Qui a besoin de Copernicus si vous avez l'apprentissage automatique ?

Les lois de la physique, parmi les plus grandes découvertes de l'humanité, ont émergé au cours de nombreux siècles dans un processus souvent influencé par les penseurs éminents de l'époque. Ce processus a eu une profonde influence sur l'évolution de la science et donne l'impression que certaines lois n'auraient pas pu être découvertes sans la connaissance des époques antérieures.

La mécanique quantique, par exemple, est construite sur la mécanique classique en utilisant diverses idées mathématiques qui prédominaient à l'époque.

Mais peut-être existe-t-il une autre façon de découvrir les lois de la physique qui ne dépende pas de la compréhension que nous avons déjà acquise de l'univers.

Aujourd'hui, Raban Iten, Tony Metger et leurs collègues de l'ETH Zurich en Suisse affirment avoir développé une telle méthode et l'avoir utilisée pour découvrir les lois de la physique d'une manière entièrement nouvelle. Et ils disent qu'il peut être possible d'utiliser cette méthode pour trouver des formulations entièrement nouvelles des lois physiques.

Tout d'abord, un peu de contexte. Les lois de la physique sont des représentations simples qui peuvent être interrogées pour fournir des informations sur des scénarios plus complexes. Imaginez mettre un pendule en mouvement et demander où la base du pendule sera à un moment donné dans le futur. Une façon de répondre à cette question consiste à mesurer la position du pendule lorsqu'il oscille. Ces données peuvent ensuite être utilisées comme une sorte de tableau de recherche pour trouver la réponse. Mais les lois du mouvement offrent un moyen beaucoup plus simple de découvrir la réponse : il suffit d'insérer les valeurs des différentes variables dans l'équation appropriée. Cela donne aussi la bonne réponse. C'est pourquoi l'équation peut être considérée comme une représentation compressée de la réalité.

Cela suggère immédiatement comment les réseaux de neurones pourraient trouver ces lois. Étant donné certaines observations d'une expérience - un pendule oscillant, par exemple - l'objectif est de trouver une représentation plus simple de ces données.

L'idée d'Iten, Metger et co est d'introduire ces données dans la machine afin qu'elle apprenne à faire une prédiction précise de la position. Une fois que la machine a appris cela, elle peut alors prédire la position à partir de n'importe quel ensemble initial de conditions. En d'autres termes, il a appris la loi physique pertinente.

Pour savoir si cela fonctionne, les chercheurs introduisent les données d'une expérience de pendule oscillant dans un réseau de neurones qu'ils appellent SciNet. Ils continuent à répéter cela pour des expériences qui incluent la collision de deux balles, les résultats d'une mesure quantique sur un qubit, et même les positions des planètes et du soleil dans le ciel nocturne.

Les résultats rendent la lecture intéressante. En utilisant les données du pendule, SciNet est capable de prédire la fréquence future du pendule avec une erreur inférieure à 2 %.

De plus, Iten, Metger et co sont en mesure d'interroger SciNet pour voir comment il arrive à la réponse. Cela ne révèle malheureusement pas l'équation précise, mais cela montre que le réseau n'utilise que deux variables pour trouver la solution. C'est exactement le même nombre que dans les lois du mouvement pertinentes.

Mais ce n'est pas tout. SciNet fournit également des prédictions précises du moment cinétique de deux balles après leur collision. Cela n'est possible qu'en utilisant la conservation de la quantité de mouvement, une version dont SciNet semble avoir découvert. Il prédit également les probabilités de mesure lorsqu'un qubit est interrogé, en utilisant clairement une représentation du monde quantique.

Le plus impressionnant est peut-être que le réseau apprend à prédire la position future de Mars et du soleil en utilisant la position initiale vue de la Terre. Cela n'est possible qu'en utilisant un modèle héliocentrique du système solaire, une idée que les humains ont mis des siècles à comprendre.

Et en effet, une interrogation de SciNet suggère qu'il a appris une telle représentation héliocentrique. SciNet stocke les angles de la Terre et de Mars vus du Soleil dans les deux neurones latents, c'est-à-dire qu'il récupère le modèle héliocentrique du système solaire, expliquent les chercheurs.

C'est un travail impressionnant, mais il faut le relativiser. C'est peut-être la première démonstration qu'un réseau de neurones artificiels peut compresser des données d'une manière qui révèle des aspects des lois de la physique. Mais ce n'est pas la première fois qu'une approche informatique dérive ces lois.

Il y a quelques années, des informaticiens de l'Université Cornell ont utilisé un algorithme génétique qui exploite le processus d'évolution pour dériver un certain nombre de lois de la physique à partir de données expérimentales. Celles-ci comprenaient des lois de conservation pour l'énergie et la quantité de mouvement. Le système a même craché l'équation elle-même, pas seulement un indice sur la façon dont il calculait, comme le fait SciNet.

De toute évidence, les algorithmes évolutionnaires ont le dessus dans le processus de découverte des lois de la physique à l'aide de données expérimentales brutes. (Étant donné que l'évolution est le processus qui a produit les réseaux de neurones biologiques en premier lieu, on peut soutenir que ce sera toujours l'approche la plus puissante.)

Il y a un corollaire intéressant à tout cela. Il a fallu des siècles à l'humanité pour découvrir les lois de la physique, souvent d'une manière qui dépendait de manière cruciale des lois précédemment découvertes. Par exemple, la mécanique quantique est basée sur la mécanique classique. Pourrait-il y avoir de meilleures lois qui peuvent être dérivées de données expérimentales sans aucune connaissance préalable de la physique ?

Si tel est le cas, cette approche d'apprentissage automatique ou celle basée sur l'évolution devrait être exactement ce qu'il faut pour les trouver.

Réf : arxiv.org/abs/1807.10300 : Découvrir des concepts physiques avec les réseaux de neurones

cacher