Un nouvel algorithme d’apprentissage automatique d’IA contourne les lois de la physique

White77 / Pixabay

Source: White77 / Pixabay

La renaissance de l’apprentissage automatique de l’intelligence artificielle (IA) s’étend à de nombreuses disciplines. La reconnaissance de formes et les capacités de prédiction des réseaux de neurones artificiels sont particulièrement utiles dans les disciplines complexes telles que la recherche en physique, un domaine scientifique clé qui peut aider à accélérer la recherche sur des sources innovantes de sources d’énergie renouvelables telles que la fusion. Une étude récente de Princeton publiée dans Rapports scientifiques montre un nouvel algorithme d’apprentissage automatique d’IA capable de prédire les orbites planétaires qui pourraient un jour aider à accélérer la recherche en physique dans d’autres domaines tels que les énergies renouvelables.

L’auteur de la nouvelle étude est l’American Physical Society Fellow et astrophysicien primé Hong Qin, Ph.D., professeur de physique des plasmas à l’Université de Princeton et scientifique au laboratoire de physique des plasmas de Princeton du département américain de l’énergie. En 2004, Qin a reçu à la fois le prix présidentiel américain en début de carrière pour les scientifiques et les ingénieurs et le prix du chercheur et ingénieur en début de carrière du Département de l’énergie des États-Unis.

«À l’exception de l’hypothèse fondamentale selon laquelle les données d’observation sont régies par des théories des champs, les algorithmes d’apprentissage et de service proposés ne supposent aucune connaissance des lois de la physique, telles que la loi du mouvement de Newton et l’équation de Schrödinger», a écrit Qin. «C’est différent de la plupart des méthodologies existantes d’apprentissage automatique en physique.»

La physique est la science de la matière, du mouvement, de l’énergie et de la force. L’origine du mot physique remonte au mot latin physica, et le mot grec physika selon le dictionnaire Collins. Actuellement, l’apprentissage automatique de l’IA est appliqué à la physique de différentes manières, par exemple pour générer des données pour calculer les propriétés des systèmes physiques, résoudre des équations différentielles, trouver de nouveaux paramètres ou fonctions dans des équations différentielles et modéliser des processus physiques complexes. Ce nouvel algorithme diffère des méthodes actuelles d’apprentissage automatique en physique. Les recherches de Qin ouvrent une nouvelle voie dans l’IA appliquée pour la physique.

«Le problème abordé dans cet article appartient à une nouvelle catégorie», a écrit Qin. «La méthode proposée apprend une théorie des champs à partir d’un ensemble donné de données d’entraînement constitué de valeurs observées d’un champ physique à des emplacements d’espace-temps discrets. Les lois de la physique sont fondamentalement exprimées sous la forme de théories des champs au lieu d’équations différentielles.

À travers les âges, la méthode scientifique a été utilisée pour créer des théories et des lois en physique. La méthode scientifique commence par une observation d’un phénomène qui conduit à une hypothèse utilisée pour la prédiction des phénomènes. Si l’hypothèse est confirmée par des tests expérimentaux approfondis, elle est alors appelée théorie ou loi de la nature, qui, en physique, prend généralement le format d’une équation ou d’un concept.

Selon Qin, le nouvel algorithme d’IA va de l’entrée de données à la sortie de données sans les étapes intermédiaires d’hypothèse, de test expérimental et de théorie ou loi de la nature requises. L’algorithme d’apprentissage automatique par ordinateur apprend à partir des données d’entraînement comment faire des prédictions avec un degré élevé de précision sans être explicitement programmé avec la loi du mouvement et de la gravitation de Newton.

«L’algorithme ne tente pas de capturer les propriétés statistiques des données d’entraînement, ni de découvrir les équations différentielles qui régissent les données d’entraînement», a écrit Qin. «Au lieu de cela, il apprend une théorie des champs discrets qui sous-tend le champ observé. Parce que la théorie des champs apprise est discrète, elle surmonte les difficultés associées à l’apprentissage des théories continues.

Qin a créé deux algorithmes, un algorithme d’apprentissage et un algorithme de diffusion. L’algorithme d’apprentissage est formé sur un ensemble de données d’observation pour les orbites de Jupiter, Cérès, Mars, Terre, Vénus et Mercure. L’algorithme de desserte prédit les orbites d’échappement paraboliques et hyperboliques des autres orbites planétaires du système solaire.

Les données d’orbites ont été dérivées de l’équation de mouvement de Newton pour une planète dans le champ de gravité du Soleil conformément à la loi de Newton de la gravitation universelle qui stipule que toute particule de matière en attire une autre avec une force qui varie directement comme le produit des masses, et inversement comme le carré de la distance entre eux. Newton a utilisé cette loi pour expliquer les observations des planètes et de leurs lunes.

La loi de Newton de la gravitation universelle est dérivée en partie des lois de Kepler du mouvement planétaire, entre autres concepts. En 1687, le physicien et mathématicien anglais Sir Isaac Newton (1642-1727) a publié sa loi de la gravitation universelle dans Philosophiae Naturalis Principia Mathematica (Principes mathématiques de la philosophie naturelle).

En astronomie, les lois du mouvement planétaire de Kepler, publiées entre 1609 et 1619, décrivent les orbites des planètes du système solaire autour du soleil. Il est nommé d’après Johannes Kepler (1571-1630), un astronome et mathématicien allemand, et est basé sur les observations de Kepler de l’astronome danois Tycho Brahe qui est passé en 1601. En 1609, Kepler a publié sa première loi selon laquelle les planètes se déplacent sur des orbites elliptiques autour le soleil. La deuxième loi de Kepler stipule que la vitesse orbitale des planètes n’est pas uniforme – elle se déplace plus rapidement lorsqu’elle est la plus proche du soleil. La troisième loi du mouvement planétaire de Kepler implique que les planètes plus éloignées du soleil mettent plus de temps à orbiter autour de lui. Étonnamment, l’algorithme a été capable de faire des prédictions sans codage explicite en dur des lois de Kepler, ni aucune autre loi de la physique.

«L’efficacité de la méthode et des algorithmes développés est démontrée à l’aide d’exemples d’oscillations non linéaires et du problème de Kepler», a écrit Qin. «En particulier, l’algorithme d’apprentissage apprend une théorie des champs discrets à partir d’un ensemble de données d’orbites planétaires similaires à ce que Kepler a hérité de Tycho Brahe en 1601, et l’algorithme de service prédit correctement d’autres orbites planétaires, y compris les orbites d’échappement paraboliques et hyperboliques, du système solaire sans apprendre ni connaître les lois du mouvement de Newton et la gravitation universelle.

Comme prochaines étapes, le doctorat en physique des plasmas de l’Université de Qin et de Princeton. L’étudiant Eric Palmerduca envisage d’appliquer la technique d’apprentissage automatique pour la théorie des champs discrets afin d’étudier le comportement des particules de plasma dans les expériences actuelles d’énergie de fusion dans le monde entier. Avec cette nouvelle preuve de concept en apprentissage automatique pour servir les théories des champs discrets en physique, les chercheurs disposent désormais d’une méthode pour non seulement accélérer la recherche sur les énergies renouvelables, mais également développer de nouvelles théories en physique et au-delà.

Copyright © 2021 Cami Rosso Tous droits réservés.