Apprendre la physique par des algorithmes

Une équipe internationale de scientifiques de la Technische Universität Berlin, de l'Institut Fritz-Haber de la Max-Planck-Gesellschaft et de l'Université du Luxembourg a réussi à combiner l'apprentissage automatique et la mécanique quantique de manière à pouvoir prédire la dynamique et les interactions atomiques dans les molécules avec une précision et une efficacité jusqu'ici inconnues. Les simulations de dynamique moléculaire constituent la base de nombreux modèles en sciences naturelles et en science des matériaux. Leur pouvoir prédictif n'est toutefois aussi bon que la précision des interactions interatomiques sous-jacentes, qui sont décrites sous forme de potentiels. Les potentiels classiques reposent sur des modèles mécanistes, qui ne peuvent pas saisir certains effets quantiques importants. Le travail publié fournit de nouvelles connaissances sur le comportement dynamique complexe des molécules. Cette avancée promet d'améliorer considérablement la capacité de prédiction de la modélisation atomique moderne en chimie, biologie ou sciences des matériaux.

Des connaissances exactes sur la dynamique moléculaire d'une substance, c'est-à-dire des connaissances précises sur les états possibles et les interactions des atomes individuels dans cette molécule, aident non seulement à comprendre mais aussi à exploiter de nombreuses réactions chimiques et physiques. « Les méthodes d'apprentissage automatique ont profondément changé le travail dans de nombreuses disciplines, mais elles ont été peu utilisées jusqu'à présent dans la simulation de dynamique moléculaire », explique le Dr Klaus-Robert Müller, professeur d'apprentissage automatique à la TU Berlin. Le problème : la plupart des algorithmes standards ont été développés en ayant conscience que la quantité de données à traiter est sans importance. « Ce n'est pas le cas pour les calculs quantiques précis d'une molécule, où chaque point de donnée est crucial et où chaque calcul pour des molécules plus grandes peut prendre plusieurs semaines, voire plusieurs mois. La puissance de calcul énorme nécessaire à cela rendait jusqu'ici impossible la simulation de dynamique moléculaire ultraprécise », explique Klaus-Robert Müller.

Ce défi précis a été résolu par les scientifiques en intégrant les lois physiques dans les méthodes d'apprentissage automatique. « La astuce consiste à ne pas calculer tous les états potentiellement possibles de la dynamique moléculaire avec les méthodes d'apprentissage automatique, mais uniquement ceux qui ne découlent pas de lois physiques connues ou de l'application d'opérations de symétrie », explique Klaus-Robert Müller.

D'une part, les algorithmes nouvellement développés exploitent notamment les symétries mathématiques naturelles au sein des molécules. Ils reconnaissent par exemple des axes de symétrie qui ne changent pas les propriétés physiques de la molécule. Ainsi, ces points de données n'ont besoin d'être calculés qu'une seule fois, au lieu de plusieurs, ce qui réduit considérablement la complexité du calcul. D'autre part, la méthode d'apprentissage utilise la loi physique de conservation de l'énergie et ne calcule pas du tout les états moléculaires qui seraient impossibles selon cette loi.

Grâce à cette approche innovante, où les méthodes d'apprentissage automatique utilisées « intègrent » les lois physiques avant d'apprendre à calculer la dynamique moléculaire, l'équipe a réussi à lever la contradiction entre haute précision et efficacité des données.

« Notre approche fournit la clé manquante jusqu'à présent pour atteindre une précision spectroscopique dans les simulations moléculaires, nécessaire à une modélisation vraiment réaliste », explique le Prof. Dr. Alexandre Tkatchenko, responsable du groupe « Physique chimique théorique » à l'Université du Luxembourg.

« Ces algorithmes spécifiques permettent de concentrer la méthode sur les problèmes difficiles de la simulation, plutôt que d'utiliser la puissance de calcul pour reconstruire des relations triviales entre points de données. Ainsi, ce travail démontre de manière impressionnante le potentiel élevé de la combinaison de l'intelligence artificielle et de la chimie ou d'autres sciences naturelles », décrit Klaus-Robert Müller.

Ce travail a été financé par la Deutsche Forschungsgemeinschaft, le Conseil européen de la recherche et la Korean National Research Foundation. Une partie de cette recherche a été menée lors du séjour des auteurs à l'Institut de mathématiques pures et appliquées (IPAM) de l'Université de Californie, Los Angeles (UCLA), soutenu par la National Science Foundation.