Un nouvel algorithme informatique, ou un ensemble de règles, qui prédit avec précision les orbites des planètes du système solaire pourrait être adapté pour mieux prédire et contrôler le comportement du plasma qui alimente les installations de fusion conçues pour récolter sur Terre l'énergie de fusion qui alimente le soleil et les étoiles.

L'algorithme, conçu par un scientifique du laboratoire de physique des plasmas de Princeton (PPPL) du département américain de l'Énergie (DOE), applique l'apprentissage automatique, la forme d'intelligence artificielle (IA) qui apprend de l'expérience, pour développer les prédictions. « Généralement en physique, vous faites des observations, créer une théorie basée sur ces observations, puis utiliser cette théorie pour prédire de nouvelles observations, " a déclaré le physicien PPPL Hong Qin, auteur d'un article détaillant le concept Rapports scientifiques . "Ce que je fais, c'est remplacer ce processus par un type de boîte noire qui peut produire des prédictions précises sans utiliser une théorie ou une loi traditionnelle."

Qin (prononcé Chin) a créé un programme informatique dans lequel il a alimenté les données d'observations passées des orbites de Mercure, Vénus, Terre, Mars, Jupiter, et la planète naine Cérès. Ce programme, ainsi qu'un programme supplémentaire appelé « algorithme de service », ' a ensuite fait des prédictions précises des orbites d'autres planètes du système solaire sans utiliser les lois du mouvement et de la gravitation de Newton. "Essentiellement, J'ai contourné tous les ingrédients fondamentaux de la physique. Je passe directement de données en données, " Qin a dit. " Il n'y a pas de loi de la physique au milieu. "

Le programme ne se produit pas sur des prédictions précises par accident. "Hong a enseigné au programme le principe sous-jacent utilisé par la nature pour déterminer la dynamique de tout système physique, " a déclaré Joshua Burby, un physicien du Laboratoire national de Los Alamos du DOE qui a obtenu son doctorat. à Princeton sous le mentorat de Qin. "La récompense est que le réseau apprend les lois du mouvement planétaire après avoir été témoin de très peu d'exemples de formation. En d'autres termes, son code "apprend" vraiment les lois de la physique."

L'apprentissage automatique est ce qui rend les programmes informatiques comme Google Translate possibles. Google Translate passe au crible une grande quantité d'informations pour déterminer la fréquence à laquelle un mot dans une langue a été traduit en un mot dans l'autre langue. De cette façon, le programme peut faire une traduction précise sans réellement apprendre l'une ou l'autre langue.

Le processus apparaît également dans des expériences de pensée philosophique comme Chinese Room de John Searle. Dans ce scénario, une personne qui ne connaissait pas le chinois pouvait néanmoins « traduire » une phrase chinoise en anglais ou dans toute autre langue en utilisant un ensemble d'instructions, ou des règles, cela se substituerait à la compréhension. L'expérience de pensée soulève des questions sur quoi, à la racine, cela signifie comprendre n'importe quoi, et si la compréhension implique que quelque chose d'autre se passe dans l'esprit en plus de suivre des règles.

Qin a été inspiré en partie par l'expérience de pensée philosophique du philosophe d'Oxford Nick Bostrom selon laquelle l'univers est une simulation informatique. Si c'était vrai, alors les lois physiques fondamentales devraient révéler que l'univers se compose de morceaux individuels d'espace-temps, comme des pixels dans un jeu vidéo. « Si nous vivons dans une simulation, notre monde doit être discret, " a déclaré Qin. La technique de la boîte noire conçue par Qin n'exige pas que les physiciens croient littéralement à la conjecture de la simulation, bien qu'il s'appuie sur cette idée pour créer un programme qui fait des prédictions physiques précises.

La vue pixelisée du monde qui en résulte, semblable à ce qui est décrit dans le film The Matrix, est connue sous le nom de théorie des champs discrets, qui considère l'univers comme composé de morceaux individuels et diffère des théories que les gens créent normalement. Alors que les scientifiques élaborent généralement des concepts généraux sur le comportement du monde physique, les ordinateurs assemblent simplement une collection de points de données.

Qin et Eric Palmerduca, un étudiant diplômé du programme de l'Université de Princeton en physique des plasmas, développent maintenant des moyens d'utiliser les théories des champs discrets pour prédire le comportement des particules de plasma dans les expériences de fusion menées par des scientifiques du monde entier. Les installations de fusion les plus utilisées sont les tokamaks en forme de beignet qui confinent le plasma dans des champs magnétiques puissants.

La fusion, la puissance qui anime le soleil et les étoiles, combine des éléments légers sous forme de plasma - le chaud, état chargé de la matière composé d'électrons libres et de noyaux atomiques qui représente 99% de l'univers visible - pour générer des quantités massives d'énergie. Les scientifiques cherchent à reproduire la fusion sur Terre pour une réserve d'énergie pratiquement inépuisable pour produire de l'électricité.

"Dans un appareil à fusion magnétique, la dynamique des plasmas est complexe et multi-échelle, et les lois applicables ou les modèles informatiques pour un processus physique particulier qui nous intéressent ne sont pas toujours clairs, " Qin a dit. " Dans ces scénarios, nous pouvons appliquer la technique d'apprentissage automatique que j'ai développée pour créer une théorie des champs discrets, puis appliquer cette théorie des champs discrets pour comprendre et prédire de nouvelles observations expérimentales."

Ce processus soulève des questions sur la nature de la science elle-même. Les scientifiques ne veulent-ils pas développer des théories physiques qui expliquent le monde, au lieu de simplement amasser des données ? Les théories ne sont-elles pas fondamentales en physique et nécessaires pour expliquer et comprendre les phénomènes ?

"Je dirais que le but ultime de tout scientifique est la prédiction, " Qin a dit. " Vous n'avez peut-être pas nécessairement besoin d'une loi. Par exemple, si je peux parfaitement prédire une orbite planétaire, Je n'ai pas besoin de connaître les lois de la gravitation et du mouvement de Newton. Vous pourriez argumenter qu'en faisant cela, vous comprendriez moins que si vous connaissiez les lois de Newton. Dans un sens, c'est correct. Mais d'un point de vue pratique, faire des prédictions précises ne fait rien de moins. »

L'apprentissage automatique pourrait également ouvrir des possibilités pour davantage de recherche. « Cela élargit considérablement le champ des problèmes que vous pouvez résoudre, car tout ce dont vous avez besoin pour commencer, ce sont des données, ", a déclaré Palmerduca.

La technique pourrait également conduire au développement d'une théorie physique traditionnelle. "Bien que dans un certain sens cette méthode exclue la nécessité d'une telle théorie, il peut aussi être considéré comme un chemin vers l'un, " dit Palmerduca. " Quand vous essayez de déduire une théorie, vous aimeriez avoir autant de données à votre disposition que possible. Si on vous donne des données, vous pouvez utiliser l'apprentissage automatique pour combler les lacunes de ces données ou étendre l'ensemble de données."