[ad_1]
Les astronomes ont mis des siècles à comprendre. Mais à présent, un algorithme d’apprentissage automatique inspiré du cerveau a montré qu’il devrait placer le Soleil au centre du système solaire, en fonction de la façon dont les mouvements du Soleil et de Mars apparaissent depuis la Terre. Cet exploit est l’un des premiers tests d’une technique que les chercheurs espèrent pouvoir utiliser pour découvrir de nouvelles lois de la physique et peut-être pour reformuler la mécanique quantique en trouvant des modèles dans de grands ensembles de données. Les résultats doivent apparaître dans Lettres d'examen physique.
Le physicien Renato Renner de l'Ecole Polytechnique Fédérale de Zurich (EPF) et ses collaborateurs souhaitaient concevoir un algorithme capable de décomposer de grands ensembles de données en quelques formules de base, imitant la façon dont les physiciens proposent des équations concises telles que E = mc2. Pour ce faire, les chercheurs ont dû concevoir un nouveau type de réseau de neurones, un système d'apprentissage automatique inspiré de la structure du cerveau.
Les réseaux de neurones conventionnels apprennent à reconnaître des objets – tels que des images ou des sons – en s’entraînant sur d’énormes ensembles de données. Ils découvrent des caractéristiques générales – par exemple, «quatre pattes» et «des oreilles pointues» pourraient être utilisées pour identifier les chats. Ils encodent ensuite ces caractéristiques dans des «nœuds» mathématiques, l'équivalent artificiel des neurones. Mais au lieu de synthétiser ces informations en quelques règles faciles à interpréter, comme le font les physiciens, les réseaux de neurones ressemblent à une boîte noire, répartissant leurs connaissances acquises sur des milliers, voire des millions de nœuds, de manière imprévisible et difficile à interpréter.
L’équipe de Renner a donc conçu une sorte de réseau de neurones ‘lobotomisés’: deux sous-réseaux reliés entre eux par une poignée de liens seulement. Le premier sous-réseau tirerait des enseignements des données, comme dans un réseau de neurones typique, et le second utiliserait cette "expérience" pour établir et tester de nouvelles prévisions. Comme peu de liaisons reliaient les deux côtés, le premier réseau a été contraint de transmettre des informations à l’autre dans un format condensé. Renner compare cela à la manière dont un conseiller pourrait transmettre les connaissances acquises à un étudiant.
Positionnement de la planète
L'un des premiers tests a été de fournir au réseau des données simulées sur les mouvements de Mars et du Soleil dans le ciel, vus de la Terre. De ce point de vue, l’orbite du Soleil sur Mars apparaît irrégulière, par exemple, elle passe périodiquement en «rétrograde», inversant ainsi son cours. Pendant des siècles, les astronomes ont pensé que la Terre était au centre de l’Univers et ont expliqué le mouvement de Mars en suggérant que les planètes se déplaçaient en petits cercles, appelés épicycles, dans la sphère céleste. Mais dans les années 1500, Nicolaus Copernicus a découvert que les mouvements pouvaient être prédits avec un système de formules beaucoup plus simple si la Terre et les planètes gravitaient autour du Soleil.
Le réseau de neurones de l'équipe a proposé des formules de type Copernicus pour la trajectoire de Mars, redécouvrant "l'un des plus importants changements de paradigmes de l'histoire de la science", explique Mario Krenn, physicien à l'Université de Toronto au Canada, qui travaille à l'intelligence à la découverte scientifique.
Renner souligne que, bien que l'algorithme ait dérivé les formules, un œil humain est nécessaire pour interpréter les équations et comprendre leur lien avec le mouvement des planètes autour du Soleil.
Ce travail est important car il permet de distinguer les paramètres cruciaux qui décrivent un système physique, explique le robotologue Hod Lipson de la Columbia University à New York. «Je pense que ce type de technique constitue notre seul espoir de comprendre et de suivre le rythme de phénomènes de plus en plus complexes, en physique et au-delà», a-t-il déclaré.
Renner et son équipe souhaitent développer des technologies d'apprentissage automatique susceptibles d'aider les physiciens à résoudre les contradictions apparentes de la mécanique quantique. La théorie sur le résultat d'une expérience et la manière dont elle est vue par un observateur soumis à ses lois.
"Il est possible que la manière actuelle (la mécanique quantique soit) formulée soit en quelque sorte un artefact historique", déclare Renner. Il ajoute qu’un ordinateur pourrait proposer une formulation exempte de telles contradictions, mais les dernières techniques de l’équipe ne sont pas encore assez sophistiquées pour le faire. Pour atteindre cet objectif, ses collaborateurs et lui-même tentent de développer une version de leur réseau de neurones pouvant non seulement tirer des enseignements de données expérimentales, mais aussi proposer des expériences entièrement nouvelles pour tester ses hypothèses.
[ad_2]