Au cours des dernières décennies, l'apprentissage automatique a révolutionné de nombreux secteurs de la société, avec des machines apprenant à conduire des voitures, identifier les tumeurs et jouer aux échecs, dépassant souvent leurs homologues humains.

Maintenant, une équipe de scientifiques basée à l'Okinawa Institute of Science and Technology Graduate University (OIST), l'Université de Munich et le CNRS de l'Université de Bordeaux ont montré que les machines peuvent aussi battre les physiciens théoriciens à leur propre jeu, résoudre des problèmes complexes avec la même précision que les scientifiques, mais nettement plus rapide.

Dans l'étude, récemment publié dans Examen physique B , une machine a appris à identifier des phases magnétiques inhabituelles dans un modèle de pyrochlore, un minéral naturel avec une structure en réseau tétraédrique. Remarquablement, lors de l'utilisation de la machine, la résolution du problème n'a pris que quelques semaines, alors qu'auparavant les scientifiques de l'OIST avaient besoin de six ans.

« Cela semble être une étape vraiment importante, " a déclaré le professeur Nic Shannon, qui dirige l'unité Théorie de la matière quantique (TQM) à l'OIST. « Les ordinateurs sont désormais capables de mener des activités scientifiques de manière très significative et de résoudre des problèmes qui ont longtemps frustré les scientifiques. »

La source de frustration

Dans tous les aimants, chaque atome est associé à un petit moment magnétique, également appelé « spin ». Dans les aimants conventionnels, comme ceux qui collent aux frigos, tous les tours sont ordonnés de manière à pointer dans la même direction, résultant en un champ magnétique puissant. Cet ordre est semblable à l'ordre des atomes dans un matériau solide.

Mais tout comme la matière peut exister en différentes phases :solide, liquide et gaz, tout comme les substances magnétiques. L'unité TQM s'intéresse à des phases magnétiques plus inhabituelles appelées "liquides de spin", qui pourrait avoir des utilisations dans le calcul quantique. Dans les liquides d'essorage, il y a des concurrents, ou interactions « frustrées » entre les spins, donc au lieu de commander, les spins fluctuent continuellement dans la direction, semblable au désordre observé dans les phases liquides de la matière.

Précédemment, l'unité TQM s'est attachée à établir quels différents types de liquide de spin pourraient exister dans les aimants pyrochlore frustrés. Ils ont construit un diagramme de phase, qui a montré comment différentes phases pouvaient se produire lorsque les spins interagissaient de différentes manières lorsque la température changeait, avec leurs conclusions publiées dans Physical Review X en 2017.

Mais reconstituer le diagramme de phases et identifier les règles régissant les interactions entre les spins dans chaque phase était un processus ardu.

"Ces aimants sont littéralement frustrants, " a plaisanté le professeur Shannon. " Même le modèle le plus simple sur un réseau de pyrochlore a pris des années à notre équipe à résoudre. "

Entrez dans les machines

Avec les progrès croissants de l'apprentissage automatique, l'unité TQM était curieuse de savoir si les machines pouvaient résoudre un problème aussi complexe.

"Pour être honnête, J'étais à peu près sûr que la machine tomberait en panne, " a déclaré le professeur Shannon. " C'est la première fois que je suis choqué par un résultat - j'ai été surpris, j'ai été heureux, mais jamais choqué."

Les scientifiques de l'OIST se sont associés à des experts en apprentissage automatique de l'Université de Munich, dirigé par le professeur Lode Pollet, qui avait développé un "noyau tensoriel" - une façon de représenter les configurations de spin dans un ordinateur. Les scientifiques ont utilisé le noyau tensoriel pour équiper une "machine à vecteurs de support", qui est capable de classer des données complexes en différents groupes.

"L'avantage de ce type de machine est que contrairement aux autres machines à vecteurs de support, il ne nécessite aucune formation préalable et ce n'est pas une boîte noire, les résultats peuvent être interprétés. Les données ne sont pas seulement classées en groupes; vous pouvez également interroger la machine pour voir comment elle a pris sa décision finale et connaître les propriétés distinctes de chaque groupe, " a déclaré le Dr Ludovic Jaubert, chercheur CNRS à l'Université de Bordeaux.

Les scientifiques munichois ont alimenté la machine un quart de million de configurations de spin générées par les simulations du superordinateur OIST du modèle pyrochlore. Sans aucune information sur les phases présentes, la machine a réussi à reproduire une version identique du diagramme de phases.

Surtout, lorsque les scientifiques ont déchiffré la "fonction de décision" que la machine avait construite pour classer les différents types de liquide de spin, ils ont découvert que l'ordinateur avait également compris de manière indépendante les équations mathématiques exactes qui illustraient chaque phase, l'ensemble du processus prenant quelques semaines.

"La majeure partie de ce temps était du temps humain, des accélérations supplémentaires sont donc encore possibles, " a déclaré le professeur Pollet. " Sur la base de ce que nous savons maintenant, la machine pourrait résoudre le problème en un jour."

"Nous sommes ravis du succès de la machine, ce qui pourrait avoir d'énormes implications pour la physique théorique, " a ajouté le professeur Shannon. " La prochaine étape sera de donner à la machine un problème encore plus difficile, que les humains n'ont pas encore réussi à résoudre, et voir si la machine peut faire mieux."