par
Un nouvel algorithme informatique, ou ensemble de règles, qui prédit avec précision les orbites des planètes du système solaire pourrait être adapté pour mieux prévoir et contrôler le comportement du plasma qui alimente les installations de fusion conçues pour récolter sur Terre l’énergie de fusion qui alimente le soleil et les étoiles.
L’algorithme, conçu par un scientifique du laboratoire de physique des plasmas de Princeton (PPPL) du Département américain de l’Énergie (DOE), applique l’apprentissage machine, la forme d’intelligence artificielle (IA) qui apprend de l’expérience, pour développer les prédictions. « Habituellement, en physique, vous faites des observations, créez une théorie basée sur ces observations, puis utilisez cette théorie pour prédire de nouvelles observations », a déclaré le physicien du PPPL Hong Qin, auteur d’un article détaillant le concept dans Scientific Reports. « Ce que je fais, c’est remplacer ce processus par une sorte de boîte noire qui peut produire des prédictions précises sans utiliser une théorie ou une loi traditionnelle ».
Qin (prononcer Chin) a créé un programme informatique dans lequel il a introduit des données provenant d’observations passées des orbites de Mercure, Vénus, la Terre, Mars, Jupiter et la planète naine Cérès. Ce programme, ainsi qu’un autre programme connu sous le nom « d’algorithme de service », a ensuite fait des prédictions précises des orbites d’autres planètes du système solaire sans utiliser les lois de Newton sur le mouvement et la gravitation. « Essentiellement, j’ai contourné tous les ingrédients fondamentaux de la physique. Je passe directement de données en données », a déclaré M. Qin. « Il n’y a pas de loi de la physique au milieu ».
Le programme ne se déroule pas sur des prédictions précises par accident. « Hong a enseigné au programme le principe sous-jacent utilisé par la nature pour déterminer la dynamique de tout système physique », a déclaré Joshua Burby, un physicien du laboratoire national de Los Alamos du DOE qui a obtenu son doctorat à Princeton sous le mentorat de Qin. « La récompense est que le réseau apprend les lois du mouvement planétaire après avoir été témoin de très peu d’exemples de formation. En d’autres termes, son code « apprend » réellement les lois de la physique.
L’apprentissage machine est ce qui rend possible des programmes informatiques comme Google Traduction. Google Traduction passe au crible une vaste quantité d’informations pour déterminer la fréquence à laquelle un mot dans une langue a été traduit en un mot dans l’autre langue. De cette façon, le programme peut faire une traduction précise sans avoir à apprendre l’une ou l’autre langue.
Le processus apparaît également dans des expériences de pensée philosophique comme le Chinese Room de John Searle. Dans ce scénario, une personne qui ne connaissait pas le chinois pouvait néanmoins « traduire » une phrase chinoise en anglais ou dans toute autre langue en utilisant un ensemble d’instructions ou de règles qui se substituaient à la compréhension. Cette expérience de pensée soulève des questions sur ce que signifie, à la base, comprendre quoi que ce soit, et si la compréhension implique que quelque chose d’autre que le respect des règles se passe dans l’esprit.
Qin a été inspiré en partie par l’expérience de pensée philosophique du philosophe d’Oxford Nick Bostrom, selon laquelle l’univers est une simulation informatique. Si cela était vrai, alors les lois physiques fondamentales devraient révéler que l’univers est constitué de morceaux individuels d’espace-temps, comme les pixels dans un jeu vidéo. « Si nous vivons dans une simulation, notre monde doit être discret », a déclaré M. Qin. La technique de la boîte noire conçue par Qin n’exige pas que les physiciens croient littéralement la conjecture de la simulation, mais elle s’appuie sur cette idée pour créer un programme qui fait des prédictions physiques précises.
La vue pixélisée du monde qui en résulte, similaire à celle présentée dans le film « Matrix », est connue sous le nom de théorie des champs discrets, qui considère l’univers comme étant composé de bits individuels et diffère des théories que les gens créent normalement. Alors que les scientifiques élaborent généralement des concepts globaux sur le comportement du monde physique, les ordinateurs se contentent d’assembler un ensemble de points de données.
Qin et Eric Palmerduca, un étudiant diplômé du programme de physique des plasmas de l’Université de Princeton, développent actuellement des moyens d’utiliser les théories des champs discrets pour prédire le comportement des particules de plasma dans les expériences de fusion menées par les scientifiques du monde entier. Les installations de fusion les plus utilisées sont des tokamaks en forme de beignet qui confinent le plasma dans de puissants champs magnétiques.
La fusion, la puissance qui anime le soleil et les étoiles, combine des éléments lumineux sous forme de plasma – l’état chaud et chargé de la matière composée d’électrons libres et de noyaux atomiques qui représente 99% de l’univers visible – pour générer des quantités massives d’énergie. Les scientifiques cherchent à reproduire la fusion sur Terre afin de disposer d’une source d’énergie pratiquement inépuisable pour produire de l’électricité.
« Dans un dispositif de fusion magnétique, la dynamique des plasmas est complexe et à plusieurs échelles, et les lois régissant effectivement ou les modèles informatiques pour un processus physique particulier qui nous intéressent ne sont pas toujours clairs », a déclaré M. Qin. « Dans ces scénarios, nous pouvons appliquer la technique d’apprentissage machine que j’ai développée pour créer une théorie de champ discret et ensuite appliquer cette théorie de champ discret pour comprendre et prévoir de nouvelles observations expérimentales ».
Ce processus soulève des questions sur la nature de la science elle-même. Les scientifiques ne veulent-ils pas développer des théories physiques qui expliquent le monde, au lieu de simplement amasser des données ? Les théories ne sont-elles pas fondamentales en physique et nécessaires pour expliquer et comprendre les phénomènes ?
« Je dirais que le but ultime de tout scientifique est la prédiction », a déclaré M. Qin. « Vous n’avez pas nécessairement besoin d’une loi. Par exemple, si je peux parfaitement prédire l’orbite d’une planète, je n’ai pas besoin de connaître les lois de Newton sur la gravitation et le mouvement. Vous pourriez argumenter qu’en faisant cela, vous comprendriez moins que si vous connaissiez les lois de Newton. Dans un sens, c’est exact. Mais d’un point de vue pratique, faire des prédictions précises n’est pas en faire moins ».
L’apprentissage machine pourrait également ouvrir des possibilités de recherche supplémentaires. « Il élargit considérablement la portée des problèmes que vous pouvez aborder car tout ce dont vous avez besoin pour vous lancer, ce sont des données », a déclaré M. Palmerduca.
Cette technique pourrait également conduire à l’élaboration d’une théorie physique traditionnelle. « Si, dans un certain sens, cette méthode exclut la nécessité d’une telle théorie, elle peut également être considérée comme un chemin vers celle-ci », a déclaré M. Palmerduca. « Lorsque vous essayez de déduire une théorie, vous aimeriez avoir autant de données que possible à votre disposition. Si vous disposez de certaines données, vous pouvez utiliser l’apprentissage machine pour combler les lacunes de ces données ou pour élargir l’ensemble des données ».
source : https://phys.org/news
traduit par Aube Digitale
via https://www.aubedigitale.com/
illustration : Le physicien du PPPL Hong Qin devant des images des orbites de planètes et du code informatique
Source : Lire l'article complet par Réseau International
Source: Lire l'article complet de Réseau International
