Colloque

Apprentissage automatique informé par la physique : l’importance de la préservation des symmetries

Tara Akhound-Sadegh

Membre a labase

Tara Akhound-Sadegh : Université McGill

Résumé de la communication

Les réseaux neuronaux se sont avérés très efficaces dans diverses applications, telles que la reconnaissance d'images et la traduction. Cependant, ils ont encore du mal à modéliser des systèmes physiques complexes. Les développements récents de l'apprentissage automatique, et plus particulièrement de l'apprentissage profond, se sont inspirés de concepts de la physique pour améliorer les performances des modèles. Par exemple, certains de ces modèles se sont inspirés des lois de conservation de la physique en construisant des modèles équivariants par rapport à des transformations de symétrie spécifiques. Dans cet exposé, je discuterai de la manière dont les symétries peuvent être utilisées comme biais inductif dans l'apprentissage profond. Plus précisément, je parlerai des symétries des équations différentielles et de la façon dont elles peuvent être exploitées dans les solveurs neuronaux d' équations différentielles partielles.

Résumé du colloque

Au cours des dernières décennies, l’astrophysique a révolutionné notre compréhension de l’Univers. Nous savons maintenant que notre Univers est principalement constitué de matière noire et d’énergie noire, responsables respectivement de la formation des galaxies et de l’expansion accélérée de l’Univers. Pour la première fois, des ondes gravitationnelles provenant de la fusion de trous noirs binaires ont été détectées, et les régions les plus internes des trous noirs à proximité ont été imagées. Nous avons cartographié le fond diffus cosmologique, une image de l’Univers datant d’il y a 13,6 milliards d’années, révélant la structure de l’Univers avant la naissance des étoiles et des galaxies. Des milliers de planètes en orbite autour d’étoiles lointaines ont été détectées et, dans certains cas, leurs atmosphères ont été analysées.

Malgré ces percées, de nombreuses questions fondamentales sur l’Univers restent sans réponse. Près d’un siècle après sa découverte, la nature de la matière noire nous reste totalement inconnue. Ainsi, mesurer les propriétés de ces particules mystérieuses est l’une des principales priorités de la cosmologie moderne, car cela pourrait nous en apprendre plus sur la physique fondamentale. L’existence de la matière noire, quant à elle, expose l’incomplétude du modèle standard de la physique des particules. Dans l’Univers plus proche, la réponse à l’une des questions les plus anciennes façonne le domaine : y a-t-il de la vie au-delà de la Terre? La détection de milliers d’exoplanètes a rendu plus que jamais palpable la possibilité d’une réponse à cette question. Ces questions fondamentales, qui visent à éclairer notre compréhension de la physique fondamentale et peut-être de la vie, et les façons tangibles d’y répondre, seront au cœur de la prochaine décennie en astrophysique. Ce colloque constitue un lieu de rencontre pour discuter des problèmes et des méthodologies auxquels les astrophysiciens font face dans leurs domaines respectifs.

Étant une science ancrée dans les données, l’astrophysique et la cosmologie modernes cherchent à collecter et à analyser plus de données que jamais auparavant pour répondre à ces questions clés. Une nouvelle génération de télescopes, d’observatoires et de relevés du ciel est à la veille de transfigurer ce domaine en produisant des volumes colossaux de données d’une qualité sans précédent et inestimable. Malgré les promesses de découvertes, l’analyse de ces données pour y arriver présentera un défi de taille. La précision des analyses est un autre obstacle majeur à l’aube de cette nouvelle ère des grandes données en astrophysique. Ces défis sous-tendent le besoin crucial de développer de nouvelles méthodes de calcul et d’analyse de données en astrophysique et en cosmologie, particulièrement des méthodes basées sur l’apprentissage automatique et l’intelligence artificielle.