Des chercheurs de l'Université de technologie de Chalmers en Suède ont mis au point un système d'intelligence artificielle capable d'accélérer considérablement la conception de composants optiques à l'échelle nanométrique. Cette approche, publiée dans la revue Laser & Photonics Reviews, intègre directement les lois fondamentales de la physique et de l'électromagnétisme au sein de ses algorithmes d'apprentissage. Le projet, dirigé par le professeur Philippe Tassin et le doctorant Viktor Lilja, vise à optimiser le développement de matériaux artificiels pour le domaine de la nanophotonique, soit la manipulation de la lumière à une échelle inférieure à sa longueur d'onde. Ces matériaux pourraient révolutionner la fabrication de lentilles plus fines et plus légères pour les appareils photo et les lunettes, tout en soutenant la recherche sur les ordinateurs quantiques. Jusqu'à présent, la conception de ces structures reposait sur des simulations massives alimentant des réseaux neuronaux. Générer les données nécessaires était extrêmement chronophage, pouvant prendre jusqu'à un mois pour entraîner un modèle unique. Les chercheurs ont observé que si l'intelligence artificielle apprenait seule les principes physiques à partir de ces données brutes, le processus était lent et souvent sujet à des incohérences physiques. Pour résoudre ce goulot d'étranglement, l'équipe a décidé d'enseigner les équations de base de la propagation lumineuse au réseau neuronal avant même son entraînement. En fournissant cette base de connaissances théoriques dès le départ, le modèle n'a plus besoin de réinventer les principes fondamentaux lors de ses calculs. Le gain de performance est immédiat : le temps de simulation est réduit à un dixième de sa durée initiale, passant de trente jours à trois jours. La précision des prédictions s'améliore également, permettant d'obtenir les propriétés optiques d'une structure en quelques millisecondes tout en filtrant les résultats physiquement impossibles. Cette méthodologie démontre que l'intégration de connaissances scientifiques explicites dans les modèles d'apprentissage automatique peut nettement optimiser leur efficacité. Selon les auteurs, cette accélération du cycle de calcul permettra aux ingénieurs de tester davantage de configurations et de réduire le temps de développement des futurs composants optiques avancés, avec des retombées potentielles dans les télécommunications, la vision artificielle et le traitement de l'information quantique.