Une nouvelle théorie de l’apprentissage automatique soulève des questions sur la nature de la science –

  • FrançaisFrançais



  • Un nouvel algorithme informatique, ou un ensemble de règles, qui prédit avec précision les orbites des planètes du système solaire pourrait être adapté pour mieux prédire 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 (PPPL) du département américain de l’Énergie (DOE), applique l’apprentissage automatique, 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 Hong Qin, physicien PPPL, auteur d’un article détaillant le concept dans Rapports scientifiques. “Ce que je fais, c’est remplacer ce processus par un type de boîte noire qui peut produire des prédictions précises sans utiliser une théorie ou une loi traditionnelle.”

    Qin (prononcé Chin) a créé un programme informatique dans lequel il a introduit des données d’observations passées des orbites de Mercure, Vénus, Terre, Mars, Jupiter et la planète naine Ceres. Ce programme, ainsi qu’un programme supplémentaire 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 du mouvement et de la gravitation de Newton. “Essentiellement, j’ai contourné tous les ingrédients fondamentaux de la physique. Je passe directement des données aux données”, a déclaré Qin. “Il n’y a pas de loi physique au milieu.”

    Le programme ne se produit pas sur des prévisions 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, physicien au laboratoire national du DOE de Los Alamos 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 d’entraînement. En d’autres termes, son code” apprend “vraiment les lois de la physique.”

    L’apprentissage automatique est ce qui rend les programmes informatiques comme Google Translate possibles. Google Traduction passe au crible une grande quantité d’informations pour déterminer la fréquence à laquelle un mot d’une langue a été traduit en un mot de l’autre langue. De cette façon, le programme peut faire une traduction précise sans réellement apprendre l’une ou l’autre des langues.

    Le processus apparaît également dans des expériences de pensée philosophique comme la 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 remplaceraient la compréhension. L’expérience de pensée soulève des questions sur ce que signifie, à la racine, de comprendre quoi que ce soit, et si la compréhension implique que quelque chose d’autre se passe dans l’esprit en plus de suivre des règles.

    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 par ordinateur. Si cela était vrai, alors les lois physiques fondamentales devraient révéler que l’univers se compose 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 Qin. La technique de la boîte noire conçue par Qin n’exige pas que les physiciens croient littéralement à la conjecture de simulation, bien qu’elle s’appuie sur cette idée pour créer un programme qui effectue des prédictions physiques précises.

    La vision pixélisée du monde qui en résulte, semblable à ce qui est décrit dans le film The Matrix, est connue sous le nom de théorie des champs discrets, qui considère l’univers comme composé de bits individuels et diffère des théories que les gens créent normalement. Alors que les scientifiques conçoivent généralement des concepts globaux sur le comportement du monde physique, les ordinateurs ne font qu’assembler une collection de points de données.

    Qin et Eric Palmerduca, un étudiant diplômé du programme de l’Université de Princeton en physique du plasma, développent actuellement des moyens d’utiliser des théories de champs discrets pour prédire le comportement des particules de plasma dans des expériences de fusion menées par des scientifiques du monde entier. Les installations de fusion les plus utilisées sont les tokamaks en forme de beignet qui confinent le plasma dans de puissants champs magnétiques.

    La fusion, la puissance qui entraîne le soleil et les étoiles, combine des éléments légers 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 de énergie. Les scientifiques cherchent à reproduire la fusion sur Terre pour un approvisionnement pratiquement inépuisable d’énergie pour produire de l’électricité.

    “Dans un dispositif de fusion magnétique, la dynamique des plasmas est complexe et multi-échelles, et les lois de gouvernance ou les modèles de calcul efficaces pour un processus physique particulier qui nous intéresse ne sont pas toujours clairs”, a déclaré Qin. “Dans ces scénarios, nous pouvons appliquer la technique d’apprentissage automatique que j’ai développée pour créer une théorie des champs discrets, puis appliquer cette théorie des champs discrets pour comprendre et prédire 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 rassembler des données? Les théories ne sont-elles pas fondamentales à la physique et nécessaires pour expliquer et comprendre les phénomènes?

    “Je dirais que le but ultime de tout scientifique est la prédiction”, a déclaré Qin. “Vous n’avez peut-être pas nécessairement besoin d’une loi. Par exemple, si je peux parfaitement prédire une orbite planétaire, je n’ai pas besoin de connaître les lois de la gravitation et du mouvement de Newton. Les lois de Newton. Dans un sens, c’est correct. Mais d’un point de vue pratique, faire des prédictions précises ne fait rien de moins. “

    L’apprentissage automatique pourrait également ouvrir des possibilités de recherche supplémentaire. “Cela élargit considérablement la portée des problèmes que vous pouvez résoudre car tout ce dont vous avez besoin pour démarrer, ce sont des données”, a déclaré Palmerduca.

    La technique pourrait également conduire au développement d’une théorie physique traditionnelle. “Alors que dans un certain sens, cette méthode exclut la nécessité d’une telle théorie, elle peut également être considérée comme un chemin vers une”, a déclaré Palmerduca. “Lorsque vous essayez de déduire une théorie, vous aimeriez avoir autant de données à votre disposition que possible. Si vous en disposez, vous pouvez utiliser l’apprentissage automatique pour combler les lacunes de ces données ou élargir base de données.”

    Le soutien à cette recherche est venu du DOE Office of Science (Fusion Energy Sciences).

    Source

    N'oubliez pas de voter pour cet article !
    1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
    Loading...

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.