La mécanique quantique est une théorie bien établie, mais à un niveau macroscopique, cela conduit à des contradictions insolubles. Aujourd'hui, les physiciens de l'ETH proposent de résoudre le problème à l'aide de réseaux de neurones.

La nécessité est la mère de l'invention. "Jusque là, toutes nos tentatives pour résoudre les contradictions inhérentes à la mécanique quantique ont échoué, " dit Renato Renner, "c'est pourquoi nous essayons maintenant une approche différente." Et c'est une approche très puissante, aussi, même si Renner, qui est professeur de physique théorique, le qualifie d'"acte de désespoir" :dans une publication récente, écrit avec son doctorant Raban Iten, son étudiant à la maîtrise Tony Metger et d'autres membres de son groupe, Renner montre comment l'utilisation de l'intelligence artificielle peut aider à mieux comprendre les concepts physiques.

Une boîte noire est-elle la voie à suivre ?

Le point de départ est l'affirmation que la mécanique quantique - peu importe qu'expérience après expérience l'ait confirmée - conduit à des contradictions. "Lorsque nous avons souligné il y a un an qu'il devait y avoir un problème fondamental avec la mécanique quantique puisque vous ne pouvez pas appliquer la mécanique quantique aux utilisateurs de la mécanique quantique, nous avons eu toutes sortes de réactions, et beaucoup de retours en conséquence. Mais si loin, personne n'a trouvé de moyen de résoudre ce dilemme élémentaire, " dit Renner.

En premier, l'idée que l'intelligence artificielle puisse aider semble surprenante. Après tout, les réseaux de neurones, élément clé de l'intelligence artificielle, fonctionnent effectivement comme une boîte noire. Vous pouvez leur apprendre à reconnaître les visages sur les photos, mais il n'y a aucun moyen de savoir exactement comment ils s'y prennent pour accomplir cette tâche. Alors, comment un physicien peut-il espérer apprendre quelque chose d'eux ?

Informations condensées

La réponse des chercheurs de l'ETH a été de concevoir un réseau de neurones « en tandem » en deux parties. La première partie du réseau ouvre le bal en calculant des paramètres utiles pour effectuer des tâches physiques. Basé sur ceci, la deuxième partie aborde ensuite un problème spécifique. Pendant ce temps, la première partie continue d'ajuster les paramètres jusqu'à ce que la deuxième partie soit capable de maîtriser les tâches à accomplir.

"Ce que nous faisons essentiellement ici, c'est imiter le principe des formules physiques, ", explique Renner, "puisque ceux-ci vous indiquent sous forme condensée quels paramètres vous devez combiner, et comment, afin d'effectuer une tâche particulière. » La première partie du réseau de neurones ne communique aucune formule physique spécifique à la seconde partie. les physiciens peuvent extraire les paramètres qui traversent l'interface entre les deux parties et en dériver des formules physiques, toujours à l'aide de programmes informatiques spécialisés. "Une fois qu'un réseau de neurones a appris à résoudre des problèmes de mécanique quantique, peut-être trouvera-t-il une autre façon de décrire les systèmes quantiques - du moins, c'est ce que nous espérons, " dit Renner.

Le principe fonctionne

Les physiciens de l'ETH ont démontré que l'idée est fondamentalement solide au moyen de tâches physiques simples. Ils ont demandé au réseau de neurones en tandem de calculer où la planète Mars pouvait être vue dans le ciel nocturne à un moment donné. Mais tout ce que les scientifiques ont donné au réseau pour travailler, ce sont des données sur les positions de la planète et du soleil observées au fil du temps depuis la Terre.

Le réseau de neurones a ensuite identifié les paramètres pertinents comme étant ceux requis pour calculer la position de Mars sur la base de la vision du monde héliocentrique. En d'autres termes, le réseau de neurones a trouvé la "bonne" réponse, même si les données initiales ne donnaient absolument aucune indication directe du fait que la Terre et Mars orbitent toutes deux autour du soleil, plutôt que la Terre étant le centre de notre système solaire.

Libre d'hypothèses

En l'état, le réseau tandem des physiciens de l'ETH n'est pas en mesure de résoudre des problèmes complexes de mécanique quantique. "Mais nos travaux montrent qu'il pourrait bien être un instrument prometteur pour nous, théoriciens, " dit Renner. Le grand avantage du réseau de neurones est qu'il n'est influencé par aucun ensemble d'hypothèses préalables. " Naturellement, il est également possible d'expliquer le mouvement de Mars en supposant que la Terre est au centre. Mais cela rend les calculs beaucoup plus élaborés, " dit Renner. " Nous nous trouvons à un point similaire en physique quantique :nous avons une théorie qui peut expliquer un grand nombre de phénomènes, mais nous sommes peut-être aveugles à un autre, description des choses beaucoup plus élégante."

Comment parvenir à la bonne réponse ?

Renner est bien conscient que la recherche d'une description différente sera difficile, puisque la prochaine grande question est déjà en suspens :de quelles données initiales le réseau de neurones doit-il être alimenté ? "La tâche avec les planètes était fondamentalement facile, car nous savions à l'avance quelles données initiales conduiraient à la bonne réponse, " dit Renner. " Mais si nous cherchons de nouvelles idées, c'est une connaissance que nous n'avons tout simplement pas."