Deux physiciens de l'ETH Zurich et de l'Université hébraïque de Jérusalem ont développé un nouvel algorithme d'apprentissage automatique qui analyse de grands ensembles de données décrivant un système physique et en extrait les informations essentielles nécessaires pour comprendre la physique sous-jacente.

Durant la dernière décennie, l'apprentissage automatique a permis des avancées révolutionnaires dans la vision par ordinateur, reconnaissance vocale et traduction. Plus récemment, l'apprentissage automatique a également été appliqué à des problèmes de physique, typiquement pour la classification des phases physiques et la simulation numérique des états fondamentaux. Maciej Koch-Janusz, chercheur à l'Institut de physique théorique de l'ETH Zurich, La Suisse, et Zohar Ringel de l'Université hébraïque de Jérusalem, Israël, ont maintenant exploré la possibilité passionnante d'exploiter l'apprentissage automatique non pas comme un simulateur numérique ou un « testeur d'hypothèses, " mais comme partie intégrante du processus de raisonnement physique.

Une étape importante dans la compréhension d'un système physique composé d'un grand nombre d'entités, par exemple, les atomes constituant un matériau magnétique, consiste à identifier parmi les nombreux degrés de liberté du système ceux qui sont les plus pertinents pour son comportement physique. Il s'agit traditionnellement d'une étape qui repose fortement sur l'intuition et l'expérience humaines. Mais maintenant, Koch-Janusz et Ringel démontrent un algorithme d'apprentissage automatique basé sur un réseau de neurones artificiels capable de faire exactement cela, comme ils le rapportent dans le journal Physique de la nature . Leur algorithme prend des données sur un système physique sans aucune connaissance préalable à ce sujet et extrait les degrés de liberté les plus pertinents pour décrire le système.

Techniquement parlant, la machine exécute l'une des étapes cruciales de l'un des outils conceptuellement les plus profonds de la physique théorique moderne, le groupe dit de renormalisation. L'algorithme de Koch-Janusz et Ringel fournit une approche qualitativement nouvelle :les représentations de données internes découvertes par des systèmes d'apprentissage machine convenablement conçus sont souvent considérées comme obscures, mais les résultats fournis par leur algorithme fournissent un aperçu physique fondamental, reflétant la structure sous-jacente du système physique. Cela soulève la perspective d'utiliser l'apprentissage automatique en science de manière collaborative, combiner la puissance des machines pour distiller des informations à partir de vastes ensembles de données avec la créativité humaine et les connaissances de base.