Une nouvelle méthode d'IA accélère les simulations de liquides
"Cette approche permet de déterminer le potentiel chimique de manière indirecte, mais cohérente, sans avoir à l'entraîner de manière explicite"
Annonces
Des chercheurs de l'université de Bayreuth ont mis au point une méthode utilisant l'intelligence artificielle qui permet d'accélérer considérablement le calcul des propriétés des liquides. L'approche de l'IA prédit le potentiel chimique, une quantité indispensable pour décrire les liquides en équilibre thermodynamique. Les chercheurs présentent leurs résultats dans une nouvelle étude publiée dans la revue Physical Review Letters, où elle a été sélectionnée comme suggestion des rédacteurs.
De nombreuses méthodes courantes d'intelligence artificielle reposent sur le principe de l'apprentissage automatique supervisé : un modèle - par exemple un réseau neuronal - est spécifiquement entraîné pour prédire directement une quantité cible particulière. Un exemple illustrant cette approche est la reconnaissance d'images, où le système d'IA se voit présenter de nombreuses images sur lesquelles on sait si un chat est représenté ou non. Sur cette base, le système apprend à identifier les chats sur de nouvelles images qui n'ont jamais été vues. "Matthias Schmidt, titulaire de la chaire de physique théorique II à l'université de Bayreuth. Matthias Schmidt, titulaire de la chaire de physique théorique II à l'université de Bayreuth. Avec son collaborateur scientifique Florian Sammüller, il relève ce défi grâce à la méthode d'IA qu'il vient de mettre au point. Celle-ci est basée sur un réseau neuronal qui intègre la structure théorique des liquides - et plus généralement de la matière molle - ce qui lui permet de prédire leurs propriétés avec une grande précision.
"La particularité de notre méthode est que l'IA n'apprend pas du tout le potentiel chimique", explique M. Schmidt. Au lieu de cela, l'IA apprend la fonctionnelle de densité universelle, qui capture les relations physiques fondamentales au sein d'un liquide et reste la même dans de nombreux systèmes différents. "Cela peut être illustré en comparant différentes surfaces recouvertes du même liquide. Même si les surfaces diffèrent en termes de structure ou de matériau, le liquide suit toujours les mêmes lois physiques sous-jacentes. Ces propriétés "intrinsèques" du liquide correspondent à la fonctionnelle de densité universelle qui est capturée par l'apprentissage automatique", explique M. Schmidt.
Entre la fonctionnelle de densité apprise et les propriétés observables d'un système - telles que le profil de densité des particules et le potentiel externe - une différence subsiste. Cet écart n'est pas comblé par le modèle d'IA mais par des principes physiques : à partir de considérations générales sur la stabilité thermodynamique, il s'ensuit que cette différence résiduelle correspond uniquement au potentiel chimique.
"Notre méthode combine l'apprentissage basé sur les données et les connaissances fondamentales de la physique théorique : la fonctionnelle de densité dérivée de l'IA fournit un cadre universel, tandis que le potentiel chimique lui-même est dérivé de conditions physiques établies. Cette approche permet de déterminer le potentiel chimique indirectement, mais de manière cohérente, sans avoir à l'entraîner explicitement", note Sammüller. Il ajoute : "En termes de reconnaissance d'images, ce serait un peu comme si une IA pouvait reconnaître des chats sans en avoir jamais vu pendant l'entraînement."
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
