Étonnamment, un modèle d'IA chinois découvre des lois physiques comme les humains

AI - Ảnh 1. — D'après des données expérimentales, un modèle d'IA chinois peut apprendre la physique comme les humains - Illustration : hpcwire.com

Selon la revue Nature, un nouveau modèle d'intelligence artificielle chinois, appelé AI-Newton, a démontré sa capacité à « découvrir » des principes physiques à partir de données expérimentales brutes, notamment la deuxième loi de Newton concernant la relation entre la masse, la force et l'accélération.

L'équipe de l'université de Pékin explique que le modèle imite la démarche scientifique humaine : l'accumulation progressive d'un ensemble de concepts et de lois à partir de données. En identifiant les concepts utiles, AI-Newton peut acquérir des connaissances sans programmation préalable.

Selon l'informaticien Keyon Vafa (Université Harvard), ce système utilise la « régression symbolique » (RS), une méthode permettant de trouver la meilleure équation mathématique pour décrire un phénomène physique. Cette approche est considérée comme prometteuse pour la découverte scientifique, car le modèle est conçu pour inférer des concepts de manière autonome.

L'équipe de l'Université de Pékin a utilisé un simulateur pour générer des données à partir de 46 expériences sur le mouvement libre, les collisions, les oscillations et les systèmes de type pendule, et a intentionnellement inséré des erreurs pour refléter les données du monde réel.

Par exemple, le modèle AI-Newton a reçu uniquement la position d'une balle au fil du temps et a été invité à trouver une équation décrivant la relation entre ces deux grandeurs. Le modèle a ainsi déterminé l'équation de la vitesse. Ensuite, lors de la tâche suivante, il a utilisé la deuxième loi de Newton pour déduire la masse de la balle. Ces résultats n'ont pas encore fait l'objet d'une évaluation par les pairs.

Des tentatives d'apprentissage de la déduction des lois physiques par l'IA ont déjà été menées. En 2019, une équipe de l'ETH Zurich a développé « AI Copernicus », un réseau neuronal capable de déduire les orbites planétaires à partir de données d'observation, mais l'interprétation des équations restait nécessaire.

Vafa et ses collègues du MIT ont également expérimenté avec des modèles fondamentaux comme GPT, Claude ou Llama : lorsqu’ils étaient entraînés à prédire les positions planétaires, ils n’apprenaient qu’à reproduire les orbites, mais déduisaient une « loi de la gravité » dénuée de sens lorsqu’on leur demandait de dériver la force régissant le mouvement.

Selon Vafa, « un modèle de langage entraîné à prédire les résultats d'une expérience de physique n'encodera pas les concepts de la même manière simple et concise que les humains, mais créera souvent une représentation non intuitive ».

Les experts affirment que l'IA capable de déduire des lois est utile, mais que pour réaliser de véritables découvertes scientifiques indépendantes, elle doit franchir davantage d'étapes : définir un problème, proposer des expériences, analyser les données et tester les hypothèses.

Selon David Powers (Université Flinders), la science expérimentale nécessite l'identification des variables clés et la réalisation d'expériences systématiques.

Le physicien Yan-Qing Ma de l'université de Pékin reconnaît que l'IA-Newton est encore loin d'y parvenir, mais souligne que ce modèle pourrait ouvrir la voie à de futurs systèmes d'IA capables d'utiliser des données réelles pour découvrir par eux-mêmes de nouvelles lois physiques.

Comment (0)