Discussion :

[Stan Adkens]

Un système d'intelligence artificielle apprend les lois fondamentales de la mécanique quantique,
Selon un rapport de recherche

L'intelligence artificielle et les algorithmes d'apprentissage machine continuent de catalyser les découvertes dans le domaine de la recherche scientifique. Une récente méthode mise au point par des chercheurs a permis de savoir que l'IA peut être utilisée pour prédire les états quantiques des molécules, appelés fonctions d'onde, qui déterminent toutes les propriétés des molécules. Selon les chercheurs à l’origine de la découverte, leur algorithme pourrait également accélérer considérablement les futurs efforts de simulation dans la conception de molécules de médicaments ou de nouveaux matériaux.

La nouvelle méthode d'IA a été développée par une équipe interdisciplinaire de chimistes, de physiciens et d'informaticiens de l'Université de Warwick, de l'Université technique de Berlin et de l'Université du Luxembourg. Les algorithmes d’IA et le Machine Learning sont en train de faire parler d’eux dans plusieurs domaines tels que le commerce, la médecine, l’éducation, la conduite autonome, le divertissement, etc. L’IA ne laisse pas de côté le domaine de la recherche scientifique où elle s'impose comme un outil essentiel de découvertes scientifiques.

Selon un article intitulé « Unifier l'apprentissage machine et la chimie quantique avec un réseau neuronal profond pour les fonctions d'ondes moléculaires » qui a été publié le 15 novembre 2019 dans Nature Communications, l'intelligence artificielle est devenue, en chimie, un outil essentiel pour prédire les résultats des expériences ou des simulations de systèmes quantiques. Et pour y parvenir, l'IA doit être capable d'intégrer systématiquement les lois fondamentales de la physique, d’après les chercheurs.

Selon l’article de l’équipe de chercheurs dirigée par l'Université de Warwick, pour prédire les fonctions des ondes moléculaires et les propriétés électroniques des molécules, l’IA doit apprendre à résoudre les équations fondamentales de la mécanique quantique. En effet, la résolution de ces équations de manière conventionnelle nécessite des ressources de calcul haute performance massives (des mois de temps de calcul), ce qui constitue généralement le goulot d'étranglement pour la conception informatique de nouvelles molécules spécialement conçues pour des applications médicales et industrielles.

Selon les chercheurs, l'apprentissage machine est en train de faire progresser la chimie et la science des matériaux en permettant l'exploration à grande échelle de l'espace chimique sur la base de calculs chimiques quantiques. Cependant, bien que ces modèles existants fournissent des prévisions rapides et précises des propriétés chimiques atomistiques, ils ne saisissent pas explicitement les degrés de liberté électroniques d'une molécule, ce qui limite leur applicabilité à la chimie réactive et à l'analyse chimique.

L'algorithme d'IA nouvellement développé par l’équipe composée de chimistes, de physiciens et d'informaticiens peut fournir des prédictions précises en quelques secondes sur un ordinateur portable ou un téléphone mobile. Selon l’article, sur plusieurs exemples, les chercheurs ont démontré que cela ouvre des voies prometteuses pour effectuer la conception inverse de structures moléculaires afin de cibler l'optimisation des propriétés électroniques et une voie claire vers une synergie accrue de l'apprentissage machine et de la chimie quantique.

Le Docteur Reinhard Maurer du Département de chimie de l'Université de Warwick, a commenté les travaux de l’équipe en disant : « Ce fut un effort conjoint de trois ans, qui a nécessité un savoir-faire en informatique pour développer un algorithme d'intelligence artificielle suffisamment flexible pour capturer la forme et le comportement des fonctions d'ondes, mais aussi un savoir-faire en chimie et en physique pour traiter et représenter les données chimiques quantiques sous une forme gérable pour l'algorithme ».

« Tous les concepts chimiques et les propriétés physiques des molécules sont déterminés par l'équation électronique de Schrödinger et dérivent de la fonction d'onde de l'état de base. Ainsi, un modèle Machine Learning de structure électronique qui prédit directement la fonction d'onde de l'état fondamental permettrait non seulement d'obtenir toutes les propriétés de l'état fondamental, mais pourrait ouvrir des voies vers de nouvelles méthodes approximatives de chimie quantique basées sur une interface entre la ML et la chimie quantique », lit-on dans l’article des chercheurs.

Klaus Robert-Muller, de l'Institut de génie logiciel et d'informatique théorique de l'Université technique de Berlin, a ajouté : « Ce travail interdisciplinaire est un progrès important, car il montre que les méthodes d'IA peuvent efficacement réaliser les aspects les plus difficiles des simulations moléculaires quantiques. Dans les années à venir, les méthodes d'IA vont s'imposer comme une partie essentielle du processus de découverte en chimie informatique et en physique moléculaire ».

Ses travaux ont été réalisés dans le cadre d'un programme de bourse interdisciplinaire de trois mois à l'IPAM (Institute for Pure and Applied Mathematics), un institut américain de mathématiques situé sur le campus de l’Université de Californie à Los Angeles (UCLA). L’équipe était réunie autour du thème de l'apprentissage machine en physique quantique.

Le professeur Alexandre Tkatchenko du Département de Physique et de Recherche sur les Matériaux de l'Université du Luxembourg a conclu en disant : « Ce travail permet un nouveau niveau de conception de composés où les propriétés électroniques et structurelles d'une molécule peuvent être réglées simultanément pour atteindre les critères d'application souhaités ».

Selon un commentateur du sujet, qui dit qu’il fait également des recherches dans ce domaine, les travaux des chercheurs sont importants, car ils ont déterminé une nouvelle façon d'infuser la physique et la chimie avec le ML. Cependant, selon lui, les résultats présentés n'auront pas d'impact immédiat sur la façon dont la chimie théorique est effectuée. Et vous, que pensez-vous des résultats des travaux de l’équipe ?

Source : « Unification de l'apprentissage machine et de la chimie quantique avec un réseau neuronal profond pour les fonctions d'ondes moléculaires »

Et vous ?

Que pensez-vous des résultats des travaux de ces chercheurs ?
Le Machine Learning va-t-il devenir outil incontournable aux prédictions des résultats des expériences ?

Lire aussi

Un apprentissage profond rapide pour un grand nombre de classes, MACH diminue fortement la quantité de mémoire et le temps d'entraînement
L'IA identifie des caractéristiques auparavant inconnues associées à la récurrence du cancer, selon un nouveau rapport
Ubisoft a construit une nouvelle IA pour apprendre à une voiture à se conduire dans un jeu de course, en utilisant l'apprentissage par renforcement
Airbnb prétend que son IA peut prédire si les clients sont des psychopathes, après avoir scanné leur vie en ligne et regroupé des informations sur eux

[MRSizok]

A la vitesse où vont les choses les gens vont arrêter de réfléchir et auront une IA pour leurs 18 ans. Après les lunettes qui traduit tout. La lentille qui réfléchit pour toi?

L'IA devrait être implanté Si et seulement si, le domaine est Maîtrisé par l'humain, dans un premier temps.

Bon au final cette news sur les bases Quantique paye pas de mine en soit. Mais au final, vous cumulé toutes les news sur l'avancé de l'IA et le site https://willrobotstakemyjob.com/ . Je penses que je ne me met pas le doigt dans l'implant occulaire.

Ahh, je me rappel de l'époque des Tamagochi. T'as vue moi je nourris mon IA avec du Quantique. Moi avec la PNL des gens lors de leur achat. Moi sur des jeux de guerres. Et le Harakiri de l'année est décerné à..

Conclusion : Le Roi est mort! Vive le Roi! L'humain est mort? Vive l'IA? (2nd degré)

[Matthieu Vergne]

Que pensez-vous des résultats des travaux de ces chercheurs ?

Que ça ressemble beaucoup au cas d'application au problème à trois corps en astronomie :
https://intelligence-artificielle.de...om/actu/283953

Que je résumerai comme : oui c'est bien, mais n'oublions pas que ça fait des approximations relativement arbitraires et dont l'impact est difficile à évaluer, donc très bien pour de l'environ, mais pas adapté pour du calcul fiable.

En revanche, ici, on n'a aucun détail technique, que des avis. Donc impossible d'en dire quoi que ce soit, mais j'ai l'impression que c'est du même acabit.

Le Machine Learning va-t-il devenir outil incontournable aux prédictions des résultats des expériences ?

C'est en effet un outil fort intéressant pour gagner du temps, mais il ne faut pas oublier que ça se base sur des approximations. Ça ne fait pas les calculs plus vite, ça détermine de nouveaux calculs pour approcher au mieux ceux qu'on essaye de reproduire. À la manière de la régression linéaire, qui approxime un ensemble de point comme une droite parfaite : on s'impose un modèle donné (e.g. une droite y=ax+b) et on essaye de trouver une instance (valeurs a & b) qui approche au mieux nos données.

Le truc, c'est qu'on peut toujours trouver une instance, donc il est toujours possible d'avoir un résultat. La vrai question est sur la qualité de ce résultat. Et ça c'est pas facile à évaluer objectivement : on peut calculer une distance par rapport au modèle d'origine, mais ce n'est pas toujours facile et cela ne nous éclaire pas sur l'existence de meilleurs modèles. Il s'agit donc de décider à un moment donné si le résultat nous satisfait ou pas, ce qui se fait généralement de manière arbitraire.

Donc oui, pour les problèmes nécessitant de longs calculs, le ML est un outil tout à fait intéressant. Mais tout au plus pour orienter les recherches. Par exemple, on va effectuer une approximation pour savoir si le calcul qu'on souhaite faire peut engendrer des résultats intéressants, mais le cas échéant il vaudra mieux repasser aux calculs d'origine pour le confirmer. L'avantage du ML est de perdre moins de temps à chercher les cas intéressants. En dehors de ces cas "sérieux", on aura toujours les cas de simulation "jouet", où une approximation fera très bien le boulot.