Une équipe de chercheurs de l’École polytechnique fédérale de Lausanne (EPFL) a conçu un algorithme d’intelligence artificielle (IA) capable de simuler des systèmes dynamiques complexes tout en respectant les lois fondamentales de la physique, notamment la troisième loi de Newton. Publié dans Nature Communications, ce travail présente Dynami-CAL GraphNet, une nouvelle architecture d’intelligence artificielle intégrant directement le principe de l’action et de la réaction. Contrairement aux modèles d’IA traditionnels, qui s’appuient sur des statistiques pour deviner le comportement physique et tendent à produire des prédictions incohérentes avec le temps, Dynami-CAL GraphNet est conçu pour garantir la cohérence physique dès la structure algorithmique. L’algorithme repose sur un réseau de neurones à graphes (GNN), où les objets interagissant sont modélisés comme des nœuds et leurs interactions comme des arêtes. En intégrant explicitement la troisième loi de Newton — selon laquelle toute action engendre une réaction égale et opposée — dans l’architecture même du modèle, les chercheurs assurent que les forces calculées respectent toujours les lois de la mécanique. Cela permet au système de maintenir une stabilité remarquable, même dans des scénarios inédits ou à grande échelle. Alors que d’autres modèles s’écartent rapidement de la réalité après quelques itérations, Dynami-CAL GraphNet reste stable sur plus de 16 000 étapes consécutives tout en conservant une cohérence physique. Les tests ont porté sur des systèmes variés : collisions de sphères granulaires dans un mélangeur industriel, mouvements humains à partir de données de capture de mouvement, et dynamique de molécules de protéines en milieu liquide. Dans chaque cas, le modèle a réussi à extrapoler avec précision à partir de simulations très simples — par exemple, un petit nombre de particules dans une boîte fixe — pour prédire des comportements complexes impliquant des milliers de particules, des parois mobiles ou des interactions moléculaires subtiles. Un avantage majeur réside dans la faible quantité de données nécessaires pour l’entraînement. Le modèle peut apprendre à prédire un pas de temps à partir de données simples de posture humaine, puis inférer toute la trajectoire du mouvement. De plus, contrairement aux « boîtes noires » classiques, Dynami-CAL GraphNet fournit des résultats interprétables : les forces, moments, échanges de quantité de mouvement sont calculés étape par étape de manière transparente, permettant aux utilisateurs de vérifier le respect des lois de conservation de la quantité de mouvement linéaire et angulaire. Selon Olga Fink, responsable du laboratoire IMOS, cette capacité d’extrapolation — rare chez les modèles d’apprentissage automatique — ouvre la voie à des simulations fiables dans des domaines critiques comme la robotique, la mécanique des matériaux ou la biophysique. L’algorithme combine donc la flexibilité de l’IA avec la rigueur des lois physiques, offrant une solution prometteuse pour des simulations stables, crédibles et compréhensibles.