[ad_1]
Imaginez une grande horloge grand-père majestueuse, son long pendule oscillant d’avant en arrière, encore et encore, en rythme avec le temps. Les scientifiques peuvent décrire ce mouvement avec une équation ou un modèle dynamique, et bien qu’il y ait apparemment des centaines de facteurs contribuant au balancement (le poids de l’horloge, le matériau du pendule, à l’infini), il n’y a qu’une seule variable nécessaire pour décrire le mouvement du pendule et traduisez-le en mathématiques : l’angle de la balançoire. Combien de temps il a fallu aux scientifiques et aux mathématiciens pour découvrir cela est inconnu. Cela aurait pu prendre des années pour tester chaque variable de l’équation afin de déterminer la seule variable importante pour l’influence.
Maintenant, un chercheur de l’Université de Houston rapporte une méthode pour décrire ces types de systèmes complexes avec le moins de variables possible, réduisant parfois la possibilité de millions à un montant minimal, et une seule en de rares occasions. C’est une avancée qui peut accélérer la science grâce à son efficacité et sa capacité à comprendre et à prédire le comportement des systèmes naturels, et elle a des implications pour accélérer un éventail d’activités qui utilisent des simulations allant des prévisions météorologiques à la production d’avions.
« Dans l’exemple de l’horloge grand-père, je peux prendre une vidéo du pendule oscillant d’avant en arrière et à partir de cette vidéo, découvrir automatiquement quelle est la bonne variable. Des modèles précis de la dynamique du système permettent une compréhension plus approfondie de ces systèmes, ainsi que de la capacité à prédire leur comportement futur », rapporte Daniel Floryan, professeur adjoint Kalsi de génie mécanique, dans la revue Intelligence des machines naturelles.
Pour commencer à construire des modèles compacts mais précis, un principe est fondamental : pour chaque action, même celles qui semblent complexes et aléatoires, il existe un modèle sous-jacent qui permet une représentation compacte du système.
« Notre méthode trouve la description la plus compacte qui soit mathématiquement possible, et c’est ce qui différencie notre méthode des autres », a déclaré Floryan.
Utilisant des idées issues de l’apprentissage automatique et de la théorie des variétés lisses, la méthode rend les simulations extrêmement rapides et peu coûteuses.
Dans une application, Floryan a simulé une réaction entre deux produits chimiques. La réaction a entraîné un comportement complexe parmi les produits chimiques lorsqu’ils se sont rencontrés : une spirale rythmique répétitive nécessitant plus de 20 000 variables pour la simuler. Floryan a introduit une vidéo de la réaction dans son algorithme, et il a découvert qu’il n’avait besoin que d’une seule variable pour comprendre l’action. La variable nécessaire était le temps mis par la spirale pour revenir à son point de départ, comme une trotteuse sur une montre.
En ce qui concerne les prévisions météorologiques, les modèles numériques sont des simulations informatiques de l’atmosphère qui utilisent des équations complexes de physique et de dynamique des fluides.
« Pour les prévisions météorologiques et la modélisation du climat, si vous avez quelque chose de beaucoup plus rapide, vous pouvez mieux modéliser le climat de la Terre et mieux prédire ce qui va se passer », a déclaré Floryan.
Source de l’histoire :
Matériel fourni par Université de Houston. Écrit à l’origine par Laurie Fickman. Remarque : Le contenu peut être modifié pour le style et la longueur.
[ad_2]