L’IA pourrait nous aider à comprendre l’Univers, selon cette étude

Une nouvelle étude se penche sur les avantages de l’utilisation de l’intelligence artificielle pour mieux comprendre l’Univers. Toutefois, les chercheurs pointent également du doigt quelques défauts inhérents à cette technologie.

L’étude de notre Univers est, en grande partie, une histoire de calculs. Et ça tombe bien : l’intelligence artificielle est particulièrement « douée » dans le domaine. Les scientifiques commencent donc à utiliser cette technologie pour faciliter, voire accélérer, leur travail. Des chercheurs utilisent par exemple l’IA pour détecter des anomalies spatiales. Récemment, une IA a permis de détecter un astéroïde « particulièrement dangereux ». Cette technologie pourrait par ailleurs nous permettre de détecter des signaux extraterrestres.

Dans ce cadre, des chercheurs ont décidé d’entraîner un réseau neuronal d’IA à partir du modèle cosmologique standard, baptisé ΛCDM. Les scientifiques ont cherché à comprendre l’impact de cet entraînement sur la résolution de problèmes cosmologiques ou astrophysiques particulièrement complexes.

Dans le cadre de cette étude, les chercheurs ont utilisé une méthode d’apprentissage baptisée transfer learning (apprentissage par transfert). L’IA se serait montrée particulièrement performante pour comprendre le modèle standard. 

Ce succès représenterait ainsi « un bel exemple de la manière dont l’IA peut aider la science à progresser plus rapidement lorsqu’elle est utilisée de façon structurée », selon Adrian E. Bayer, co-auteur de l’étude et cosmologiste.

L’intelligence artificielle montre ses limites

Toutefois, l’IA n’a pas tardé à montrer ses limites. Celle-ci aurait eu du mal à intégrer de nouveaux phénomènes physiques qui « se superposaient à des directions déjà apprises dans l’espace des paramètres du modèle standard ».

« L’apprentissage par transfert peut offrir à l’IA une avance considérable, nous permettant d’explorer beaucoup plus d’hypothèses sur l’Univers que ce qui serait autrement possible », poursuit le chercheur. « Mais lorsqu’un modèle transporte des connaissances d’un contexte à un autre, nous devons comprendre précisément ce qu’il transporte : à quel moment ces connaissances sont utiles et à quel moment elles risquent de nous induire en erreur. »

« Le résultat concernant le transfert négatif est fascinant, car il montre que le modèle n’échoue pas de manière aléatoire », explique Adrian E. Bayer. « Comprendre dans quelles situations l’apprentissage par transfert est bénéfique et dans lesquelles il renforce ces dégénérescences est essentiel pour utiliser l’IA de manière fiable dans les futures analyses cosmologiques. » 

Source : iopscience