Algorithme pour prédire les orbites des planètes pourrait être la clé d’un approvisionnement énergétique inépuisable

Un algorithme informatique développé par un scientifique du laboratoire de physique des plasmas de Princeton (PPPL) du département de l’Énergie des États-Unis (DOE) peut prédire avec précision l’orbite des planètes du système solaire. Il repose sur l’intelligence artificielle (IA) pour développer des prédictions basées sur les expériences passées.

Maintenant, les principes fondamentaux de cet algorithme sont adaptés dans d’autres domaines, en particulier en ce qui concerne la prédiction et le contrôle du plasma dans les installations de fusion. Ces installations peuvent exploiter l’énergie de fusion, qui alimente le soleil et les étoiles, sur Terre.

Hong Qin est un physicien du PPPL et auteur de l’article publié dans Scientific Reports.

“En général, en physique, vous faites des observations, créez une théorie basée sur ces observations, puis utilisez cette théorie pour prédire de nouvelles observations”, a déclaré Qin. “Ce que je fais, c’est remplacer ce processus par une sorte de boîte noire qui peut produire des prédictions précises sans utiliser une théorie ou une loi traditionnelle.”

Le programme informatique

Le programme informatique développé par Qin repose sur les données fournies par les observations passées concernant les orbites de la Terre, de Mars, de Mercure, de Vénus, de Jupiter et de la planète naine Cérès. Avec un “algorithme de service”, des prédictions précises des orbites d’autres planètes peuvent être faites, tout cela sans utiliser les lois de Newton sur le mouvement et la gravitation.

“Essentiellement, j’ai contourné tous les ingrédients fondamentaux de la physique. Je vais directement des données aux données”, a déclaré Qin. “Il n’y a pas de loi de la physique au milieu.”

Joshua Burby est un physicien du laboratoire national de Los Alamos du DOE. Il a obtenu un doctorat sous la direction de Qin.

“Hong a enseigné au programme les principes sous-jacents utilisés par la nature pour déterminer la dynamique de tout système physique”, a déclaré Burby. “Le bénéfice est que le réseau apprend les lois du mouvement planétaire après avoir vu très peu d’exemples de formation. En d’autres termes, son code apprend vraiment les lois de la physique.”

Expériences de fusion

Ces principes et théories sont maintenant adaptés par Qi et Eric Palmerduca, qui est un étudiant diplômé du programme de physique des plasmas de l’Université de Princeton. Le duo tente d’utiliser ces principes pour prédire le comportement des particules de plasma dans les expériences de fusion, qui ont lieu partout dans le monde.

La fusion est la combinaison d’éléments légers sous forme de plasma, et c’est la source d’énergie des étoiles et du soleil. Le plasma représente 99 % de l’univers visible et a le potentiel de produire des quantités massives d’énergie. Si les scientifiques peuvent reproduire la fusion sur Terre, cela nous fournirait un approvisionnement énergétique inépuisable pour l’électricité.

“Dans un dispositif de fusion magnétique, la dynamique des plasmas est complexe et multi-échelle, et les lois ou les modèles de calcul efficaces pour un processus physique particulier qui nous intéresse ne sont pas toujours clairs”, a déclaré Qin. “Dans ces scénarios, nous pouvons appliquer la technique d’apprentissage automatique que j’ai développée pour créer une théorie de champ discret, puis appliquer cette théorie de champ discret pour comprendre et prédire de nouvelles observations expérimentales.”

Les scientifiques pensent également que cette nouvelle technique pourrait développer une théorie physique traditionnelle.

Même si, d’une certaine manière, cette méthode préclude le besoin d’une telle théorie, elle peut également être considérée comme un chemin vers celle-ci”, a déclaré Palmerduca. “Lorsque vous essayez de déduire une théorie, vous aimeriez avoir autant de données à votre disposition que possible. Si vous disposez de certaines données, vous pouvez utiliser l’apprentissage automatique pour combler les lacunes dans ces données ou élargir l’ensemble de données.”