NestyNet. IV. Laws Chosen by Nothing in Advance
NestyNet-DE est un nouveau cadre qui découvre des équations différentielles complexes et non linéaires ainsi que leurs symétries géométriques sous-jacentes directement à partir de données sans dépendre de bibliothèques fixes, réussissant à récupérer des lois physiques fondamentales telles que la hiérarchie de Kepler réduite et l'équation de Schrödinger grâce à une combinaison de stratégies de recherche par bibliothèque éparse et par factorisation d'opérateurs.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La science s'appuie depuis longtemps sur une idée simple et puissante : que l'univers parle le langage des mathématiques et que, si nous écoutons attentivement le mouvement des choses, nous pouvons entendre les règles qui les gouvernent. Depuis des siècles, les physiciens consignent ces règles sous forme d'équations, décrivant comment les planètes orbitent, comment la lumière dévie et comment les particules interagissent. Mais trouver ces équations directement à partir de données brutes, sans savoir déjà ce que l'on cherche, a été l'un des défis les plus difficiles de l'informatique moderne. La difficulté réside dans le fait que la nature est rarement simple. Les systèmes du monde réel impliquent souvent de nombreuses pièces mobiles qui s'influencent mutuellement de manières complexes et non linéaires, et les données que nous collectons sont souvent bruitées ou incomplètes. Les méthodes informatiques traditionnelles peinent ici car elles nécessitent généralement une liste préétablie d'équations possibles parmi lesquelles choisir, ou elles reposent sur des approximations approximatives de la manière dont les choses changent, ce qui peut conduire à de fausses conclusions.
Une nouvelle approche, détaillée dans une étude récente de Rodrigo Ibata et de ses collègues, offre un moyen de contourner ces limitations. Les chercheurs ont développé un système capable d'écouter le mouvement d'objets et de reconstruire les lois mathématiques exactes qui les dirigent, même lorsque ces lois sont complexes, impliquent des champs multiples ou traitent de quantités possédant à la fois des parties réelles et imaginaires. La clé de leur succès est une méthode qui traite les données non pas comme une liste statique de nombres, mais comme un récit fluide et continu. En entraînant un réseau de neurones pour agir comme une version parfaite et sans bruit des données observées, le système peut calculer exactement la vitesse à laquelle les choses changent à n'importe quel moment. Cette précision lui permet de tester des lois potentielles avec un niveau de précision auparavant impossible, séparant les véritables règles directrices des simples coïncidences mathématiques.
Les chercheurs ont testé leur système, qu'ils appellent NestyNet-DE, sur une grande variété de défis, allant de simples pendules oscillants aux équations complexes qui décrivent la lumière et l'électricité. Dans une série de tests, ils ont soumis au système des données provenant de trente années d'observations quotidiennes de trois cent huit astéroïdes orbitant dans la ceinture principale entre Mars et Jupiter. Ces astéroïdes ne se déplacent pas dans un vide parfait et épuré ; ils sont constamment poussés par la gravité d'autres planètes, créant un registre désordonné et érodé de leurs trajectoires. La plupart des modèles informatiques auraient du mal à trouver l'ordre sous-jacent dans un ensemble de données aussi chaotique. Cependant, le nouveau système a réussi à éliminer le bruit et à récupérer la hiérarchie fondamentale des lois de Kepler. Il a identifié la règle selon laquelle une planète balaie des aires égales en des temps égaux, découvert la loi de l'inverse du carré de la distance pour la gravité qui attire les astéroïdes vers le soleil, et a même reconstruit l'équation d'énergie qui régit leur mouvement. Remarquablement, le système ne s'est pas contenté d'ajuster des nombres à une courbe ; il a déduit une symétrie géométrique spécifique dans les données qui a forcé le terme centrifuge de l'équation à prendre une valeur précise, plutôt que de simplement la deviner.
L'étude a également démontré que le système pouvait gérer des équations décrivant le monde quantique, où les quantités sont des nombres complexes, ainsi que les équations de l'électromagnétisme, qui impliquent des champs vectoriels tels que les forces électriques et magnétiques. Dans ces cas, le système devait trouver des lois couplées, ce qui signifie que le comportement d'un champ dicte directement le comportement d'un autre. Les chercheurs ont montré que leur méthode pouvait récupérer les célèbres équations de Maxwell, qui décrivent comment la lumière et l'électricité se propagent, même lorsque les données étaient bruitées et que les équations potentielles incluaient de nombreux termes « leurres » plausibles mais incorrects. Le système a correctement identifié les termes réels et a rejeté les imposteurs, un exploit que les anciennes méthodes n'ont pas réussi à accomplir à des niveaux de bruit similaires.
Ce qui rend ce travail particulièrement significatif, c'est qu'il ne repose pas sur un dictionnaire fixe d'équations possibles. Au lieu de cela, il peut inventer de nouvelles formes structurelles si les données l'exigent, cherchant directement dans l'architecture des lois plutôt que de simplement choisir dans un menu préécrit. Il va également au-delà de la simple recherche de l'équation ; il peut découvrir les symétries cachées au sein de cette équation, telles que la symétrie de rotation qui explique pourquoi le moment cinétique est conservé. En trouvant ces symétries directement à partir des données, le système peut intégrer les lois pour trouver des solutions sous forme fermée et expliquer pourquoi l'univers se comporte de la sorte. Les chercheurs ont rendu leur code et leurs données publics, permettant à d'autres de vérifier ces résultats et d'appliquer la méthode à leurs propres questions scientifiques. Cela représente un passage du simple ajustement de données à la compréhension de la logique structurelle profonde du monde physique, offrant un outil qui peut aider les scientifiques à découvrir des lois que personne n'avait anticipées.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.