L'IA conçoit des expériences de physique bizarres mais efficaces

L’Observatoire d’ondes gravitationnelles par interférométrie laser (LIGO) représente le summum de la mesure de précision. Avec ses deux détecteurs aux bras de quatre kilomètres de long situés à Washington et en Louisiane, LIGO utilise des faisceaux laser pour détecter de minuscules ondulations dans l’espace-temps – les ondes gravitationnelles – causées par des événements cosmiques. Sa sensibilité est époustouflante : il peut enregistrer un changement de longueur de bras inférieur à la largeur d’un proton, une précision comparable à la mesure de la distance à Alpha Centauri à la largeur d’un cheveu humain près. Cette merveille d’ingénierie, qui a nécessité plus de deux décennies de construction et de perfectionnement avant sa première détection de trous noirs en collision en 2015, a repoussé les limites physiques grâce à l’ingéniosité humaine minutieuse.

Suite à la découverte révolutionnaire de LIGO, Rana Adhikari, physicien au Caltech qui dirigeait auparavant l’équipe d’optimisation des détecteurs, a cherché à améliorer davantage ses capacités. Son objectif était d’élargir la plage de détection de fréquence de LIGO, lui permettant d’observer une plus grande variété de trous noirs en fusion et potentiellement de découvrir des phénomènes astrophysiques entièrement imprévus. « Nous ne devrions avoir aucun préjugé sur ce que l’univers produit », a remarqué Adhikari, soulignant le désir de nouvelles découvertes.

Pour atteindre cet objectif ambitieux, Adhikari et son équipe se sont tournés vers l’intelligence artificielle. Ils ont utilisé une suite logicielle, initialement développée par le physicien Mario Krenn pour concevoir des expériences d’optique quantique, en la nourrissant d’une liste exhaustive de tous les composants possibles – lentilles, miroirs, lasers – qui pouvaient être configurés en interféromètre. Au début, les conceptions de l’IA étaient déroutantes. Elles apparaissaient « incompréhensibles pour les gens », se souvient Adhikari, les décrivant comme des « choses extraterrestres » ou « un gâchis » dépourvues de tout sens humain de symétrie ou de beauté.

Malgré leur déconcertement initial, les chercheurs ont affiné la sortie de l’IA, rendant ses idées interprétables. Ce qui en a résulté était une conception si contre-intuitive qu’Adhikari a admis qu’il l’aurait rejetée comme « ridicule » si un étudiant l’avait proposée. Pourtant, la solution de l’IA s’est avérée remarquablement efficace. Après des mois d’analyse, l’équipe a compris la logique de l’IA : elle avait ajouté un anneau supplémentaire de trois kilomètres de long pour faire circuler la lumière avant qu’elle ne quitte les bras principaux de l’interféromètre. Il a été constaté que cet ajout apparemment bizarre tirait parti de principes théoriques ésotériques identifiés par des physiciens russes il y a des décennies pour réduire significativement le bruit quantique-mécanique – des principes qui n’avaient jamais été poursuivis expérimentalement. Cette perspicacité pilotée par l’IA, a noté Adhikari, a démontré une capacité à penser « bien en dehors de la solution acceptée », suggérant que si elle avait été disponible lors de la construction de LIGO, elle aurait pu augmenter la sensibilité de l’observatoire d’un « énorme » 10 à 15 pour cent dès le départ. Comme l’a dit Aephraim Steinberg, expert en optique quantique à l’Université de Toronto, l’IA avait accompli quelque chose que « des milliers de personnes n’avaient pas réussi à faire » malgré des décennies de réflexion approfondie sur la conception de LIGO.

L’application de l’IA en physique s’étend au-delà de la conception d’expériences. Elle se révèle également être un outil puissant pour l’analyse de données complexes. L’équipe de Mario Krenn, par exemple, a utilisé son logiciel d’IA, PyTheus, pour relever le défi de l’échange d’intrication, un phénomène quantique où deux particules auparavant non liées deviennent intriquées. Alors que le physicien Anton Zeilinger, lauréat du prix Nobel, avait conçu un montage expérimental pour cela au début des années 1990, PyTheus a conçu une configuration plus simple, mais tout aussi efficace, en tirant des enseignements d’un domaine d’étude différent : l’interférence multiphotonique. Cette conception générée par l’IA a ensuite été confirmée expérimentalement par une équipe en Chine en décembre 2024, démontrant sa validité pratique.

De plus, les algorithmes d’IA déterrent des modèles cachés dans de vastes ensembles de données. Kyle Cranmer, physicien à l’Université du Wisconsin-Madison, a utilisé l’apprentissage automatique pour prédire la densité des amas de matière noire dans l’univers. L’IA a dérivé une formule qui correspondait mieux aux données d’observation que toute équation créée par l’homme, même si l’explication physique sous-jacente restait insaisissable. De même, la scientifique informaticienne Rose Yu de l’Université de Californie, San Diego, a entraîné des modèles d’IA pour identifier les symétries fondamentales dans les données du Grand collisionneur de hadrons. Sans aucune connaissance préalable en physique, l’IA a réussi à redécouvrir les symétries de Lorentz, qui sont cruciales pour les théories de la relativité d’Einstein, prouvant sa capacité à extraire des principes physiques profonds directement des données brutes.

Bien que les modèles d’IA actuels excellent dans la reconnaissance de formes, l’étape cruciale de l’interprétation de ces formes, de la formulation d’hypothèses et de la construction de théories physiques complètes reste largement du domaine de l’intellect humain. Cependant, des experts comme Cranmer et Steinberg sont optimistes quant à l’avenir. L’avènement des grands modèles linguistiques avancés, suggèrent-ils, pourrait bientôt permettre à l’IA d’aider à automatiser le processus même de génération d’hypothèses, ouvrant potentiellement une ère où les découvertes de concepts physiques entièrement nouveaux assistées par l’IA deviendraient une réalité. Cela marque un seuil passionnant pour l’exploration scientifique.