Découvrir les secrets du Big Bang grâce à l’intelligence artificielle

Plasma quark-gluon après la collision de deux noyaux lourds

Un plasma quark-gluon après la collision de deux noyaux lourds. Crédit : TU Wien

L’apprentissage automatique peut-il être utilisé pour découvrir les secrets du quark-gluon ? plasma quark-gluon? Oui – mais seulement avec de nouvelles méthodes sophistiquées.

On peut difficilement faire plus compliqué : de minuscules particules tourbillonnent sauvagement avec une énergie extrêmement élevée, d’innombrables interactions se produisent dans l’enchevêtrement de particules quantiques, et il en résulte un état de la matière connu sous le nom de “plasma quark-gluon”. Immédiatement après la Big Bangl’univers entier était dans cet état ; aujourd’hui, il est produit par des collisions de noyaux atomiques à haute énergie, par exemple à l’endroit suivant CERN.

De tels processus ne peuvent être étudiés qu’à l’aide d’ordinateurs très performants et de simulations informatiques très complexes dont les résultats sont difficiles à évaluer. Par conséquent, l’utilisation de l’intelligence artificielle ou de l’apprentissage automatique à cette fin semble être une idée évidente. Cependant, les algorithmes ordinaires d’apprentissage automatique ne sont pas adaptés à cette tâche. Les propriétés mathématiques de la physique des particules exigent une structure très particulière des réseaux neuronaux. À la TU Wien (Vienne), il a été démontré que les réseaux neuronaux peuvent être utilisés avec succès pour ces tâches difficiles en physique des particules.

Réseaux neuronaux

“La simulation d’un plasma quark-gluon de manière aussi réaliste que possible nécessite un temps de calcul extrêmement important”, explique Andreas Ipp, de l’Institut de physique théorique de l’Université de Vienne. “Même les plus grands superordinateurs du monde sont dépassés par cela”. Il serait donc souhaitable de ne pas calculer chaque détail avec précision, mais de reconnaître et de prédire certaines propriétés du plasma à l’aide de l’intelligence artificielle.

On utilise donc des réseaux neuronaux, semblables à ceux utilisés pour la reconnaissance d’images : Des “neurones” artificiels sont reliés entre eux sur l’ordinateur de la même manière que les neurones du cerveau – et cela crée un réseau capable de reconnaître, par exemple, si un chat est visible ou non sur une certaine photo.

L’application de cette technique au plasma quark-gluon pose toutefois un sérieux problème : les champs quantiques utilisés pour décrire mathématiquement les particules et les forces entre elles peuvent être représentés de différentes manières. “C’est ce qu’on appelle les symétries de jauge”, explique l’Ipp. “Le principe de base est connu de tous : si je calibre différemment un appareil de mesure, par exemple si j’utilise l’échelle Kelvin au lieu de l’échelle de mesure de l’eau, j’obtiens un résultat différent. Celsius pour mon thermomètre, j’obtiens des chiffres complètement différents, même si je décris le même état physique. C’est similaire avec les théories quantiques – sauf que là, les changements autorisés sont mathématiquement beaucoup plus compliqués.” Des objets mathématiques qui semblent complètement différents à première vue peuvent en fait décrire le même état physique.

Symétries de jauge intégrées à la structure du réseau

“Si vous ne tenez pas compte de ces symétries de jauge, vous ne pouvez pas interpréter de manière significative les résultats des simulations informatiques”, explique le Dr David I. Müller. “Il serait extrêmement difficile d’apprendre à un réseau neuronal à comprendre ces symétries de jauge par lui-même. Il vaut mieux commencer par concevoir la structure du réseau neuronal de manière à ce que la symétrie de jauge soit automatiquement prise en compte – de sorte que différentes représentations du même état physique produisent également les mêmes signaux dans le réseau neuronal”, explique M. Müller. “C’est exactement ce que nous avons réussi à faire : Nous avons développé des couches de réseau entièrement nouvelles qui prennent automatiquement en compte l’invariance de jauge.” Dans certaines applications de test, il a été démontré que ces réseaux peuvent effectivement apprendre beaucoup mieux comment traiter les données de simulation du plasma quark-gluon.

“Avec de tels réseaux neuronaux, il devient possible de faire des prédictions sur le système – par exemple, d’estimer à quoi ressemblera le plasma quark-gluon à un moment ultérieur sans vraiment devoir calculer en détail chaque étape intermédiaire dans le temps”, explique Andreas Ipp. “Et en même temps, on s’assure que le système ne produit que des résultats qui ne contredisent pas la symétrie de jauge – en d’autres termes, des résultats qui ont un sens, au moins en principe.”

Il faudra attendre un certain temps avant de pouvoir simuler entièrement les collisions du noyau atomique au CERN avec de telles méthodes, mais ce nouveau type de réseaux neuronaux constitue un outil totalement nouveau et prometteur pour décrire des phénomènes physiques pour lesquels toutes les autres méthodes de calcul ne seront peut-être jamais puissantes…suffisant.

Référence : “Lattice Gauge Equivariant Convolutional Neural Networks” par Matteo Favoni, Andreas Ipp, David I. Müller et Daniel Schuh, 20 janvier 2022, Physical Review Letters.
DOI: 10.1103/PhysRevLett.128.032003

Leave a Comment