Apprendre la dynamique intrinsèque des processus spatio-temporels grâce aux réseaux de dynamiques latentes
Le résultat d'une nouvelle étude sur la dynamique intrinsèque des processus spatio-temporels menée au laboratoire MOX du Politecnico di Milano (Département de Mathématiques) par Francesco Regazzoni, Stefano Pagani, Matteo Salvador a été publié dans Communications naturelles.
Les chercheurs du Politecnico ont introduit un type innovant de réseau neuronal artificiel appelé « Réseau de dynamique latente » (LDNet), qui ouvre de nouvelles perspectives dans l'étude de l'évolution des systèmes à dynamique spatio-temporelle en réponse à des stimuli externes.
Prédire l’évolution de systèmes complexes est essentiel au progrès scientifique. Les approches traditionnelles basées sur des simulations numériques et des modèles mathématiques se caractérisent cependant souvent par un coût et un temps de calcul prohibitifs, limitant leur applicabilité dans des contextes concrets.
La nouveauté introduite par les chercheurs du Politecnico est l'utilisation de techniques d'intelligence artificielle pour décrire l'évolution du système dans des espaces de faible dimension, fournissant ainsi des prédictions précises dans des délais extrêmement courts.
L'utilisation traditionnelle d'équations différentielles pour modéliser des phénomènes spatio-temporels, tels que la dynamique des fluides, la propagation des ondes et la dynamique moléculaire, pose d'importants défis mathématiques et informatiques. Les méthodes basées sur les données, comme le soulignent les chercheurs du Politecnico, représentent un nouveau paradigme capable de surmonter ces limites. Les approches basées sur les données peuvent apprendre directement des données expérimentales ou créer des substituts pour des modèles haute fidélité, fournissant ainsi des résultats plus rapidement et plus efficacement.
La méthode proposée : Réseaux à Dynamique Latente
Dans cette étude, les chercheurs du Politecnico ont introduit les réseaux de dynamique latente (LDNet), qui offrent des innovations significatives par rapport aux méthodologies existantes. De tels réseaux de neurones sont capables de détecter automatiquement la dynamique intrinsèque du système physique étudié en représentant son état avec un petit nombre de variables appelées variables latentes.
Par rapport aux méthodes basées sur les données considérées comme à la pointe de la technologie, les LDNets permettent d'obtenir des résultats jusqu'à cinq fois plus précis, tout en permettant une réduction de plus de 90 % du nombre de paramètres requis.
Les implications et les perspectives d'avenir de cette innovation sont vastes, allant de la dynamique des fluides à la biomécanique, des sciences de la terre à l'épidémiologie, pour n'en citer que quelques-unes. Les LDNets promettent de révolutionner l'étude des systèmes complexes avec une dynamique espace-temps, ayant un impact positif sur divers aspects de la recherche scientifique, des simulations en temps réel à l'analyse de sensibilité, en passant par l'estimation des paramètres et la quantification de l'incertitude.
