Des chercheurs de la North Carolina Condition College ont découvert que l’enseignement de la physique aux réseaux de neurones permet à ces réseaux de mieux s’adapter au chaos dans leur environnement. Le travail a des implications pour l’amélioration des programs d’intelligence artificielle (IA) allant du diagnostic médical au pilotage automatisé de drones.

Les réseaux de neurones sont un form avancé d’IA basé sur le fonctionnement de notre cerveau. Nos neurones naturels échangent des impulsions électriques en fonction de la power de leurs connexions. Les réseaux de neurones artificiels imitent ce comportement en ajustant les poids et les biais numériques pendant les séances d’entraînement pour minimiser la différence entre leurs résultats réels et souhaités. Par exemple, un réseau de neurones peut être formé pour identifier des photos de chiens en passant au crible un grand nombre de photographs, en devinant si la photograph est d’un chien, en voyant à quelle distance il est, puis en ajustant ses poids et ses biais jusqu’à ce qu’ils sont moreover proches de la réalité.

Enseigner la physique aux réseaux de neurones supprime la «cécité du chaos»

L’inconvénient de cette formation de réseau de neurones est quelque chose appelé «cécité du chaos» – une incapacité à prédire ou à répondre au chaos dans un système. L’IA conventionnelle est aveugle au chaos. Mais les chercheurs du Laboratoire d’Intelligence Artificielle Non Linéaire (NAIL) de NC State ont découvert que l’incorporation d’une fonction hamiltonienne dans les réseaux de neurones leur permet de mieux « voir » le chaos dans un système et de s’adapter en conséquence.



Autrement dit, l’hamiltonien incarne les informations complètes sur un système physique dynamique – la quantité totale de toutes les énergies présentes, cinétiques et potentielles. Imaginez un pendule oscillant, se déplaçant d’avant en arrière dans l’espace au fil du temps. Regardez maintenant un instantané de ce pendule. L’instantané ne peut pas vous dire où ce pendule est dans son arc ou où il va ensuite. Les réseaux de neurones conventionnels fonctionnent à partir d’un instantané du pendule. Les réseaux de neurones familiers avec le flux hamiltonien comprennent l’intégralité du mouvement du pendule – où il est, où il sera ou pourrait être, et les énergies impliquées dans son mouvement.

Dans un projet de preuve de thought, l’équipe NAIL a incorporé la structure hamiltonienne dans les réseaux de neurones, puis les a appliqués à un modèle connu de dynamique stellaire et moléculaire appelé modèle Hénon-Heiles. Le réseau neuronal hamiltonien a prédit avec précision la dynamique du système, même s’il se déplaçait entre l’ordre et le chaos.

« Le hamiltonien est vraiment la » sauce spéciale « qui donne aux réseaux de neurones la capacité d’apprendre l’ordre et le chaos », explique John Lindner, chercheur invité au NAIL, professeur de physique au College or university of Wooster et auteur correspondant d’un report décrivant le travail. « Avec l’hamiltonien, le réseau neuronal comprend la dynamique sous-jacente d’une manière qu’un réseau conventionnel ne peut pas. Il s’agit d’une première étape vers des réseaux neuronaux avertis de la physique qui pourraient nous aider à résoudre des problèmes difficiles. »

Le travail apparaît dans Physical Evaluation E et est soutenu en partie par le Bureau de la recherche navale (subvention N00014-16-1-3066). Le chercheur postdoctoral NC State Anshul Choudhary est le leading auteur. Monthly bill Ditto, professeur de physique à NC State, est directeur de NAIL. Chercheur invité Scott Miller Sudeshna Sinha, de l’Institut indien d’enseignement et de recherche scientifiques Mohali et Elliott Holliday, étudiant diplômé de NC Point out, ont également contribué aux travaux.