Grâce à l’IA, les chercheurs ont pu prédire l’avenir d’une manière sans précédent

le équations aux dérivées partielles (ou EDP) peuvent ne rien avoir dans leur nom qui pourrait susciter l’enthousiasme des non-initiés. Et pourtant ces formules mathématiques, empilements de symboles obscurs, de fractions et de boucles, ont un pouvoir que plus d’une personne aimerait avoir: celui de prédire l’avenir. Les PDE sont particulièrement efficaces pour décrire les changements dans le temps et dans l’espace, et contribuent donc grandement à notre compréhensionUnivers. Le problème: ils sont difficiles à résoudre. La solution:intelligence artificielle.

Lire l’avenir en mathématiques

Les PDE peuvent être utilisés dans toutes sortes de domainesapplication : prédire un orbite planétaire, la propagation du son ou chaleur, le flux d’un liquide, des perturbations en vol ou, tout simplement, conditions météorologiques. Ils nécessitent néanmoins des calculs complexes, qui prennent beaucoup de temps et énergie, et sont donc souvent basés sur les performances de superordinateurs. Malgré tout, les ressources disponibles restent limitées, restreignant ainsi l’usage qui peut être fait de ces formidables outils. Cependant, un groupe de chercheurs a récemment mis l’IA au travail d’une manière qui pourrait changer la donne.

Photos de chats et l’apprentissage en profondeur

Les réseaux de neurones artificiels fonctionnent d’une manière comme générateurs de fonctions approximatives. Grâce à un processus d’essais et d’erreurs, ils apprennent à identifier une cible dans un grand nombre de données (par exemple, à reconnaître photographies chats parmi un catalogue d’images) en extrapolant les critères déterminants et la formule qui les lie. Chez un humain, ce serait comme dire:

quatre jambes + corps + tête ronde + yeux dans amande + file d’attente + moustaches + petit museau triangulaire + etc. = chat

C’est un peu la même chose pour le l’apprentissage en profondeur, mais ça ressemble plus à il.

Disons maintenant que vous voulez prédire l’évolution d’un courant deair entre l’état initial T₀ et l’heure T₁. Vous donnez votre réseau neuronal un catalogue d’observations, qui lui permet d’analyser ce qui se passe habituellement dans la réalité. Il extrait ensuite des similitudes des milliers de situations qui lui sont données pour observer, des liens de cause à effet émergent progressivement jusqu’à ce qu’il réussisse à extrapoler une formule regroupant ces points pivots, capable de relier au mieux les moments T₀-T₁ de chaque paire. Votre réseau neuronal vient de résoudre une PDE.

Prédire les mouvements du monde avec l’IA?

Bien que cette compétence ait déjà été utilisée dans le passé, le nouvelle étude, publiée sur le site arXiv, franchit une nouvelle étape en l’appliquant à un espace de Fourier, utilisé pour représenter le fréquences ondulatoire. Pourquoi utiliser des vagues pour décrire le mouvement de l’air? Parce que, selon les chercheurs, le déplacement de évent est analogue à celle d’une fréquence largement étalée, tandis que les courants turbulents qui l’habitent pourraient être modélisés comme des fréquences courtes et rapides. Grâce à ce travail de simplification, le réseau de neurones a pu se mettre au travail et, à la grande joie de l’équipe, résoudre les problèmes. équations beaucoup plus rapide et avec beaucoup moins d’erreurs qu’avec d’autres méthodes.

S’il était auparavant nécessaire de former l’IA à anticiper le mouvement de chaque type de fluide, cette technique sera généralisable à tous, et pourrait même s’étendre à l’étude des phénomènes sismiques et thermodynamique, disent les chercheurs.  » Avoir du bon prévisions météorologiques globalement est un vrai défi », commentaire Anima Anandkumar, qui a supervisé l’étude,  » et même avec les plus grands superordinateurs à notre disposition, nous ne pouvons pas encore le faire à l’échelle mondiale. Donc, si nous pouvons utiliser ces méthodes pour accélérer l’ensemble du processus, cela aura un impact énorme. »