Des chercheurs de l’université Duke ont développé un cadre d’intelligence artificielle qui révèle des règles simples sous-jacentes à des systèmes hautement complexes dans la nature et la technologie. Publié le 17 décembre dans npj Complexity, l’outil analyse des données de séries temporelles pour produire des équations compactes capturant les comportements essentiels. Cette approche pourrait combler les lacunes dans la compréhension scientifique là où les méthodes traditionnelles échouent.
La nouvelle IA, créée par une équipe dirigée par Boyuan Chen, directeur du General Robotics Lab à l’université Duke, s’inspire de figures historiques comme Isaac Newton, qui a formulé des équations pour des systèmes changeants. Elle traite des données sur l’évolution de dynamiques complexes, distillant des milliers de variables en modèles plus simples, semblables à linéaires, qui restent précis par rapport aux observations du monde réel.
S’appuyant sur la théorie du mathématicien Bernard Koopman des années 1930, qui postule que les systèmes non linéaires peuvent être représentés linéairement, le cadre aborde un défi clé : le volume énorme d’équations nécessaires pour de telles représentations. En intégrant l’apprentissage profond avec des contraintes basées sur la physique, il identifie des motifs pivots dans les données expérimentales, aboutissant à des modèles jusqu’à 10 fois plus petits que ceux des techniques d’apprentissage automatique antérieures.
Des tests sur diverses applications — comme les oscillations de pendule, les circuits électriques, les modèles climatiques et les signaux neuronaux — ont démontré la capacité de l’IA à découvrir une poignée de variables gouvernantes pour des prédictions à long terme fiables. « Ce qui se distingue n’est pas seulement la précision, mais l’interprétabilité », a noté Chen. « Quand un modèle linéaire est compact, le processus de découverte scientifique peut être naturellement relié aux théories et méthodes existantes développées par les scientifiques humains sur des millénaires. »
Au-delà des prédictions, le système détecte des états stables, ou attracteurs, aidant les scientifiques à évaluer la santé du système et les changements imminents. L’auteur principal, Sam Moore, doctorant dans le laboratoire de Chen, a expliqué : « Pour un dynamyste, trouver ces structures revient à découvrir les repères d’un nouveau paysage. » Il a ajouté : « Il ne s’agit pas de remplacer la physique. Il s’agit d’étendre notre capacité à raisonner à l’aide de données quand la physique est inconnue, cachée ou trop lourde à consigner. »
Chen a souligné l’impact plus large : « La découverte scientifique a toujours dépendu de la recherche de représentations simplifiées de processus compliqués. Nous disposons de plus en plus des données brutes nécessaires pour comprendre les systèmes complexes, mais pas des outils pour transformer ces informations en règles simplifiées dont dépendent les scientifiques. Combler cette lacune est essentiel. »
Financé par la National Science Foundation, l’Army Research Office et DARPA, ce travail avance vers des « machine scientists » pour une découverte automatisée. Les plans futurs incluent l’optimisation de la collecte de données pour les expériences et l’extension à des multimédias comme la vidéo et l’audio de systèmes biologiques.
