Des chercheurs ont réussi à créer un modèle de l'Univers en utilisant l'intelligence artificielle, rapporte une nouvelle étude.

Les chercheurs cherchent à comprendre notre Univers en faisant des prédictions de modèles pour correspondre aux observations. Historiquement, ils ont su modéliser des systèmes physiques simples ou très simplifiés, surnommé en plaisantant les « vaches sphériques, " avec des crayons et du papier. Plus tard, l'arrivée des ordinateurs leur a permis de modéliser des phénomènes complexes avec des simulations numériques. Par exemple, les chercheurs ont programmé des superordinateurs pour simuler le mouvement de milliards de particules à travers des milliards d'années de temps cosmique, une procédure connue sous le nom de simulations à N corps, afin d'étudier comment l'Univers a évolué jusqu'à ce que nous observons aujourd'hui.

"Maintenant, avec l'apprentissage automatique, nous avons développé le premier modèle de réseau de neurones de l'Univers, et a démontré qu'il existe une troisième voie pour faire des prédictions, celui qui combine les mérites du calcul analytique et de la simulation numérique, " dit Yin Li, Chercheur postdoctoral à l'Institut Kavli pour la physique et les mathématiques de l'Univers, Université de Tokyo, et conjointement l'Université de Californie, Berkeley.

Une comparaison de la précision de deux modèles de l'Univers. Le nouveau modèle d'apprentissage en profondeur (à gauche), surnommé D3M, est beaucoup plus précise qu'une méthode analytique existante (à droite) appelée 2LPT. Les couleurs représentent l'erreur de déplacement en chaque point par rapport à la simulation numérique, qui est précis mais beaucoup plus lent que le modèle d'apprentissage en profondeur.

Au commencement de notre Univers, les choses étaient extrêmement uniformes. Au fur et à mesure que le temps passait, les parties les plus denses sont devenues plus denses et les parties les plus clairsemées sont devenues plus clairsemées en raison de la gravité, formant finalement une structure semblable à de la mousse connue sous le nom de « toile cosmique ». Pour étudier ce processus de formation de structure, les chercheurs ont essayé de nombreuses méthodes, y compris les calculs analytiques et les simulations numériques. Les méthodes analytiques sont rapides, mais ne parviennent pas à produire des résultats précis pour les grandes fluctuations de densité. D'autre part, les méthodes numériques (N-corps) simulent avec précision la formation de la structure, mais suivre des milliards de particules est coûteux, même sur les supercalculateurs. Ainsi, modéliser l'Univers, les scientifiques sont souvent confrontés à un compromis entre précision et efficacité.

Cependant, la croissance explosive des données d'observation en qualité et en quantité nécessite des méthodes qui excellent à la fois en termes de précision et d'efficacité.

Pour relever ce défi, une équipe de chercheurs américains, Canada, et le Japon, dont Li, jeter leur dévolu sur le machine learning, une approche de pointe pour détecter des modèles et faire des prédictions. Tout comme l'apprentissage automatique peut transformer le portrait d'un jeune homme en lui-même plus âgé, Li et ses collègues ont demandé s'il pouvait également prédire l'évolution des univers sur la base de leurs premiers instantanés. Ils ont entraîné un réseau de neurones convolutifs avec des données de simulation de milliers de milliards d'années-lumière cubiques en volume, et construit un modèle d'apprentissage en profondeur capable d'imiter le processus de formation de la structure. Le nouveau modèle est non seulement plusieurs fois plus précis que les méthodes analytiques, mais est aussi beaucoup plus efficace que les simulations numériques utilisées pour son apprentissage.

"Il a les points forts des deux méthodes précédentes [calcul analytique et simulation numérique], " dit Li.

Li dit que la puissance de l'émulation de l'IA augmentera à l'avenir. Les simulations à N corps sont déjà fortement optimisées, et comme premier essai, le modèle d'IA de son équipe a encore une grande marge d'amélioration. Aussi, des phénomènes plus compliqués entraînent un coût plus important en simulation, mais ce n'est probablement pas le cas sur l'émulation. Li et ses collègues s'attendent à un gain de performances plus important de leur émulateur d'IA lorsqu'ils passeront à l'inclusion d'autres effets, comme l'hydrodynamique, dans les simulations.

"Il ne faudra pas longtemps avant que nous puissions découvrir les conditions initiales et la physique encodée dans notre Univers le long de ce chemin, " il a dit.