Des chercheurs de la North Carolina State University ont découvert que l'enseignement de la physique aux réseaux de neurones permet à ces réseaux de mieux s'adapter au chaos dans leur environnement. Le travail a des implications pour l'amélioration des applications d'intelligence artificielle (IA) allant des diagnostics médicaux au pilotage automatisé de drones.

Les réseaux de neurones sont un type avancé d'IA vaguement basé sur la façon dont notre cerveau fonctionne. Nos neurones naturels échangent des impulsions électriques en fonction de la force de leurs connexions. Les réseaux de neurones artificiels imitent ce comportement en ajustant les poids et les biais numériques pendant les séances d'entraînement afin de minimiser la différence entre leurs sorties réelles et souhaitées. Par exemple, un réseau de neurones peut être entraîné à identifier des photos de chiens en passant au crible un grand nombre de photos, deviner si la photo est celle d'un chien, voir à quelle distance il est, puis ajuster ses poids et ses préjugés jusqu'à ce qu'ils soient plus proches de la réalité.

L'inconvénient de cet entraînement de réseau neuronal est ce qu'on appelle "la cécité du chaos" - une incapacité à prédire ou à répondre au chaos dans un système. L'IA conventionnelle est aveugle au chaos. Mais des chercheurs du laboratoire d'intelligence artificielle non linéaire (NAIL) de NC State ont découvert que l'incorporation d'une fonction hamiltonienne dans les réseaux de neurones leur permet de mieux « voir » le chaos au sein d'un système et de s'adapter en conséquence.

Tout simplement, l'hamiltonien incarne l'information complète sur un système physique dynamique - la quantité totale de toutes les énergies présentes, cinétique et potentiel. Imaginez un pendule oscillant, aller et venir dans l'espace au cours du temps. Maintenant, regardez un instantané de ce pendule. L'instantané ne peut pas vous dire où se trouve ce pendule dans son arc ou où il se dirige ensuite. Les réseaux de neurones conventionnels fonctionnent à partir d'un instantané du pendule. Les réseaux de neurones familiers avec le flux hamiltonien comprennent l'intégralité du mouvement du pendule - où il se trouve, où il sera ou pourrait être, et les énergies impliquées dans son mouvement.

Dans un projet de preuve de concept, l'équipe NAIL a incorporé la structure hamiltonienne dans les réseaux de neurones, puis les a appliqués à un modèle connu de dynamique stellaire et moléculaire appelé modèle de Hénon-Heiles. Le réseau de neurones hamiltonien a prédit avec précision la dynamique du système, alors même qu'il se déplaçait entre l'ordre et le chaos.

"L'hamiltonien est vraiment la" sauce spéciale "qui donne aux réseaux de neurones la capacité d'apprendre l'ordre et le chaos, " dit John Lindner, chercheur invité à NAIL, professeur de physique au College of Wooster et auteur correspondant d'un article décrivant le travail. "Avec l'Hamiltonien, le réseau de neurones comprend la dynamique sous-jacente d'une manière qu'un réseau conventionnel ne peut pas. Il s'agit d'un premier pas vers des réseaux de neurones connaissant la physique qui pourraient nous aider à résoudre des problèmes difficiles."

L'œuvre apparaît dans Examen physique E et est soutenu en partie par l'Office of Naval Research. Le chercheur postdoctoral de l'État de Caroline du Nord, Anshul Choudhary, est le premier auteur. Bill Idem, professeur de physique à NC State, est directeur de NAIL. chercheur invité Scott Miller; Sudeshna Sinha, de l'Indian Institute of Science Education and Research Mohali; et Elliott Holliday, étudiant diplômé de l'État de Caroline du Nord, a également contribué au travail.