L’IA s’enseigne les lois de la physique

Dans ce qui constitue un moment monumental à la fois pour l’IA et la physique, un réseau de neurones a « redécouvert » que la Terre orbite autour du Soleil. Ce nouveau développement pourrait être crucial pour résoudre des problèmes de mécanique quantique, et les chercheurs espèrent qu’il peut être utilisé pour découvrir de nouvelles lois de la physique en identifiant des modèles au sein de grands ensembles de données. 

Le réseau de neurones, nommé SciNet, a été alimenté avec des mesures montrant comment le Soleil et Mars apparaissent depuis la Terre. Les scientifiques de l’Institut fédéral suisse de technologie ont ensuite chargé SciNet de prédire où le Soleil et Mars seraient à différents moments dans le futur. 

La recherche sera publiée dans Physical Review Letters. 

Conception de l’algorithme

L’équipe, dont le physicien Renato Renner, a cherché à rendre l’algorithme capable de distiller de grands ensembles de données en formules de base. Il s’agit du 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 ont placé le Soleil au centre de notre système solaire. L’un des aspects remarquables de cette recherche est que SciNet l’a fait de manière similaire à celle de l’astronome Nicolas Copernic, qui a découvert l’héliocentrisme. 

L’équipe a mis en évidence cela dans un article publié sur le référentiel de préimpression arXiv. 

« Au 16e siècle, Copernic a mesuré les angles entre une étoile fixe éloignée 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 tournent autour du Soleil sur des orbites simples, » a écrit l’équipe. « Cela explique les orbites compliquées telles que vues depuis la Terre. »

L’équipe a essayé d’amener SciNet à prédire les mouvements du Soleil et de Mars de la manière la plus simple possible, donc SciNet utilise deux sous-réseaux pour envoyer des informations en arrière et en avant. L’un des réseaux analyse les données et en tire des enseignements, et l’autre fait des prédictions et teste la précision en fonction de ces connaissances. Puisque ces réseaux sont connectés par quelques liens seulement, les informations sont compressées et la communication est plus simple. 

Les réseaux de neurones conventionnels apprennent à identifier et à reconnaître des objets grâce à des ensembles de données énormes, et ils génèrent des caractéristiques. Celles-ci sont ensuite encodées dans des « nœuds » mathématiques, 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, tels que vus depuis la Terre. L’orbite de Mars autour du Soleil apparaît imprévisible et inverse souvent sa trajectoire. C’est au 16e siècle que Nicolas Copernic a découvert que des formules plus simples pouvaient être utilisées pour prédire les mouvements des planètes orbitant autour du Soleil. 

Lorsque le réseau de neurones a « découvert » des formules similaires pour la trajectoire de Mars, il a redécouvert l’un des éléments de connaissance les plus importants de l’histoire. 

Mario Krenn est un 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 toujours nécessaires pour interpréter les équations et déterminer comment elles sont liées au mouvement des planètes autour du Soleil. 

Hod Lipson est un roboticiste à l’Université Columbia de New York. 

« Ce travail est important car il est capable de mettre en évidence les paramètres cruciaux qui décrivent un système physique », dit-il. « Je pense que ces types de techniques sont notre seul espoir de comprendre et de suivre les phénomènes de plus en plus complexes, en physique et au-delà. »