Des chercheurs de l’Université de Bayreuth ont mis au point une méthode fondée sur l’intelligence artificielle qui accélère considérablement le calcul des propriétés des liquides en apprenant les relations physiques fondamentales qui les régissent. Leur approche, présentée dans une étude publiée dans Physical Review Letters, permet de prédire le potentiel chimique — une grandeur essentielle pour décrire les liquides en équilibre thermodynamique — de manière beaucoup plus rapide que les méthodes traditionnelles. La plupart des méthodes d’intelligence artificielle actuelles reposent sur l’apprentissage supervisé : un modèle, comme un réseau de neurones, est entraîné à prédire directement une quantité cible à partir d’exemples. Par exemple, dans la reconnaissance d’images, l’IA apprend à identifier un chat en analysant des milliers d’images marquées comme « avec chat » ou « sans chat ». Toutefois, ce type d’approche directe est difficilement applicable au potentiel chimique, car sa détermination exige des algorithmes très coûteux en calcul. Pour relever ce défi, le professeur Matthias Schmidt, titulaire de la chaire de physique théorique II à l’Université de Bayreuth, et son collaborateur Dr. Florian Sammüller ont conçu une nouvelle méthode d’IA qui ne cherche pas à apprendre le potentiel chimique lui-même. Plutôt, l’IA apprend une fonctionnelle universelle de densité — un concept théorique central en physique des milieux doux — qui décrit les relations physiques fondamentales propres aux liquides, indépendamment du système spécifique étudié. Ce qui distingue cette méthode, selon Schmidt, c’est que « l’IA n’apprend pas directement le potentiel chimique ». En revanche, elle apprend une fonctionnelle universelle qui reste valable pour de nombreux systèmes différents, comme un liquide posé sur des surfaces différentes, même si celles-ci ont des structures ou matériaux variés. « Ces propriétés intrinsèques du liquide — comme sa réponse aux variations de densité ou aux champs extérieurs — sont capturées par cette fonctionnelle, que l’IA apprend grâce à des données simulées », explique-t-il. Une fois cette fonctionnelle apprise, elle permet de relier la densité du liquide et le potentiel extérieur — par exemple, celui d’une surface structurée — à un écart restant. Ce dernier n’est pas comblé par l’IA, mais par des principes physiques fondamentaux. En effet, à partir de considérations de stabilité thermodynamique, on sait que cet écart correspond de manière unique au potentiel chimique. « Notre méthode allie apprentissage guidé par les données et connaissances théoriques profondes : l’IA fournit un cadre universel via la fonctionnelle de densité, tandis que le potentiel chimique est déduit de lois physiques établies », souligne Sammüller. « En termes de reconnaissance d’images, cela reviendrait à une IA qui pourrait reconnaître un chat sans jamais en avoir vu pendant son entraînement. » Cette approche indirecte, mais rigoureusement fondée sur la physique, permet une prédiction précise et rapide du potentiel chimique, ouvrant la voie à des simulations de liquides beaucoup plus efficaces, notamment dans des systèmes complexes.