Un algorithme pour prédire les orbites des planètes pourrait être la clé d'un approvisionnement énergétique sans fin 

Un algorithme informatique développé par un scientifique du Princeton Plasma Physics Laboratory (PPPL) du Département américain de l'énergie (DOE) peut prédire avec précision l'orbite des planètes dans le système solaire. Il s'appuie sur l'intelligence artificielle (IA) pour développer des prédictions basées sur l'expérience antérieure. 

Aujourd'hui, les fondamentaux de cet algorithme sont en cours d'adaptation dans d'autres domaines, notamment en ce qui concerne la prédiction et le contrôle du plasma dans les installations de fusion. Ces installations peuvent récolter l'énergie de fusion, qui alimente le soleil et les étoiles, sur Terre.

Hong Qin est un physicien PPPL et auteur de l'article publié dans Rapports scientifiques. 

"Habituellement, 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 un type 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 s'appuie sur des données provenant d'observations passées concernant les orbites de la Terre, de Mars, de Mercure, de Vénus, de Jupter et de la planète naine Cérès. Avec un « algorithme de service », des prédictions précises des orbites d'autres planètes peuvent être faites, le tout sans l'utilisation des lois du mouvement et de la gravitation de Newton.

« 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 physicien au Laboratoire national de Los Alamos du DOE. Il a obtenu un doctorat sous Qin.

"Hong a enseigné au programme le principe sous-jacent utilisé par la nature pour déterminer la dynamique de tout système physique", a déclaré Burby. « Le résultat est que le réseau apprend les lois du mouvement planétaire après avoir été témoin de 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 étudiant diplômé du programme de l'Université de Princeton en physique des plasmas. Le duo tente de les utiliser pour prédire le comportement des particules de plasma dans les expériences de fusion, qui se déroulent dans le monde entier. 

La fusion est une combinaison d'éléments légers sous forme de plasma, et c'est la puissance derrière les étoiles et le soleil. Le plasma représente 99 % de l'univers visible et il a le potentiel de produire d'énormes quantités d'énergie. Si les scientifiques pouvaient reproduire la fusion sur Terre, cela nous fournirait une source inépuisable d'énergie pour l'électricité. 

"Dans un dispositif de fusion magnétique, la dynamique des plasmas est complexe et à plusieurs échelles, et les lois régissant 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 des champs discrets, puis appliquer cette théorie des champs discrets pour comprendre et prédire de nouvelles observations expérimentales."

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

Bien que, dans un certain sens, cette méthode exclut le besoin d'une telle théorie, elle peut également être considérée comme une voie vers une telle théorie », a déclaré Palmerduca. « Lorsque vous essayez de déduire une théorie, vous aimeriez avoir autant de données à votre disposition que possible. Si on vous donne des données, vous pouvez utiliser l'apprentissage automatique pour combler les lacunes dans ces données ou élargir l'ensemble de données.