Une équipe de scientifiques de la Freie Universität Berlin a développé une méthode d'intelligence artificielle (IA) qui fournit une solution fondamentalement nouvelle au "problème d'échantillonnage" en physique statistique. Le problème de l'échantillonnage est que les propriétés importantes des matériaux et des molécules ne peuvent pratiquement pas être calculées en simulant directement le mouvement des atomes dans l'ordinateur, car les capacités de calcul requises sont trop vastes, même pour les superordinateurs. L'équipe a développé une méthode d'apprentissage en profondeur qui accélère massivement ces calculs, ce qui les rend réalisables pour des applications auparavant insolubles. "L'IA change tous les domaines de notre vie, y compris la façon dont nous faisons de la science, " explique le Dr Frank Noé, professeur à la Freie Universität Berlin et auteur principal de l'étude. Il y a plusieurs années, Les méthodes dites d'apprentissage profond ont surpassé les experts humains en reconnaissance de formes, qu'il s'agisse de la lecture de textes manuscrits ou de la reconnaissance de cellules cancéreuses à partir d'images médicales. « Depuis ces percées, La recherche sur l'IA a explosé. Tous les jours, nous voyons de nouveaux développements dans des domaines d'application où les méthodes traditionnelles nous ont bloqués pendant des années. Nous pensons que notre approche pourrait être une telle avancée pour le domaine de la physique statistique. » Les résultats ont été publiés dans Science .

La physique statistique vise le calcul des propriétés de matériaux ou de molécules sur la base des interactions de leurs composants, qu'il s'agisse de la température de fusion d'un métal, ou si un antibiotique peut se lier aux molécules d'une bactérie et ainsi la désactiver. Avec des méthodes statistiques, ces propriétés peuvent être calculées dans l'ordinateur, et les propriétés du matériau ou l'efficacité d'un médicament spécifique peuvent être améliorées. L'un des principaux problèmes lors de ce calcul est le coût de calcul énorme, explique Simon Olsson, co-auteur de l'étude :« En principe, nous devrions considérer chaque structure, cela signifie toutes les manières de positionner tous les atomes dans l'espace, calculer sa probabilité, puis prendre leur moyenne. Mais cela est impossible car le nombre de structures possibles est astronomiquement grand, même pour de petites molécules. Par conséquent, l'approche habituelle est de simuler le mouvement dynamique et les fluctuations des molécules, et ainsi échantillonner uniquement les structures qui sont très susceptibles de se produire. Malheureusement, de telles simulations sont souvent si coûteuses en calculs qu'elles ne peuvent pas être effectuées même sur des superordinateurs - c'est le problème de l'échantillonnage."

La méthode d'IA de l'équipe du Pr Noé est une toute nouvelle approche du problème de l'échantillonnage. "Au lieu de simuler le mouvement des molécules par petits pas, on retrouve directement les structures à forte probabilité, et laisser de côté le nombre beaucoup plus important de structures à faible probabilité. Après ça, les calculs sont très bon marché, " explique Noé, "Les méthodes d'IA sont essentielles pour que cette approche fonctionne." Jonas Köhler, un autre co-auteur de l'étude et expert en méthodes d'apprentissage automatique, explique l'approche avec un exemple :« Imaginez que vous placez une goutte d'encre dans une baignoire remplie d'eau. La goutte d'encre s'écoule et se mélange à l'eau. Maintenant, nous voulons trouver les molécules d'encre. Si nous le faisons en sélectionnant au hasard des molécules de la baignoire, ce serait très inefficace, il faudrait vider complètement la cuve pour trouver toute l'encre. Au lieu, en utilisant l'IA, nous apprenons le flux d'eau qui distribue l'encre dans le temps avec un réseau de neurones inversible. Avec un tel réseau, on peut inverser le flux, fondamentalement inverser le temps, puis trouver toutes les molécules d'encre dans la goutte avec laquelle nous avons commencé, sans avoir à fouiller le reste de la baignoire."

Il reste encore de nombreux défis à relever avant que la méthode de l'équipe de Noé ne soit prête pour des applications industrielles. "C'est de la recherche fondamentale, " explique Noé, "mais c'est une approche complètement nouvelle d'un vieux problème qui ouvre la porte à de nombreux nouveaux développements, et nous sommes impatients de les voir dans les années à venir."