Hervé Henry
La vie, du point de vue de la thermodynamique, est un système hors d’équilibre, résistant aux tendances à augmenter leurs niveaux de désordre. Dans un tel état, la dynamique est irréversible dans le temps. Ce lien entre la tendance au désordre et l’irréversibilité est exprimé comme la flèche du temps par le physicien anglais Arthur Eddington en 1927.
Aujourd’hui, une équipe internationale comprenant des chercheurs de l’Université de Kyoto, de l’Université d’Hokkaido et du Centre basque de mathématiques appliquées a développé une answer pour l’asymétrie temporelle, approfondissant notre compréhension du comportement des systèmes biologiques, de l’apprentissage automatique et des outils d’IA.
“L’étude offre, pour la première fois, une resolution mathématique exacte de l’asymétrie temporelle – également connue sous le nom de output d’entropie – des réseaux d’Ising désordonnés hors d’équilibre”, déclare le co-auteur Miguel Aguilera du Centre basque de mathématiques appliquées.
Les chercheurs se sont concentrés sur un prototype de réseaux complexes à grande échelle appelé modèle d’Ising, un outil utilisé pour étudier les neurones connectés de manière récurrente. Lorsque les connexions entre neurones sont symétriques, le modèle d’Ising est dans un état d’équilibre et présente des états désordonnés complexes appelés verres de spin. La alternative mathématique de cet état a conduit à l’attribution du prix Nobel de physique 2021 à Giorgio Parisi.
Contrairement aux systèmes vivants, cependant, les cristaux de spin sont en équilibre et leur dynamique est réversible dans le temps. Les chercheurs ont plutôt travaillé sur la dynamique d’Ising irréversible dans le temps causée par des connexions asymétriques entre les neurones.
Les solutions exactes obtenues servent de repères pour développer des méthodes approchées d’apprentissage des réseaux de neurones artificiels. Le développement de méthodes d’apprentissage utilisées en plusieurs phases peut faire avancer les études d’apprentissage automatique.
“Le modèle Ising sous-have a tendency les avancées récentes dans l’apprentissage en profondeur et les réseaux de neurones artificiels génératifs. Ainsi, la compréhension de son comportement offre des informations essentielles sur l’intelligence biologique et artificielle en général”, a ajouté Hideaki Shimazaki de la Graduate University of Informatics de KyotoU.
“Nos découvertes sont le résultat d’une collaboration passionnante impliquant des connaissances de la physique, des neurosciences et de la modélisation mathématique”, a fait remarquer Aguilera. “L’approche multidisciplinaire a ouvert la porte à de nouvelles façons de comprendre l’organisation de réseaux complexes à grande échelle et peut-être de déchiffrer la flèche thermodynamique du temps.”
