- Neurologie
- 2026
Entraîner des modèles d’IA EEG à grande échelle : plongée dans les expérimentations de BIOSerenity sur le supercalculateur Jean Zay
Auteurs : Ruggero G. BETTINARDI, Mohamed RAHMOUNI, Antoine HONORÉ et Ulysse GIMENEZ
Temps de lecture estimé : 7 minutes
L’équipe de recherche en IA de BIOSerenity utilise l’un des supercalculateurs les plus puissants de France pour préentraîner et faire monter en échelle ses Large Brain Models capables d’analyser l’activité cérébrale.
Intro
Que se passe-t-il lorsque les supercalculateurs de pointe se heurtent au défi de la compréhension du cerveau humain ? Au cours des trois derniers mois, BIOSerenity a exploré cette question à travers une série d’expériences EEG à grande échelle sur le système Jean Zay, l’un des supercalculateurs les plus puissants de France, en s’appuyant sur des capacités avancées de calcul et des techniques modernes de préentraînement en IA.
Au cœur de ces travaux se trouvent de nouveaux modèles du cerveau conçus pour faire progresser l’IA appliquée à la neurophysiologie et à l’analyse EEG. À mesure que ces modèles grandissent et apprennent à partir de volumes de données toujours plus importants, une question émerge : l’augmentation d’échelle suffit-elle à améliorer les performances, ou le cerveau nécessite-t-il une approche différente ?
En bref
Au cours des trois derniers mois, l’équipe de recherche en IA de BIOSerenity a mené l’une des plus vastes séries d’expériences d’entraînement de modèles EEG jamais réalisées à ce jour, en s’appuyant sur Jean Zay, l’un des supercalculateurs les plus puissants de France.
L’objectif : préentraîner et faire monter en échelle de manière systématique ses Large Brain Models (LBM), conçus pour interpréter l’activité électrique du cerveau, et comprendre de façon rigoureuse et contrôlée le comportement de ces modèles à mesure qu’ils gagnent en taille.
Cette démarche est motivée par une question bien connue dans la recherche en IA : plus grand signifie-t-il toujours meilleur ?
Pour les systèmes d’IA entraînés sur du texte, la réponse est généralement oui : fournir davantage de données et augmenter la capacité d’apprentissage d’un modèle tend à améliorer ses performances, selon un équilibre désormais bien documenté entre taille du modèle et volume de données d’entraînement¹. En revanche, savoir si ce principe s’applique aux signaux cérébraux reste beaucoup plus incertain. Pour le tester, il a fallu concevoir et exécuter certains des plus grands modèles EEG jamais entraînés par BIOSerenity.
L’ampleur de cet effort mérite d’être soulignée.
À titre d’étape clé, l’équipe a entraîné un modèle prototype de 300 millions de paramètres sur 110 000 heures d’enregistrements EEG (soit environ six milliards de points de données individuels, appelés « tokens »), en mobilisant 64 processeurs graphiques du supercalculateur Jean Zay, opéré par l’IDRIS, l’institut national du CNRS pour le calcul scientifique, et financé par GENCI dans le cadre de la stratégie française pour une IA souveraine²,³.
À titre de comparaison, l’un des modèles de fondation EEG les plus performants publiés à ce jour a été entraîné sur environ deux fois moins de données⁴, tandis que la majorité des modèles EEG décrits dans la littérature scientifique reposent sur 2 000 à 30 000 heures d’EEG de surface⁵,⁶,⁷,⁸.
Cet entraînement du modèle 300M a été volontairement limité dans le temps : il visait avant tout à valider la robustesse des pipelines de données et l’infrastructure de calcul de BIOSerenity à cette échelle, avant de lancer des phases d’entraînement complètes et plus longues.
AUPRC moyen sur 9 tâches d’evaluation clinique en fonction du nombre d’heures de préentraînement EEG. Les séries Neptune et Mercury présentent des tendances opposées. La taille des marqueurs est proportionnelle à la taille du modèle.
Une fois cette capacité validée, BIOSerenity a entraîné complètement deux familles distinctes de modèles EEG (nommées en interne Mercury et Neptune), chacune déclinée en trois tailles, allant d’environ 13 à 100 millions de paramètres, sur des volumes de données EEG progressivement croissants, de 5 000 à environ 40 000 heures.
À chaque taille, le volume de données d’entraînement a été augmenté proportionnellement au modèle, selon un ratio d’environ 20:1 entre données et paramètres, similaire à celui qui a fait ses preuves pour les modèles de langage¹.
Chacun des six modèles obtenus a ensuite été évalué sur neuf tâches distinctes de classification de pathologies issues de cinq jeux de données EEG publics, couvrant à la fois des problèmes binaires et multi-classes, incluant des pathologies telles que la maladie d’Alzheimer, la maladie de Parkinson, les lésions cérébrales focales, l’épilepsie et les encéphalopathies. Chaque test a été répété deux fois afin de limiter les effets du hasard.
Les résultats se répartissent clairement en deux tendances.
Pour la famille Neptune, dont l’architecture est agnostique aux canaux (c’est-à-dire qu’elle ne dépend pas de la position des électrodes sur le cuir chevelu), la performance moyenne s’améliore avec l’augmentation de la taille du modèle et du volume de données, reproduisant un comportement bien connu dans l’IA du langage
En revanche, pour la famille Mercury, dont l’architecture intègre explicitement l’information spatiale des électrodes, le phénomène inverse est observé : la plus petite version est la plus performante, et les performances diminuent avec l’augmentation d’échelle.
Les deux familles ayant été entraînées sur les mêmes données, avec des tailles comparables et des conditions expérimentales identiques, cette divergence ne peut s’expliquer par les données seules. Elle suggère que la manière dont chaque architecture exploite, ou au contraire ignore, la structure spatiale des électrodes interagit différemment avec la montée en échelle.
L’équipe de recherche en IA de BIOSerenity étudie actuellement les causes de ce phénomène, qui n’est pas isolé : un nombre croissant de travaux récents sur les modèles de fondation EEG montrent que les gains liés à la montée en échelle, lorsqu’ils existent, sont souvent plus faibles, plus instables ou plus dépendants de l’architecture que dans les modèles de langage de grande taille⁹. Nous pourrons ainsi adapter toutes nos architectures pour qu’elles profitent au maximum d’une montée à l’échelle.
Comprendre dans quelles conditions, et pourquoi, l’IA appliquée aux signaux cérébraux se comporte différemment de l’IA du langage constitue aujourd’hui un domaine de recherche actif et particulièrement stimulant, auquel BIOSerenity contribue.
Les résultats présentés ici proviennent d’expérimentations internes et n’ont pas encore fait l’objet d’une publication ou d’une évaluation par les pairs ; ils sont partagés dans un souci de transparence, comme un état des lieux des travaux en cours.
La conduite d’expériences à cette échelle, impliquant plusieurs familles de modèles, différentes tailles et volumes de données, et nécessitant les ressources d’un supercalculateur national, ne constitue pas un effort ponctuel pour BIOSerenity.
Elle reflète plus largement l’approche adoptée par l’entreprise dans le développement d’une IA EEG de grade clinique : une approche systématique, à grande échelle, et prête à documenter des résultats qui complexifient les hypothèses initiales plutôt que de ne retenir que ceux qui les confirment.
Ces modèles étant destinés à être utilisés comme dispositifs médicaux dans des contextes cliniques sensibles, ils doivent répondre aux standards les plus exigeants. Cela implique de les éprouver en continu et d’approfondir la compréhension de leur fonctionnement.
Les équipes de recherche en IA de BIOSerenity poursuivent ces travaux en s’appuyant sur les mêmes infrastructures nationales de calcul, afin de faire progresser les modèles de fondation EEG et de mieux comprendre à quel moment, et pourquoi, l’IA appliquée aux signaux cérébraux diverge des règles observées dans les modèles de langage.
Remerciements
BIOSerenity remercie l’écosystème Jean Zay, l’IDRIS (Institut du Développement et des Ressources en Informatique Scientifique, CNRS) et GENCI (Grand Équipement National de Calcul Intensif), pour l’accès au supercalculateur Jean Zay et pour leur support technique tout au long de ces travaux, réalisés dans le cadre de la stratégie nationale française pour une IA souveraine.
Références
1. Hoffmann, J., Borgeaud, S., Mensch, A., Buchatskaya, E., Cai, T., Rutherford, E., de Las Casas, D., Hendricks, L. A., Welbl, J., Clark, A., Hennigan, T., Noland, E., Millican, K., van den Driessche, G., Damoc, B., Guy, A., Osindero, S., Simonyan, K., Elsen, E., Rae, J. W., Vinyals, O., & Sifre, L. (2022). Training compute-optimal large language models. arXiv. https://doi.org/10.48550/arXiv.2203.15556
2. Centre National de la Recherche Scientifique. (2024, March 28). GENCI and CNRS choose Eviden to make the Jean Zay supercomputer one of the most powerful in France. CNRS News. https://www.cnrs.fr/en/press/genci-and-cnrs-choose-eviden-make-jean-zay-supercomputer-one-most-powerful-france
3. Grand Équipement National de Calcul Intensif. (2021). A new partition dedicated to AI for the Jean Zay supercomputer. GENCI News. https://www.genci.fr/en/news/new-partition-dedicated-ai-jean-zay-supercomputer
4. El Ouahidi, Y., Lys, J., Thölke, P., Farrugia, N., Pasdeloup, B., Gripon, V., Jerbi, K., & Lioi, G. (2025). REVE: A foundation model for EEG—Adapting to any setup with large-scale pretraining on 25,000 subjects. Advances in Neural Information Processing Systems.
5. Cui, M., Chen, T., Jiao, Y., Wang, Y., Xie, L., Pan, Y., & Mainardi, L. (2026). BrainRVQ: A high-fidelity EEG foundation model via dual-domain residual quantization and hierarchical autoregression. arXiv. https://arxiv.org/abs/2602.16951
6. Wang, C., et al. (2024). CBraMod: A criss-cross brain foundation model for EEG decoding. arXiv. https://arxiv.org/abs/2412.07236
7. Jiang, W.-B., Zhao, L.-M., & Lu, B.-L. (2024). Large brain model for learning generic representations with tremendous EEG data in BCI. In The Twelfth International Conference on Learning Representations (ICLR 2024). arXiv. https://arxiv.org/abs/2405.18765
8. Döner, B., Ingolfsson, T. M., Benini, L., & Li, Y. (2025). LUNA: Efficient and topology-agnostic foundation model for EEG signal analysis. In Advances in Neural Information Processing Systems (NeurIPS 2025). arXiv. https://arxiv.org/abs/2510.22257
9. Kuruppu, G., Wagh, N., & Varatharajah, Y. (2025). EEG foundation models: A critical review of current progress and future directions. Foundation Models for the Brain and Body Workshop, 39th Conference on Neural Information Processing Systems (NeurIPS 2025). https://openreview.net/forum?id=Iu6qVgtgUD
Note: Les résultats des familles Mercury et Neptune présentés ci-dessus sont issus de la recherche interne à BIOSerenity (2026), conduits à l‘aide du supercalculateur Jean Zay. Ces résultats sont préliminaires et n’ont pas encore été soumis à révision externe par les pairs.