L’intelligence artificielle qui peut découvrir les lois physiques cachées dans les données

L'intelligence artificielle qui peut découvrir les lois physiques cachées dans les données

Crédit : Université de Kobe

Des chercheurs de l’Université de Kobe et de l’Université d’Osaka ont développé avec succès une technologie d’intelligence artificielle capable d’extraire des équations cachées de mouvement à partir de données d’observation régulières et de créer un modèle fidèle aux lois de la physique.

Cette technologie pourrait permettre aux chercheurs de découvrir les équations cachées du mouvement derrière des phénomènes dont les lois étaient considérées comme inexplicables. Par exemple, il peut être possible d’utiliser des connaissances et des simulations basées sur la physique pour examiner la durabilité des écosystèmes.

Le groupe de recherche était composé du professeur agrégé YAGUCHI Takaharu et du Ph.D. étudiant CHEN Yuhan (École supérieure d’informatique système, Université de Kobe), et professeur agrégé MATSUBARA Takashi (École supérieure d’ingénierie, Université d’Osaka).

Ces résultats de recherche ont été rendus publics le 6 décembre 2021 et ont été présentés lors de la trente-cinquième conférence sur les systèmes de traitement de l’information neuronale (NeurIPS2021), une réunion prestigieuse sur les technologies de l’intelligence artificielle. Cette recherche figurait parmi les 3 % les plus sélectionnés pour la catégorie Spotlight.

Points principaux

  • Être capable de modéliser (formulariser) des phénomènes physiques à l’aide de l’intelligence artificielle pourrait donner lieu à des simulations extrêmement précises et à grande vitesse.
  • Dans les méthodes actuelles utilisant l’intelligence artificielle, il est nécessaire d’utiliser des données transformées qui correspondent à l’équation du mouvement. Par conséquent, il est difficile d’appliquer l’intelligence artificielle à des données d’observation réelles pour lesquelles les équations du mouvement sont inconnues.
  • Le groupe de recherche a utilisé la géométrie pour développer une intelligence artificielle capable de trouver l’équation cachée du mouvement dans les données d’observation fournies (quel que soit son format) et de la modéliser en conséquence.
  • À l’avenir, il sera peut-être possible de découvrir les lois physiques cachées derrière des phénomènes qui étaient auparavant considérés comme incompatibles avec les lois de Newton, tels que les changements écosystémiques.
  • Cela nous permettra de réaliser des investigations et des simulations liées à ces phénomènes en utilisant les lois de la physique, qui pourraient révéler des propriétés jusqu’alors inconnues.

Ordinairement, les prédictions de phénomènes physiques sont effectuées via des simulations utilisant des supercalculateurs. Ces simulations utilisent des modèles mathématiques basés sur les lois de la physique, mais si le modèle n’est pas très fiable, les résultats manqueront également de fiabilité. Par conséquent, il est essentiel de développer une méthode de production de modèles très fiables à partir des données d’observation des phénomènes. De plus, ces dernières années, l’éventail des applications de la physique s’est étendu au-delà des prédications, et il a été démontré qu’il est possible d’appliquer les lois de Newton à d’autres aspects, comme une partie d’un modèle pour montrer les changements d’écosystème. Cependant, une équation concrète du mouvement n’a pas encore été révélée pour de nombreux cas.

Cette étude de recherche a développé une méthode pour découvrir de nouvelles équations de mouvement dans les données d’observation pour des phénomènes auxquels les lois de Newton peuvent être appliquées. Auparavant, des recherches avaient été menées pour découvrir des équations de mouvement à partir de données, mais la méthode antérieure exigeait que les données soient dans le format approprié pour s’adapter à sa forme spéciale supposée de l’équation du mouvement. Cependant, il existe de nombreux cas dans la réalité où il n’est pas clair quel format de données est le meilleur à utiliser, il est donc difficile d’appliquer des données réalistes.

En réponse à cela, les chercheurs ont estimé que la transformation appropriée des données d’observation s’apparente à une transformation de coordonnées en géométrie, résolvant ainsi le problème en appliquant l’idée géométrique d’invariance de transformation de coordonnées trouvée en physique. Pour cela, il est nécessaire d’éclairer les propriétés géométriques inconnues derrière les phénomènes. L’équipe de recherche a ensuite réussi à développer une IA capable de trouver ces propriétés géométriques dans les données. Si les équations du mouvement peuvent être extraites des données, alors il sera possible d’utiliser ces équations pour créer des modèles et des simulations fidèles aux lois physiques.

Les simulations physiques sont effectuées dans un large éventail de domaines, notamment les prévisions météorologiques, la découverte de médicaments, les analyses de bâtiments et la conception automobile, mais elles nécessitent généralement des calculs approfondis. Cependant, si l’IA peut apprendre des données de phénomènes spécifiques et construire des modèles à petite échelle en utilisant la méthode proposée, cela simplifiera et accélérera les calculs fidèles aux lois de la physique. Cela contribuera au développement des domaines susmentionnés. De plus, la méthode peut être appliquée à des aspects qui, à première vue, semblent sans rapport avec la physique. Si les équations du mouvement peuvent être extraites dans de tels cas, cela permettra de faire des recherches et des simulations basées sur les connaissances physiques, même pour des phénomènes considérés comme impossibles à expliquer en utilisant la physique. Par exemple, il peut être possible de trouver une équation de mouvement cachée dans les données de population animale qui montre le changement du nombre d’individus. Cela pourrait être utilisé pour étudier la durabilité des écosystèmes en appliquant les lois physiques appropriées (par exemple, la loi de conservation de l’énergie, etc.).


Intelligence Artificielle capable d’exécuter une simulation fidèle aux lois physiques


Plus d’information:
Forme symplectique neurale : apprentissage des équations hamiltoniennes sur les systèmes de coordonnées généraux. openreview.net/forum?id=4h4oqp-ATxb

Fourni par l’Université de Kobe

Citation: Intelligence artificielle qui peut découvrir des lois physiques cachées dans les données (2021, 9 décembre) récupéré le 9 décembre 2021 sur https://techxplore.com/news/2021-12-artificial-intelligence-hidden-physical-laws.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.