L'agent artificiel utilise des éléments optiques tels que ce séparateur de faisceau pour construire de nouvelles expériences optimisées. Crédit :Harald Ritsch
En route vers un laboratoire intelligent, des physiciens d'Innsbruck et de Vienne présentent un agent artificiel qui conçoit de manière autonome des expériences quantiques. Dans les premières expériences, le système a (re)découvert de manière indépendante des techniques expérimentales standard dans les laboratoires d'optique quantique modernes. Cela montre comment les machines pourraient jouer un rôle plus créatif dans la recherche à l'avenir.
Les chercheurs se sont demandé dans quelle mesure les machines peuvent effectuer des recherches de manière autonome. Ils ont utilisé un modèle de simulation projective pour l'intelligence artificielle afin de permettre à une machine d'apprendre et d'agir de manière créative. Cette machine autonome stocke en mémoire de nombreux fragments individuels d'expérience, qui sont interconnectés.
La machine construit et adapte ses souvenirs tout en apprenant des tentatives réussies et infructueuses. Les scientifiques d'Innsbruck se sont associés au groupe d'Anton Zeilinger, qui a précédemment démontré l'utilité des procédures automatisées dans la conception d'expériences quantiques avec un algorithme de recherche appelé Melvin. Certaines de ces expériences inspirées par ordinateur ont déjà été réalisées dans le laboratoire de Zeilinger. Ensemble, les physiciens ont déterminé que les expériences quantiques sont un environnement idéal pour tester l'applicabilité de l'IA à la recherche. Par conséquent, ils ont utilisé le modèle de simulation projective pour étudier le potentiel des agents d'apprentissage artificiel dans ce banc d'essai. Ils ont publié leurs résultats dans le Actes de l'Académie nationale des sciences .
Expériences optimisées conçues par un agent d'IA
L'agent artificiel développe de nouvelles expériences en plaçant virtuellement des miroirs, prismes ou séparateurs de faisceaux sur une table de laboratoire virtuelle. Si ses actions conduisent à un résultat significatif, l'agent a plus de chances de trouver une séquence d'actions similaire à l'avenir. C'est ce qu'on appelle une stratégie d'apprentissage par renforcement.
"L'apprentissage par renforcement est ce qui distingue notre modèle de la recherche automatisée précédemment étudiée, qui est régi par une recherche aléatoire impartiale, " explique Alexey Melnikov du Département de physique théorique de l'Université d'Innsbruck. " L'agent artificiel effectue des dizaines de milliers d'expériences sur la table virtuelle du laboratoire. Lorsque nous avons analysé la mémoire de la machine, nous avons découvert que certaines structures se sont développées, " explique Hendrik Poulsen Nautrup. Certaines de ces structures sont déjà connues des physiciens comme des outils utiles des laboratoires d'optique quantique modernes. D'autres sont complètement nouvelles, et pourrait, à l'avenir, être testé en laboratoire.
"L'apprentissage par renforcement nous permet de trouver, optimiser et identifier un grand nombre de solutions potentiellement intéressantes, ", dit Alexey Melnikov. "Et parfois, cela fournit également des réponses à des questions que nous n'avons même pas posées."
Accompagnement créatif en laboratoire
À l'avenir, les scientifiques veulent encore améliorer leur programme d'apprentissage. À ce point, c'est un outil qui peut apprendre de manière autonome à résoudre une tâche donnée. Mais à l'avenir, une machine pourrait éventuellement apporter une aide plus créative aux scientifiques en recherche fondamentale.