Une étude réalisée par des chercheurs de l'Université d'Hawaiʻi fait progresser la façon dont nous apprenons les lois qui régissent les systèmes complexes – des relations prédateur-proie aux modèles de trafic dans les villes à la croissance et au changement des populations, en utilisant l'intelligence artificielle (IA) et la physique.
La recherche, publiée dans Recherche d'examen physiqueintroduit une nouvelle méthode basée sur la mécanique statistique pour améliorer la découverte des équations directement à partir de données réelles bruyantes. La mécanique statistique est une branche de la physique qui explique comment le comportement collectif émerge des particules individuelles, telles que la façon dont le mouvement aléatoire des molécules de gaz entraîne des changements prévisibles de pression et de température.
Dans ce nouveau travail, la mécanique statistique est utilisée pour comprendre comment les différents modèles mathématiques « rivalisent » lorsque vous essayez d'expliquer un système. Cela est important car de nombreux domaines scientifiques comptent sur la compréhension du changement des systèmes au fil du temps, que ce soit la propagation de la maladie, l'analyse du changement climatique ou la prévision du marché boursier. Mais les données du monde réel sont souvent désordonnées et les modèles d'IA traditionnels peuvent être peu fiables lorsque les données deviennent bruyantes ou incomplètes.
La nouvelle approche aide à séparer les informations utiles du bruit non pertinent, donnant aux chercheurs plus confiance qu'une équation découverte reflète réellement la réalité.
« Ce travail repousse non seulement les limites de la façon dont nous utilisons l'IA et la physique pour comprendre les systèmes complexes, mais met également en évidence les recherches de pointe qui se produisent ici à Hawaï », a déclaré Andrei A. Klishin, auteur principal de l'étude et professeur adjoint au Département d'ingénierie mécanique de l'UH Mānoa.
« Cela montre que UH est un endroit où la science fondamentale rencontre un impact réel – quelque chose qui est incroyablement important pour former la prochaine génération de penseurs et d'innovateurs dans notre état. »
Quand plus est moins
L'étude montre que lorsque la collecte de données ne vous aidera pas, un aperçu qui peut gagner du temps et des ressources. En empruntant des outils tels que «l'énergie libre» et la «fonction de partition» de la physique, la méthode s'identifie lorsqu'un modèle est susceptible d'échouer en raison de la complexité ou du manque de données.
Il estime également la quantité d'incertitude dans le résultat, un facteur clé lors de la prise de décisions réelles en fonction des données. Cette innovation dirigée par l'UH pourrait avoir un impact, de l'ingénierie et de l'écologie à l'économie et à la médecine, où la compréhension des règles derrière les données peut conduire à de meilleures prédictions, à des décisions plus intelligentes et à des informations plus approfondies sur le fonctionnement de notre monde.
