L'IA s'enseigne les lois de la physique

Dans ce qui est un moment monumental à la fois en IA et en physique, un réseau de neurones a "redécouvert" que la Terre tourne autour du Soleil. Le nouveau développement pourrait être essentiel pour résoudre les problèmes de mécanique quantique, et les chercheurs espèrent qu'il pourra être utilisé pour découvrir de nouvelles lois de la physique en identifiant des modèles dans de grands ensembles de données. 

Le réseau de neurones, nommé SciNet, a reçu des mesures montrant comment le Soleil et Mars apparaissent depuis la Terre. Des scientifiques de l'Ecole polytechnique fédérale de Suisse ont ensuite chargé SciNet de prédire où se trouveraient le Soleil et Mars à différents moments dans le futur. 

La recherche sera publiée dans Lettres d'examen physique. 

Conception de l'algorithme

L'équipe, comprenant le physicien Renato Renner, a entrepris de rendre l'algorithme capable de distiller de grands ensembles de données en formules de base. C'est le même système utilisé par les physiciens lorsqu'ils élaborent des équations. Pour ce faire, les chercheurs ont dû baser le réseau de neurones sur le cerveau humain. 

Les formules générées par SciNet placent le Soleil au centre de notre système solaire. L'un des aspects remarquables de cette recherche est que SciNet a fait cela de la même manière que l'astronome Nicolaus Copernicus a découvert l'héliocentrisme. 

L'équipe l'a souligné dans un article publié sur le référentiel de préimpression arXiv. 

« Au 16ème siècle, Copernic a mesuré les angles entre une étoile fixe distante et plusieurs planètes et corps célestes et a émis l'hypothèse que le Soleil, et non la Terre, est au centre de notre système solaire et que les planètes se déplacent autour du Soleil sur de simples orbites », a écrit l'équipe. "Cela explique les orbites compliquées vues de la Terre."

L'équipe a essayé de faire en sorte que SciNet prédise les mouvements du Soleil et de Mars de la manière la plus simple possible. SciNet utilise donc deux sous-réseaux pour envoyer des informations dans les deux sens. L'un des réseaux analyse les données et en tire des enseignements, et l'autre fait des prédictions et teste la précision sur la base de ces connaissances. Parce que ces réseaux sont reliés entre eux par quelques liens, l'information est compressée et la communication est plus simple. 

Les réseaux de neurones conventionnels apprennent à identifier et à reconnaître des objets à travers d'énormes ensembles de données, et ils génèrent des fonctionnalités. Ceux-ci sont ensuite encodés dans des « nœuds » mathématiques, qui sont considérés comme l'équivalent artificiel des neurones. Contrairement aux physiciens, les réseaux de neurones sont plus imprévisibles et difficiles à interpréter. 

Intelligence artificielle et découvertes scientifiques 

L'un des tests consistait à fournir au réseau des données simulées sur les mouvements de Mars et du Soleil, vus de la Terre. L'orbite de Mars autour du Soleil semble imprévisible et inverse souvent sa course. C'est dans les années 1500 que Nicolas Copernic a découvert que des formules plus simples pouvaient être utilisées pour prédire les mouvements des planètes en orbite autour du Soleil. 

Lorsque le réseau de neurones a "découvert" des formules similaires pour la trajectoire de Mar, il a redécouvert l'une des connaissances les plus importantes de l'histoire. 

Mario Krenn est physicien à l'Université de Toronto au Canada, et il travaille sur l'utilisation de l'intelligence artificielle pour faire des découvertes scientifiques. 

SciNet a redécouvert "l'un des changements de paradigmes les plus importants de l'histoire de la science", a-t-il déclaré. 

Selon Renner, les humains sont encore nécessaires pour interpréter les équations et déterminer comment elles sont liées au mouvement des planètes autour du Soleil. 

Hod Lipson est roboticien à l'Université de Columbia à New York. 

"Ce travail est important car il est capable de distinguer les paramètres cruciaux qui décrivent un système physique", dit-il. "Je pense que ce type de techniques est notre seul espoir de comprendre et de suivre le rythme de phénomènes de plus en plus complexes, en physique et au-delà."