Cette IA décèle des règles simples là où les humains ne voient que chaos.

Des chercheurs de l’université Duke ont créé une intelligence artificielle capable de découvrir des règles mathématiques simples dissimulées au sein de systèmes complexes et en constante évolution. Cette approche permet de transformer d’énormes quantités de données en modèles clairs, compréhensibles et exploitables par les scientifiques. Crédit : Shutterstock

Des chercheurs de l’université Duke ont créé un nouveau cadre d’intelligence artificielle conçu pour découvrir des règles claires et faciles à comprendre qui sous-tendent certaines des dynamiques les plus complexes observées dans la nature et la technologie moderne.

Ce système s’inspire des travaux des grands « dynamiciens » de l’histoire, ces scientifiques qui étudient les systèmes évoluant au fil du temps. À l’instar d’Isaac Newton, souvent considéré comme le premier dynamicien, qui a élaboré des équations reliant la force et le mouvement, cette IA analyse des données révélant l’évolution des systèmes complexes et produit ensuite des équations décrivant précisément ce comportement.Ce qui distingue cette approche, c’est sa capacité à gérer une complexité bien supérieure à celle de l’être humain. L’IA peut prendre des systèmes non linéaires impliquant des centaines, voire des milliers de variables interagissantes, et les réduire à des règles plus simples, avec un nombre de dimensions considérablement réduit.

Un nouvel outil pour comprendre l’évolution dans le temps

Cette recherche, publiée en ligne le 17 décembre dans la revue npj Complexity , introduit une nouvelle méthode puissante permettant aux scientifiques d’utiliser l’IA pour étudier des systèmes qui évoluent au fil du temps, notamment les modèles météorologiques, les circuits électriques, les dispositifs mécaniques et les signaux biologiques.

« La découverte scientifique a toujours reposé sur la simplification de processus complexes », explique Boyuan Chen, directeur du Laboratoire de robotique générale et professeur adjoint de génie mécanique et de science des matériaux à l’université Duke. « Nous disposons de plus en plus des données brutes nécessaires à la compréhension des systèmes complexes, mais pas des outils permettant de transformer ces informations en règles simplifiées, indispensables aux scientifiques. Combler cet écart est essentiel. »

Un exemple classique de simplification nous vient de la physique. La trajectoire d’un boulet de canon dépend de nombreux facteurs, notamment la vitesse et l’angle de lancement, la résistance de l’air, les variations du vent et même la température ambiante. Malgré cette complexité, une bonne approximation de son mouvement peut être obtenue par une simple équation linéaire qui ne prend en compte que la vitesse et l’angle de lancement.

S’appuyant sur une idée mathématique vieille de plusieurs décennies

Ce type de simplification reflète un concept théorique introduit par le mathématicien Bernard Koopman dans les années 1930. Koopman a démontré que les systèmes non linéaires complexes peuvent être représentés mathématiquement à l’aide de modèles linéaires. Le nouveau cadre d’intelligence artificielle s’appuie directement sur cette idée.

Il existe cependant un défi majeur. La représentation de systèmes très complexes par des modèles linéaires nécessite souvent la construction de centaines, voire de milliers d’équations, chacune associée à une variable différente. Gérer un tel niveau de complexité est difficile pour les chercheurs.C’est là que l’intelligence artificielle devient particulièrement précieuse.

Comment l’IA réduit la complexité

Ce cadre d’analyse étudie les données de séries temporelles issues d’expériences et identifie les tendances les plus significatives dans l’évolution d’un système. Il combine l’apprentissage profond avec des contraintes inspirées de la physique afin de réduire le système à un ensemble de variables beaucoup plus restreint, tout en conservant son comportement essentiel. Il en résulte un modèle compact qui se comporte mathématiquement comme un système linéaire, tout en restant fidèle à la complexité du monde réel.

Pour tester cette approche, les chercheurs l’ont appliquée à une grande variété de systèmes. Ceux-ci allaient du mouvement oscillatoire familier d’un pendule au comportement non linéaire des circuits électriques, en passant par des modèles utilisés en climatologie et dans les circuits neuronaux. Malgré leurs grandes différences, l’IA a systématiquement mis au jour un petit nombre de variables cachées qui régissaient leur comportement. Dans de nombreux cas, les modèles obtenus étaient plus de dix fois plus petits que ceux produits par les méthodes d’apprentissage automatique précédentes, tout en fournissant des prédictions fiables à long terme.

« Ce qui frappe, ce n’est pas seulement la précision, mais aussi l’interprétabilité », a déclaré Chen, qui est également professeur en génie électrique et informatique et en informatique. « Lorsqu’un modèle linéaire est compact, le processus de découverte scientifique peut être naturellement relié aux théories et méthodes existantes que les scientifiques ont développées au fil des millénaires. C’est comme mettre en relation les chercheurs en intelligence artificielle et les scientifiques humains. »

Trouver la stabilité et les signes avant-coureurs

Ce cadre d’analyse ne se contente pas de faire des prédictions. Il permet également d’identifier des états stables, appelés attracteurs, vers lesquels un système se stabilise naturellement au fil du temps. La reconnaissance de ces états est essentielle pour déterminer si un système fonctionne normalement, dérive lentement ou approche de l’instabilité.

« Pour un spécialiste de la dynamique, découvrir ces structures revient à repérer les points de repère d’un nouveau paysage », explique Sam Moore, auteur principal et doctorant au sein du laboratoire de robotique générale de Chen. « Une fois les points stables identifiés, le reste du système prend tout son sens. »Les chercheurs soulignent que cette méthode est particulièrement utile lorsque les équations traditionnelles sont indisponibles, incomplètes ou trop complexes à établir. « Il ne s’agit pas de remplacer la physique », a précisé Moore. « Il s’agit d’étendre notre capacité à raisonner à partir de données lorsque les phénomènes physiques sont inconnus, cachés ou trop complexes à décrire. »

Vers les scientifiques des machines

Pour l’avenir, l’équipe étudie comment ce cadre pourrait orienter la conception expérimentale en sélectionnant activement les données à collecter afin de révéler plus efficacement la structure d’un système. Elle prévoit également d’appliquer la méthode à des données plus riches, notamment la vidéo, l’audio et les signaux provenant de systèmes biologiques complexes.

Ces recherches s’inscrivent dans un objectif à long terme du laboratoire de robotique générale de Chen : développer des « machines scientifiques » capables de contribuer à la découverte scientifique automatisée. En associant l’IA moderne au langage mathématique des systèmes dynamiques, ces travaux esquissent un avenir où l’IA ne se contentera plus de reconnaître des formes. Elle pourrait permettre de révéler les règles fondamentales qui régissent le monde physique et les systèmes vivants.

Ce travail a été soutenu par la bourse de recherche de la National Science Foundation, le programme STRONG du Army Research Laboratory (W911NF2320182, W911NF2220113), l’Army Research Office (W911NF2410405), le programme DARPA FoundSci (HR00112490372) et le programme DARPA TIAMAT (HR00112490419).

Site web du projet : http://generalroboticslab.com/AutomatedGlobalAnalysis

Vidéo : https://youtu.be/8Q5NQegHz50

Site web du laboratoire de robotique générale : http://generalroboticslab.com

Source:Université Duke