Dans le domaine de l’apprentissage automatique, les scientifiques peuvent  » former  » un système informatique ou une intelligence artificielle à faire quelque chose, comme classifier de l’information ou simuler des modèles, sans lui donner d’instruction explicite. Au lieu de cela, ils laissent l’ordinateur résoudre le problème lui-même… voilà pour l’introduction.

Pour la première fois, des scientifiques ont utilisé l’intelligence artificielle pour créer des simulations complexes et tridimensionnelles de l’Univers. Le simulateur s’appelle le Deep Density Displacement Model, ou D3M, et il est si rapide et précis que les astrophysiciens qui l’ont conçu ne savent même pas comment il fait son travail.

D3M simule avec précision la façon dont la gravité façonne l’Univers sur des milliards d’années. Chaque simulation ne prend que 30 millisecondes, comparés aux minutes/ aux heures qu’il faut pour les autres simulations (les chercheurs prennent notamment comme référence l’une des plus précises, mais également beaucoup plus longues, appelée Second-order Perturbation Theory, or 2LPT).

Le plus fascinant est que D3M a appris des 8 000 simulations de formation que l’équipe lui a données, en extrapolant largement à partir de celles-ci et en les surpassant, capable d’ajuster des paramètres pour lesquels il n’avait même pas été formé.

Pour l’astrophysicienne Shirley Ho du Flatiron Institute et de l’université Carnegie-Mellon (États-Unis) :

C’est comme nourrir un logiciel de reconnaissance d’images avec beaucoup d’images de chats et de chiens et qu’il soit capable de reconnaître les éléphants. Personne ne sait comment il fait ça, et c’est un grand mystère à résoudre.

Les observations de l’Univers peuvent fournir beaucoup d’informations sur son évolution, mais il y a des limites à ce que nous pouvons voir. C’est pourquoi les simulations peuvent être si pratiques.

En effectuant des simulations qui produisent des résultats qui correspondent à nos observations, ainsi que des simulations qui n’en produisent pas, les scientifiques peuvent déterminer les scénarios les plus susceptibles d’avoir produit l’Univers dans lequel nous vivons.

Mais la complexité de l’histoire de notre Univers rend de telles simulations assez éprouvantes sur le plan informatique, ce qui signifie qu’il faut du temps pour les exécuter. Une seule étude pourrait nécessiter des milliers de simulations afin d’obtenir des données statistiques utiles.

C’est là qu’intervient le D3M, développé par une équipe internationale d’astrophysiciens informaticiens. Il calcule comment, sur 13,8 milliards d’années (l’âge de l’Univers), la gravité déplace des milliards de particules dans l’espace.

Si nous devions simuler ce mouvement de particules à l’aide d’un logiciel qui n’est pas alimenté par l’IA, cela pourrait prendre jusqu’à 300 heures de calcul pour une seule simulation très précise ; vous pourriez aussi le faire en quelques minutes seulement, mais la précision en souffrira grandement.

Pour surmonter ce problème, l’équipe de recherche a décidé de développer un réseau neuronal pour exécuter les simulations et a formé D3M en lui fournissant 8 000 simulations différentes à partir d’un modèle de la plus haute précision produite à ce jour.

Une fois que la formation du D3M fut terminée et que l’IA fonctionnait correctement, elle fut prête à faire un essai pratique. Les chercheurs lui ont fait simuler un univers en boîte d’environ 600 millions d’années-lumière de chaque côté.

D3M a surpassé toutes les méthodes rapides précédentes de l’eau. Il a effectué sa simulation en seulement 30 millisecondes et, par rapport au modèle lent mais super-précis, il n’avait qu’une erreur relative de 2,8.

Pour juger de ses résultats, l’équipe a également effectué la même simulation avec la méthode atrocement lente de centaines d’heures de calculs, et la méthode qui ne prend que quelques minutes. Comme prévu, la méthode lente a produit le résultat le plus précis, tandis que la méthode rapide a produit une erreur relative de 9,3 %.

Une comparaison de la précision de deux modèles de l’univers. Le nouveau modèle (à gauche), surnommé D3M, est à la fois plus rapide et plus précis qu’une méthode existante (à droite) appelée théorie des perturbations du second ordre (Second-order Perturbation Theory), ou 2LPT. Les couleurs représentent l’erreur de déplacement moyenne en millions d’années-lumière pour chaque point de la grille par rapport à un modèle de haute précision (mais beaucoup plus lent). (S. He et coll./PNAS)

 

Plus impressionnant encore, bien qu’il n’ait été formé que sur un seul ensemble de paramètres, le réseau neuronal pouvait prédire la formation de la structure de l’Univers simulé à partir d’autres paramètres sur lesquels il n’avait même pas été formé comme, par exemple, si la quantité de matière noire était variable.

Cela signifie que l’IA pourrait avoir une flexibilité qui lui permettrait de s’adapter à toute une variété de tâches de simulation, bien qu’avant cela, l’équipe espère découvrir comment elle réussit à faire ce qu’elle fait.

L’étude publiée dans The Proceedings of the National Academy of Sciences : Learning to predict the cosmological structure formation et présentée sur le site de la Simons Foundation : The First AI Simulation of the Universe Is Fast and Accurate — and Even Its Creators Don’t Know How It Works.