Des scientifiques de l’EPFL ont mis au point une IA capable de simuler des systèmes complexes tout en respectant les lois fondamentales de la physique. Le secret se trouve dans la troisième loi de Newton.
L’intelligence artificielle a beau accomplir des prouesses dans de nombreux domaines, elle peine encore à suivre les lois fondamentales de la physique. Là où un humain sait intuitivement que des objets tombent, rebondissent ou transmettent une force, qu’il peut tranférer ses connaissance entre différents objets, l’IA bute. Cet écueil est particulièrement contrariant pour les scientifiques et les ingénieurs : leurs programmes de simulation les plus performants s’égarent en cherchant à relier entre eux les principes physiques de base pour anticiper des phénomènes complexes qui évoluent dans le temps, comme des mouvements humains, des collisions de particules, des engrenages de machines industrielles ou de robots. Les ordinateurs finissent par produire des prédictions physiquement incohérentes sur le comportement des systèmes au fur et à mesure que le temps passe et que les erreurs s’accumulent. À l’inverse, les modèles de simulation classiques suivent les règles de physique avec rigueur, mais nécessitent un temps de calcul et une puissance informatique difficiles à soutenir lorsque le nombre d’objets ou d’interactions augmente. Ils tendent même à se braquer lorsqu’il s’agit de traiter des situations entièrement nouvelles.
Des scientifiques du Laboratoire de systèmes intelligents de maintenance et d’opérations (IMOS) de l’EPFL ont développé un nouvel algorithme appelé Dynami-CAL GraphNet, qui contraint l’IA à adhérer en permanence aux lois de la physique fondamentale.
L’intégration de la troisième loi de Newton fait passer l’IA d’un algorithme qui cherche à deviner le comportement physique des objets sur la base de statistiques à un système qui est construit pour le respecter
Vinay Sharma, doctorant du Laboratoire IMOS
Inscrire la troisième loi de Newton dans l’architecture de l’IA
Dans le monde tangible, on ne peut éviter d’être confrontés à la troisième loi de Newton, qui veut qu’à toute action corresponde une réaction égale et opposée. Lorsqu’on marche, la poussée sur le sol nous propulse vers l’avant ; lorsqu’un objet heurte une paroi, il rebondit ou encore une machine réagit en exerçant une force opposée sur le moteur que l’on met en marche. Ce pilier de la physique est universel : il s’applique aussi bien à des grains de sable qu’au corps humain, aux machines ou aux molécules. Les IA de type Graphical Neural Network, comme celle utilisée par les scientifiques de l’IMOS, font correspondre virtuellement les objets à des points et les relations entre eux à des arrêtes. Elles sont donc naturellement indiquées pour modéliser efficacement des systèmes composés de nombreux éléments en interaction. Les chercheuses et chercheurs ont inscrit la troisième loi de Newton directement dans l’architecture de l’IA, obligeant le système à se mouvoir conformément à la réalité. Cette programmation l’empêche de produire des forces irréalistes ou incohérentes, y compris face à des situations inédites. « Cela fait passer l’IA d’un programme qui cherche à deviner le comportement physique des objets sur la base de statistiques en un système qui est construit pour le respecter », résume Vinay Sharma, doctorant du Laboratoire IMOS. « Cette approche ne remplace pas l’ensemble des équations de la physique, mais elle suffit à garantir une cohérence des interactions et produire des simulations stables et crédibles ».
La plupart des modèles s’effondrent après quelques itérations, alors que le nôtre peut simuler plus de 16 000 étapes consécutives, sans dériver des lois de physique.
Olga Fink, professeure au Laboratoire IMOS
L’universalité de la troisième loi de Newton la rend indépendante de l’échelle et du type de système. « C’est ce qui permet au modèle non seulement de généraliser, c’est-à-dire d’appliquer ce qu’il a appris à des situations similaires, mais aussi d’extrapoler, en produisant des prédictions fiables dans des situations entièrement nouvelles - ce que les algorithmes d’apprentissage automatique font rarement bien », explique Olga Fink, professeure à l’IMOS. Qu’il s’agisse d’un plus grand nombre d’objets, de vitesses plus élevées, de configurations inédites ou d’environnements différents, le modèle reste cohérent là où les autres échouent. « La plupart divergent après quelques itérations, alors que Dynami-CAL GraphNet reste stable malgré plus de 16 000 étapes consécutives, sans dévier des lois de physique. »
Les scientifiques ont mis leur IA à l’épreuve sur des situations très concrètes : ils et elles commencent par simuler des collisions entre billes, comme dans un silo ou un mélangeur industriel, où des dizaines, puis des milliers de particules s’entrechoquent, roulent, rebondissent et frottent contre des parois en mouvement. Entraîné sur seulement quatre simulations de systèmes simples contenant quelques dizaines de particules dans une boîte fixe, leur IA parvient à prédire le mouvement de milliers de particules dans un mixer à parois cylindriques rotatives, en respectant la conservation du mouvement et de la rotation sur des milliers d’étapes. Elle a également été testée sur le mouvement humain, en prédisant la marche d’une personne à partir de simples données de capture de mouvement, sans connaître explicitement les forces exercées par le sol. « Nous avons évalué notre modèle à une échelle microscopique, pour suivre la dynamique d’une protéine dans un solvant. Il est capable de reproduire ses déformations subtiles au fil du temps », constate Vinay Sharma
Apprendre à partir de très peu d’informations
Pour Olga Fink, l’une des deux grandes forces de leur modèle est sa capacité à apprendre à partir de très peu d’informations, à généraliser à de nouvelles configurations, dans différentes conditions ainsi qu’à des systèmes plus grands. « Par exemple, il peut apprendre la dynamique en prédisant un pas à l’avance à partir des postures d’un humain qui marche, puis déduire toute la trajectoire future du mouvement. » La seconde est que ces simulations plus stables et plus fiables restent limpides et interprétables. Il est important pour les utilisateurs des programmes de simulation de comprendre comment et à quel moment sont utilisées les lois physiques afin de pouvoir poser un regard critique sur le résultat. Contrairement à certains modèles d’IA perçus comme des boîtes noires, Dynami-CAL GraphNet calcule à chaque étape des grandeurs physiquement interprétables par les utilisateurs : forces, couples, échanges de moment cinétique. « Toutes les quantités intermédiaires sont cohérentes avec la physique, insiste Olga Fink. Un ingénieur peut vérifier que la conservation de la quantité de mouvement et du moment cinétique est respectée. C’est cette cohérence qui crée la confiance, en particulier pour des systèmes critiques en matière de sécurité. »
RéférencesVinay Sharma & Olga Fink, A physics-informed graph neural network conserving linear and angular momentum for dynamical systems. Nature Communications, 15 janvier 2026. DOI: 10.1038/s41467-025-67802-5
