Dans un article récemment publié dans Physical Review Research, Deepmind a montré comment l’apprentissage profond ou deep learning peut aider à résoudre des équations fondamentales de la mécanique quantique pour des systèmes du monde réel. « Il ne s’agit pas seulement d’une question scientifique fondamentale importante, cela peut aussi conduire à des usages pratiques dans le futur, permettant aux chercheurs de prototyper de nouveaux matériaux et des synthèses chimiques « in silico » avant d’essayer de les faire en laboratoire », expliquent les chercheurs dans un billet. Deepmind, spécialiste britannique de l’intelligence artificielle racheté en 2014 par Google, livre donc maintenant sur GitHub le code issu de l’étude qu’ils ont réalisée pour que les communautés de physico-chimie numérique puissent l’appliquer dans le cadre de leurs recherches. « Nous avons développé une nouvelle architecture de réseau neuronal, la Fermionic Neural Network ou FermiNet, bien adaptée à la modélisation de l’état quantique de grandes collections d’électrons, les éléments fondamentaux des liaisons chimiques », exposent les chercheurs de Deepmind.

Aider à résoudre des problèmes fondamentaux en sciences naturelles

Le FermiNet constitue la première démonstration de deep learning pour le calcul de l’énergie des atomes et des molécules à partir des premiers principes suffisamment précis pour être utile. C’est encore, ajoute l’équipe, la plus précise à ce jour. L’objectif, avec les outils et idées transmis par le laboratoire d’IA, est d’aider à résoudre des problèmes fondamentaux dans les sciences naturelles. Cela s’ajoute aux travaux déjà menés par Deepmind sur le repliement des protéines, la dynamique vitreuse, la chromodynamique quantique en treillis et autres projets.

Dans leur billet, les chercheurs illustrent la présentation du réseau neuronal Fermionic de graphiques et d’une simulation d'électrons tournant autour de la molécule bicyclobutane. Ces travaux ont une première fois été communiqués sur arXiv l’an dernier et d’autres groupes de chercheurs ont déjà partagés leurs approches pour appliquer le deep learning à leurs propres travaux. Ce n’est que le tout début et Deepmind espère que le code source livré va inspirer d’autres équipes.