Chapitre 2 : La physique et L’intelligence artificielle :

Introduction :
Il est également raisonnable d'utiliser des ordinateurs dans l'enseignement des sciences
physiques en utilisant un logiciel de calcul scientifique interactif, il permet la
résolution numérique ou analyser des problèmes physiques spécifiques et visualiser les
résultats de manière efficace et efficiente l'enseignement, et cela a un temps
d'exécution suffisamment rapide pour permettre des recherches ultérieures le
changement de la fonction de la solution en fonction de ses paramètres.

I- L’importance de la programmation dans la physique :

Dans le domaine scientifique, l'arrivée de l'informatique a entraîné une extension des
champs de recherche et une accélération dans la production de résultats. Aujourd'hui
en peut dire l'intelligence artificielle joue un rôle important dans la vie quotidienne
généralement et en physique particulièrement, elle est utilisée pour résoudre un certain
nombre des problèmes en physique tels que les équations différentielle et l'équation de
la chaleur et plusieurs des équations compliquées ...[ ]

L'utilisation des logiciels comme Matlab et python il faut faire d’apprendre

généralement les langages de programmation pour faire une simulation des problèmes.
Il ya donc une évolution notable des pratiques scientifiques physique qui peuvent
servir de référence [ ].

I.1- Matlab et les équations physiques :

a) Définition on Matlab :
Matlab est un environnement de programmation orienté calcul
numérique. Articulé autour du langage de script du même nom, il
est doté d'un éditeur permettant d'exécuter des séquences de
commandes encapsulées dans des fonctions [ ].

Matlab est conçu pour l'analyse de données, la visualisation de

graphiques, la génération de matrice, le développement
d'algorithmes ou le développement d'applications. Interopérables avec Python, C/C++,
Java et Fortran, il est optimisé pour le calcul en parallèle. Ses principaux domaines
d’application sont les sciences, l’ingénierie et l’économie [ ].

MATLAB POUR LA RESOLUTION DE PROBLEMES PHYSIQUES :

L’objectif de cet exemple est de tracer la valeur du potentiel statique crée par deux
charges +Q et -Q dans un plan passant par ces deux charges. En prenant comme centre
du repère le point milieu des deux charges, et comme axe z la droite reliant les deux
charges, l’expression de ce potentiel s’écrit :

Le programme ci-dessous trace des coupes du potentiel parallèles à l’axe x, puis la

surface U(x,y) et ses courbe de niveaux. Les résultats sont présentés aux figures 1,
2, et 3. Rappelons qu'une aide sur les déférentes fonctions utilisées dans ce
programme peut être obtenue en tapant son nom précédé de help dans la fenêtre de
commande (par exemple help plot, help contour, etc..).
Le point de vue sous lequel la surface est examinée peut-être modifier avec la fonction
view. De plus, ce point de vue peut également être modifié avec une très grande
souplesse grâce à la ‘boite à outils” matdraw disponible par internet.

Figure 1 : potentiel électrostatique dans un plan Comprenant deux charges opposées :

coupes Transversales.
 Figure 2 : potentiel électrostatique dans un plan comprenant deux charges opposées :
courbes de niveaux.

Figure 3 : potentiel électrostatique dans un plan comprenant deux charges opposées :

perspective en 3 dimensions.

I.2- Python et l’équation de la chaleur :

a) Définition on python :
Le langage de programmation Python a été créé en 1989
par Guido van Rossum, aux Pays-Bas. Le nom Python
vient d’un hommage à la série télévisée Monty Python’s
Flying Circus dont G. La première version publique de
ce langage a été publiée en 1991. Python est le langage
de programmation open source le plus employé par les
informaticiens. Ce langage s’est propulsé en tête de la
gestion d’infrastructure, d’analyse de données ou dans le domaine du développement
de logiciels. En effet, parmi ses qualités, Python permet notamment aux développeurs
de se concentrer sur ce qu’ils font plutôt que sur la manière dont ils le font. Il a libéré
les développeurs des contraintes de formes qui occupaient leur temps avec les langages
plus anciens. Ainsi, développer du code avec Python est plus rapide qu’avec d’autres
langages [ ].

b) Equation de la chaleur :
Le phénomène nommé « équation de la chaleur » et l'équation dont nous parlerons
dans cette section ne sont pas très appropriés, bien que spécifiquement. Nous verrons
que cette équation est liée aux changements de température dans le temps et dans
l'espace, plutôt qu'à une quantité quelque peu obscure appelée "chaleur". Il est
beaucoup plus juste de dire l'équation de diffusion de la chaleur, un terme qui est
maintenant également utilisé dans les classes préparatoires. De même, au lieu de
parler de chaleur, on parle d'énergie thermique.

A) Résolution numérique de l’équation de la diffusion thermique :

SITUATION DU PROBLÈME :

On considère une barre solide de longueur L, bon conducteur thermique de

préférence, de coefficient de diffusion thermique D.
On suppose le problème à 1D. La barre est initialement "préparée" dans un état de
température :
T (x,t < 0) = T (x)
A l’instant t ≥ 0, les extrémités de la barre sont mises en contact avec deux sources de
température identiques Textr donc : T (0,∀t) = T (L,∀t) = Textr

Figure 1: Choc thermique sur une barre de longueur L

La température T (x,t) de la barre est solution de l’équation de la diffusion thermique

1D:

PRINCIPE DE LA RÉSOLUTION NUMÉRIQUE :

On recherche une solution numérique à ce problème par la méthode classique des
différences finies. Supposons que nous cherchions l’évolution de T (x,t) sur une durée
totale τ.
La barre est spatialement discrétisée en nx tronçons de longueur égale ∆x = L/nx.
Ainsi, l’abscisse discrète xm est :
xm= m ·∆x avec m ∈ [0,nx ]
De même, la durée totale d’évolution est discrétisé en nt intervalles de durée ∆t = τ/nt .
Ainsi, l’instant "discret" tn est :
tn = n ·∆t avec n ∈ [0,nt]
On peut par conséquent poser la température discrétisée :
Tm,n = T (m ·δx,n ·∆t)

Figure 2: Discrétisation de la température de la barre Tm,n

En développant la température au 1er ordre discret sur le temps au voisinage de tn à
l’abscisse xm, il vient :

Ce qui permet de dégager la dérivée première temporelle "discrète" à tn en xm:

De même en développant la température au 2sd ordre discret sur l’espace au voisinage

de xm+1 et xm−1 à la date tn, il vient :
En sommant les équations 2 et 3, on obtient finalement l’expression de la dérivée
seconde spatiale « discrète » en xm à la date tn :
Ainsi, l’équation de la diffusion 1D 1 discrétisée s’écrit :

D’où l’on tire finalement la relation de récurrence permettant d’obtenir la température

en xm à l’instant tn+1 en fonction des températures Tm,n, Tm+1,n, Tm−1,n calculées
à l’instant antérieur tn:
RÉALISATION : (Python) :
Graph d’évolution de la température après le choc thermique :

II- IA et les problèmes physiques

L’IA aide la science : Ces dernières années, l’intelligence artificielle a contribué à
résoudre de nombreux problèmes scientifiques qui semblaient autrement impossibles
en utilisant des méthodes traditionnelles.

II.1- L’équation Schrödinger :

L’IA aide à résoudre l’équation de
Schrödinger :
Des scientifiques de la Freie Universität Berlin
ont mis au point une solution basée sur l’IA
pour calculer l’état fondamental de l’équation
de Schrödinger en chimie quantique.
L’équation de Schrödinger est principalement
utilisée pour prédire les propriétés chimiques et
physiques d’une molécule en fonction de la
disposition de ses atomes. L’équation aide à
déterminer où se trouvent les électrons et les noyaux d’une molécule et, dans un
ensemble donné de conditions, quelles sont leurs énergies.
L’équation a la même importance centrale que le mouvement de la loi de Newton, qui
peut prédire la position d’un objet à un moment donné, mais en mécanique quantique –
c’est-à-dire dans les atomes ou les particules subatomiques.

L’article décrit comment le réseau neuronal développé par les scientifiques de la Freie
Universität Berlin apporte plus de précision dans la résolution de l’équation de
Schrödinger et ce que cela signifie pour l’avenir [ ].

L’IA apporte plus de précision à l’équation :

En principe, l’équation de Schrödinger peut être résolue pour prédire l’emplacement
exact des atomes ou des particules subatomiques dans une molécule, mais en pratique,
c’est extrêmement difficile car cela implique beaucoup d’approximation. Au centre de
l’équation se trouve un objet mathématique, une fonction d’onde qui spécifie le
comportement des électrons dans une molécule. Mais la haute dimensionnalité de la
fonction d’onde rend extrêmement difficile de savoir comment les électrons s’affectent
les uns les autres. Ainsi, le plus que vous obtenez des représentations mathématiques
est un compte rendu probabiliste de celui-ci et non des réponses exactes. Cela limite la
précision avec laquelle nous pouvons trouver des propriétés d’une molécule comme la
configuration, la conformation, la taille et la forme, ce qui peut aider à définir la
fonction d’onde. Le processus devient si complexe qu’il devient impossible de mettre
en œuvre l’équation au-delà de quelques atomes [ ].
En remplaçant les blocs de construction mathématiques, les scientifiques de la Freie
Universität Berlin ont mis au point un réseau neuronal profond capable d’apprendre les
modèles complexes de la façon dont les électrons sont situés autour des noyaux. Les
scientifiques ont développé un modèle de réseaux de neurones profonds (DNN),
PauliNet, qui présente plusieurs avantages par rapport aux méthodes conventionnelles
pour étudier les systèmes quantiques
comme le Quantum Monte Carlo ou
d’autres méthodes classiques de chimie
quantique. Le modèle DNN développé
par ces scientifiques est très flexible et
permet une approche variationnelle qui
peut aider au calcul précis des propriétés électroniques au-delà des énergies
électroniques [ ].

Deuxièmement, il facilite également le calcul facile d’une corrélation à plusieurs corps

et plus complexe avec moins de déterminants, réduisant ainsi le besoin d’une
puissance de calcul plus élevée. Le modèle a principalement aidé à résoudre un
problème majeur de compromis entre la précision et le coût de calcul, souvent
rencontré lors de la résolution de l’équation de Schrodinger [ ].

Le modèle peut également calculer l’énergie locale des noyaux lourds comme les
métaux lourds sans utiliser de pseudo-potentiels ou d’approximations. Enfin, le modèle
développé dans l’étude a des fonctions antisymétriques et d’autres principes cruciaux
pour les fonctions d’onde électroniques intégrées dans le modèle DNN, plutôt que de
laisser le modèle apprendre. Ainsi, la construction de la physique fondamentale dans le
modèle l’a aidé à faire des prédictions significatives et précises.

L’IA est devenue essentielle pour anticiper les résultats d’expériences ou de

simulations de systèmes quantiques, en particulier en raison de la nature complexe de
sa science. En 2018, l’apprentissage par renforcement a été utilisé pour concevoir de
nouvelles expériences quantiques dans des laboratoires automatisés de manière
autonome.

Les efforts récents de l’Université de Warwick et d’un autre IBM et DeepMind ont
également tenté de résoudre l’équation de Schrödinger. Cependant, PauliNet, avec sa
plus grande précision de résolution de l’équation maintenant, nous présente un
potentiel pour l’utiliser dans de nombreuses applications réelles [ ].

Comprendre la composition des molécules peut aider à accélérer la découverte de

médicaments, ce qui était auparavant difficile en raison des approximations pour
comprendre ses propriétés.

De même, il pourrait également aider à découvrir plusieurs autres éléments ou

métamatériaux comme de nouveaux catalyseurs, des applications chimiques
industrielles, de nouveaux pesticides, entre autres. Il peut être utilisé pour caractériser
des molécules synthétisées en laboratoire.
Plusieurs logiciels académiques et commerciaux utilisent l’équation de Schrödinger au
cœur, mais sont basés sur des applications. La précision de ce logiciel s’améliorera.
L’informatique quantique en elle-même est basée sur des phénomènes quantiques de
superposition et est composée de qubits qui tirent parti du principe. Les performances
de l’informatique quantique s’amélioreront car les qubits pourront être mesurés plus
rapidement.

II-2-Première photo trou noire :

Katie Bouman :

La scientifique en imagerie Katie Bouman a aidé à

construire la toute première photo d'un trou noir,
mais elle ne s'attendait pas à ce genre d'excitation ou
d'attention. Le télescope Event Horizon a publié
l'image mercredi , et depuis lors, Bouman a été
submergé d'appels téléphoniques, de SMS et d'e-
mails. Bien qu'elle n'ait pas été la seule femme à travailler sur cette image (plus de 200
scientifiques du monde entier ont contribué au projet), elle est devenue un symbole de
la réussite des femmes en informatique et en astronomie. Des personnalités politiques
comme Alexandria Ocasio-Cortez ont encouragé Bouman à « prendre sa place légitime
dans l'histoire. ” [ ]

Fiche d'information : les trous noirs

Après la publication époustouflante de la première image jamais capturée d'un trou

noir, les astronomes ont récidivé, révélant une
nouvelle vue de l'objet céleste massif et mettant
en lumière le comportement des champs
magnétiques à proximité des trous noirs. En
2019, la collaboration Event Horizon
Telescope (EHT) a produit la toute première
image d'un trou noir, qui se trouve au centre de
la galaxie M87 à 55 millions d'années-lumière de la Terre. L'image montrait un anneau
brillant avec un centre sombre, qui est l'ombre du trou noir. En capturant cette image,
les astronomes ont remarqué une quantité importante de lumière polarisée autour du
trou noir. Maintenant, la collaboration a révélé un nouveau regard sur le trou noir,
montrant à quoi il ressemble en lumière polarisée. Les ondes lumineuses polarisées ont
une orientation et une luminosité différentes par rapport à la lumière non polarisée. Et,
tout comme la lumière est polarisée lorsqu'elle passe à travers certaines lunettes de
soleil, la lumière est polarisée lorsqu'elle est émise dans des zones magnétisées et
chaudes de l'espace [ ].

Conclusion :

Ce chapitre nous a permis d'apprendre le langage Python qui est assez utile pour des
problèmes physiques comme équation de Schrödinger et la photo de trou noir et qui
pourrais aussi substituer Matlab comme outil de calcul scientifique et de visualisation.
Nous nous sommes rendu compte que le post-traitement des données obtenues par une
simulation numérique peut parfois prendre autant de temps que la simulation elle-
même. A part de réussir de trouver la surface du front de flamme nous avons alors dû
réfléchir sur des problèmes concernant l'efficacité du code. De même, nous avons pu
élargir nos connaissances au sujet de certaines méthodes mathématiques, notamment
les méthodes d'interpolation qui sont un outil essentiel pour tout traitement de données.