comportement humain.
- Quality Verifier — vérifie la qualité à chacune des trois étapes précédentes : la correction du texte, la validité formelle du CDL et la cohérence de la réponse avec le dessin.
Le Quality Verifier ne se contente pas de rejeter les mauvais exemples. Il génère un retour structuré et renvoie le pipeline à l'exécution de l'étape concernée. Ainsi se crée une boucle fermée, sans aucune intervention humaine : les erreurs sont corrigées automatiquement jusqu'à ce que le résultat passe toutes les vérifications.
AnalyticGeo7K : le test sur des données réelles
Pour tester le framework en conditions réelles, les auteurs ont rassemblé et nettoyé un ensemble de données nommé AnalyticGeo7K. Il comprend plus de sept mille problèmes, chacun alignant quatre éléments : l'énoncé, le diagramme, l'annotation formelle et la réponse. Une telle complexité manquait aux ensembles de données précédents.
Les résultats sont prometteurs. L'erreur relative médiane des réponses de référence, obtenues par mesure visuelle des diagrammes, est d'environ 0,7 %. Si l'on tolère une marge d'erreur allant jusqu'à cinq pour cent par rapport à la solution symbolique exacte, 82,3 % de toutes les réponses générées tombent dans cet intervalle. Cela signifie que le pipeline automatisé est capable de produire non seulement des problèmes plausibles, mais réellement corrects, avec des dessins soignés.
Et ensuite
Les auteurs prévoient d'ouvrir à la fois le framework et l'ensemble de données pour un usage public. Cela ouvre des perspectives intéressantes : les enseignants pourront rapidement obtenir un nombre illimité de nouveaux problèmes avec des illustrations précises, et les chercheurs pourront utiliser ces nouvelles données pour entraîner des modèles au raisonnement mathématique. De plus, l'architecture pourra sans doute être transposée à d'autres branches de la géométrie, voire à des disciplines connexes où le lien strict entre texte, formule et image est essentiel.
En attendant, FormalAnalyticGeo démontre l'essentiel : la combinaison de la génération par réseaux de neurones et de la vérification formelle permet d'obtenir des données multimodales de qualité sans travail manuel, et ce principe deviendra probablement la norme pour les futurs générateurs de supports pédagogiques.
