Qu’il s’agisse des lois de Kepler sur le mouvement planétaire, de la dilatation du temps d’Einstein ou du comportement des molécules de gaz : une intelligence artificielle nouvellement développée a indépendamment « redécouvert » ces lois scientifiques et les a formulées correctement. Les systèmes d’IA cartésiens reposent sur des données brutes et des arrière-plans physiques. À partir de là, le système développe la formule légale correcte, mais indique également où se situent les écarts et où davantage de données sont nécessaires.
Qu’il s’agisse de ChatGPT, BARD, Alphafold ou de toute autre IA : le saut de développement dans le nouveau système d’IA est incontestable. Les algorithmes adaptatifs et les réseaux de neurones peuvent non seulement écrire des scripts, créer des images ou des jeux majeurs, mais sont également utiles dans la recherche et la science depuis longtemps. Ils décodent les structures des protéines, diagnostiquent des maladies, trouvent des preuves mathématiques ou développent des méthodes de synthèse chimique.
Principes de base de la science
Désormais, il existe des systèmes d’IA qui affinent également les principes de base de la découverte scientifique : “Les scientifiques recherchent des équations et des lois qui décrivent avec précision leurs données expérimentales”, explique Christina Cornelio d’IBM Research à New York et ses collègues. Le défi ici est, d’une part, d’identifier qui se trouve dans la richesse des données qui contiennent des informations sur l’ordre et de différencier cela du simple « bruit ».
D’autre part, il faut des connaissances, de l’intuition et de l’ingéniosité scientifique pour reconnaître des relations complètement nouvelles basées sur des données existantes et des connaissances de base et les décrire à l’aide d’équations. Seul ce processus conduit à des percées scientifiques.
Conjuguer les deux approches : régression symbolique…
Mais l’intelligence artificielle peut-elle faire cela aussi ? C’est ce que Cornelio et ses collègues ont voulu savoir. Pour ce faire, ils ont développé un système d’intelligence artificielle qui combine deux approches déjà populaires. Le premier est quelque chose appelé régression symbolique, dans lequel l’IA sélectionne les opérations mathématiques qui conviennent le mieux aux données à partir d’un ensemble prédéfini et construit une formule à partir de celles-ci. Dans le cas le plus simple, il pourrait s’agir d’une liste composée de +, -, x et .
Le système d’IA génère ensuite des millions d’équations à partir des blocs de construction des formules données et vérifie celles qui correspondent le mieux aux données. “Ces modèles de régression symbolique sont plus faciles à interpréter que les réseaux de neurones et nécessitent moins de données”, expliquent les chercheurs. “Cependant, ils ont eu du mal à déterminer quelles formules correspondent aux données et lesquelles ont également un sens scientifique.”
… et dérivation logique
C’est là qu’intervient la seconde composante du système d’IA : ce qu’on appelle la « pensée systémique ». Il donnait auparavant un ensemble de théorèmes et de lois scientifiques de base et est maintenant capable de dériver également l’une des équations logiquement appropriées. “Cela permet aux systèmes d’IA de créer des modèles significatifs pour diverses applications”, explique Cornelio.
La combinaison de la cartographie syntaxique et de la validation booléenne différencie également la soi-disant « IA Descartes » des systèmes d’IA générative tels que ChatGPT. Ce grand modèle de langage repose principalement sur des modèles de langage généraux communs aux données d’apprentissage et ne se développe pas de manière logique. Ils échouent donc à de nombreux problèmes mathématiques et scientifiques et proposent des absurdités qui semblent logiques.
Les orbites planétaires de Kepler comme premier test
Mais quelle était la qualité de l’intelligence artificielle de Descartes ? Pour tester cela, les chercheurs lui ont confié trois tâches. Basé sur des données impures et un ensemble de principes généraux de physique, le système d’IA doit “réinventer” trois découvertes révolutionnaires en physique et les décrire sous forme d’équation sans le savoir au préalable.
Comme premier problème, les systèmes d’IA doivent apprendre la troisième loi de Kepler qui décrit les orbites et les périodes orbitales des planètes. “Extraire cette loi à partir de données expérimentales est un défi, surtout lorsque les planètes ont des masses de tailles très différentes”, expliquent les scientifiques. Mais avec l’aide de son unité de pensée, AI Descartes a pu trouver la formule physiquement correcte – il a « redécouvert » la troisième loi de Kepler sur le mouvement planétaire.
Dilatation du temps d’Einstein et absorption de Langmuir
La deuxième tâche est la dilatation du temps expliquée par la théorie de la relativité restreinte d’Albert Einstein. Après cela, le temps ralentit pour les objets en mouvement rapide. Ici, le système d’IA n’a pas réussi à mettre en place les équations d’Einstein, mais a réussi à déterminer la formule la plus proche du phénomène décrit, rapporte l’équipe. D’autre part, le système reconnaît à juste titre que la physique relativiste n’est pas newtonienne, mais joue plutôt un rôle ici.
Comme troisième tâche, le système d’IA doit trouver une formule développée par le chimiste Irving Langmuir pour adsorber les molécules de gaz à la surface. A cette fin, AI Descartes a reçu des données expérimentales sur l’adsorption du méthane sur le mica et de l’isobutane sur les silicates et la connaissance que les solides fournissent aux gaz un “point de jonction”. Sur cette base, le système d’IA a pu développer une formule décrivant le nombre de molécules de gaz auxquelles une substance peut se lier dans des conditions de test.
Juste tôt
Selon Cornelio et ses collègues, les systèmes d’IA comme Descartes AI ouvrent de nouvelles possibilités pour soutenir l’analyse des données scientifiques. “L’un des aspects les plus passionnants de notre travail est la capacité de faire progresser la science de manière spectaculaire”, a déclaré Cornelio. Dans une prochaine étape, l’équipe prévoit de donner aux systèmes d’IA la capacité d’apprendre le contexte de manière indépendante en lisant indépendamment des articles scientifiques et en en extrayant la théorie pertinente.
“Jusqu’à présent, nous avions besoin de personnes pour traduire les axiomes dans un langage formel lisible par ordinateur”, explique le co-auteur Tyler Josephson de l’Université du Maryland. “A l’avenir, nous voulons automatiser cette partie du système pour couvrir davantage de domaines scientifiques et technologiques.” (Nature Communications, 2023; doi: 10.1038/s41467-023-37236-y)
Source : Université du Maryland
2023-04-17 05:57:52
1681702612
#LIA #tant #chercheur #Les #systèmes #dIA #trouvent #des #formules #appropriées #pour #les #données #brutes
