AI-Newton : redécouvrir les lois de la physique?

Avant d’entrer dans le fond du sujet, une précision de nature éditoriale s’impose 🙂

Cette publication intervient en dehors de mon rythme habituel de deux articles par mois. Il s’agit donc, d’une certaine manière, d’un hors-série.

Ce choix est motivé par la publication de chercheurs de l’Université de Pékin, ce 11 décembre, et j’ai trouvé le sujet particulièrement intéressant et cela m’a donné envie de vous le partager.

La publication est ici : https://blog.pilily.com/wp-content/uploads/2025/12/2504.01538v2.pdf

Le sujet est un peu moins vulgarisé que d’habitude mais j’ai essayé de le rendre néanmoins accessible sans dénaturer la méthodologie de recherche. Je dois avouer que l’exercice n’est pas facile et relève aussi de ma propre compréhension du sujet. N’hésitez donc pas à me faire feedback bienveillant sur ce format.

Ce que signifie réellement « découvrir une loi »

Depuis plusieurs siècles, la physique poursuit un objectif relativement clair : décrire une grande variété de phénomènes à l’aide d’un nombre limité de lois générales. Cette ambition ne repose pas uniquement sur des équations, mais sur une pratique structurée combinant observation, mesure, construction de concepts, formulation d’hypothèses et généralisation progressive.

La construction de concepts, la formulation d’hypothèses et leur généralisation sont considérées comme des capacités spécifiquement humaines. Les grands modèles de langage, malgré les efforts de leurs concepteurs pour en reproduire certains schémas cognitifs, demeurent fondés sur l’apprentissage statistique à partir de corpus existants, sans interaction intrinsèque avec un cadre expérimental.

Le système AI-Newton, proposé par des chercheurs de l’Université de Pékin, s’inscrit dans une démarche différente. Il ne s’agit pas d’entraîner un modèle sur la physique existante, ni de produire des équations plausibles par ajustement statistique, mais d’examiner dans quelle mesure certaines composantes du raisonnement scientifique peuvent être formalisées, explicitées et implémentées.

AI-Newton n’est donc pas un scientifique autonome, loin de là, mais à mon sens montre comment l’IA peut accompagner la méthodologie de recherche. Les phénomènes étudiés, les expériences simulées, les observables accessibles et les données sont définis en amont par les chercheurs. Le système n’explore pas le monde réel et ne choisit pas ses objets d’étude. En revanche, il ne dispose d’aucune connaissance physique explicite. Il ne connaît ni lois, ni concepts, ni équations de la mécanique classique. À l’intérieur d’un cadre expérimental donné, il doit reconstruire seul les concepts pertinents et les relations générales qui les relient.

L’intérêt du travail ne réside donc pas dans la redécouverte de lois connues, mais dans la manière dont une partie du processus de découverte scientifique est rendue opératoire.

1. Un cadre expérimental volontairement contraint

AI-Newton est évalué sur un ensemble de quarante-six expériences simulées relevant de la mécanique newtonienne. Ces expériences couvrent une variété de systèmes classiques, incluant des chutes de corps, des oscillateurs masse-ressort, des collisions, des plans inclinés, des systèmes couplés et des interactions gravitationnelles.

Les données fournies au système correspondent à des grandeurs observables simples, essentiellement des positions en fonction du temps, auxquelles est ajouté un bruit statistique afin de simuler des conditions de mesure réalistes.

Ce cadre n’est ni neutre ni minimal. Le domaine physique est choisi, les expériences sont conçues et les observables sont définies par les chercheurs. AI-Newton opère ainsi dans un espace épistémique délimité. Cette contrainte constitue la condition même de la question posée : que peut-on reconstruire, conceptuellement et formellement, une fois le cadre expérimental fixé.

2. L’hypothèse centrale : les lois émergent des concepts

Le point de départ des chercheurs repose sur un constat partagé en IA scientifique : la découverte directe d’équations à partir de données brutes conduit rarement à des lois générales. Les approches de régression symbolique classique (méthodes visant à découvrir automatiquement des équations explicites à partir de données, sans hypothèse de forme a priori) produisent souvent des expressions longues, spécifiques à une expérience donnée, difficiles à interpréter et peu transférables.

AI-Newton repose sur une hypothèse différente. La difficulté principale de la découverte scientifique ne réside pas dans l’ajustement mathématique, mais dans la construction de concepts intermédiaires pertinents.

Les lois physiques ne relient jamais directement des observations brutes. Elles relient des grandeurs construites telles que la vitesse, l’accélération, la masse ou l’énergie. Ces concepts ne sont pas des données mais des abstractions opératoires qui stabilisent les relations entre expériences distinctes.

AI-Newton cherche donc à introduire de telles variables intermédiaires, non parce qu’elles seraient physiquement justes a priori, mais parce qu’elles permettent de produire des relations plus simples, plus stables et plus générales.

3. Un choix méthodologique explicite : le symbolique plutôt que l’opacité

Pour rendre ce processus explicite, les chercheurs font un choix architectural fort. AI-Newton ne repose pas exclusivement sur des réseaux neuronaux, mais sur une articulation explicite entre calcul numérique et représentation symbolique. Les concepts et les lois sont représentés dans un langage formel dédié, conçu pour expliciter non seulement la structure mathématique des relations découvertes, mais aussi leur statut conceptuel.

Concrètement, ce langage permet de décrire comment un concept est défini à partir d’observables mesurables, comment il est calculé à partir d’autres concepts déjà établis, et selon quelles règles il peut intervenir dans une loi candidate. Un concept n’est donc pas une simple variable latente optimisée par un modèle, mais un objet explicitement défini, traçable et réutilisable dans d’autres contextes expérimentaux.

Ce choix permet également de dissocier clairement plusieurs niveaux du raisonnement scientifique : le niveau des observations, celui des concepts intermédiaires et celui des lois générales. Là où des approches neuronales classiques tendent à entremêler ces niveaux dans des représentations opaques, AI-Newton impose une séparation structurelle qui rend possible l’interprétation, la modification et la généralisation progressive des lois découvertes.

4. Une boucle de découverte inspirée de la pratique scientifique

Le fonctionnement d’AI-Newton s’organise sous la forme d’une boucle itérative explicitement conçue par les chercheurs, dont chaque étape correspond à une opération identifiable de la pratique scientifique.

Dans un premier temps, le système sélectionne une expérience et analyse les données observables associées. À partir de ces données, il propose des concepts candidats, c’est-à-dire des grandeurs intermédiaires susceptibles de structurer les relations observées. Ces concepts sont évalués en fonction de leur capacité à simplifier la description des phénomènes et à être réutilisés dans d’autres contextes.

Sur la base de ces concepts, AI-Newton formule ensuite des hypothèses de lois locales, valables dans un cadre expérimental donné. Ces lois candidates sont alors confrontées à d’autres expériences, soit similaires, soit volontairement plus complexes, afin d’en tester la robustesse et le domaine de validité.

Lorsque la loi proposée échoue à rendre compte de nouvelles données, l’échec n’est pas traité comme une réfutation pure et simple. Le système cherche à identifier la source de l’inadéquation, puis tente de généraliser la loi existante en introduisant de nouveaux termes ou concepts, tout en minimisant l’augmentation de complexité formelle.

Cette boucle, qui alterne formulation, test, échec et révision, est itérée jusqu’à ce que les lois obtenues présentent un compromis satisfaisant entre généralité, simplicité et stabilité. La dynamique qui en résulte reproduit un mécanisme central de la pratique scientifique : l’échec expérimental n’est pas interprété comme une invalidation définitive, mais comme un signal indiquant que le domaine de validité d’une loi doit être étendu.

5. Unification conceptuelle et équivalence de la masse

L’un des résultats les plus significatifs concerne la notion de masse, telle qu’elle est classiquement définie en physique comme à la fois paramètre inertiel et paramètre gravitationnel. Dans le cadre de la mécanique newtonienne, la masse inertielle intervient dans la deuxième loi de Newton comme coefficient de proportionnalité entre force et accélération, tandis que la masse gravitationnelle intervient dans les lois décrivant l’interaction gravitationnelle.

AI-Newton reconstruit cette distinction à partir de données expérimentales, sans en disposer a priori. Dans les expériences impliquant un champ gravitationnel, le système introduit une grandeur intermédiaire qui joue le rôle fonctionnel de masse gravitationnelle, en reliant l’accélération observée ou l’allongement statique d’un ressort à l’intensité du champ. Dans des systèmes oscillants horizontaux, il introduit une autre grandeur, distincte au départ, qui gouverne la dynamique inertielle du système et joue le rôle de masse inertielle.

Ces deux grandeurs sont initialement traitées comme conceptuellement indépendantes. Ce n’est qu’au moment où le système cherche à formuler des lois valables sur l’ensemble des expériences que leur statut devient comparable. En confrontant les prédictions issues de ces deux définitions à des données provenant de contextes expérimentaux distincts, AI-Newton établit que les valeurs numériques associées à ces grandeurs coïncident systématiquement.

Cette correlation correspond, dans le cadre conceptuel de la physique classique, au principe d’équivalence faible, selon lequel masse inertielle et masse gravitationnelle sont égales. Le système ne formule pas ce principe comme tel, mais il en retrouve la structure fonctionnelle à travers un processus de généralisation visant à réduire la redondance conceptuelle et à formuler des lois plus parcimonieuses.

L’intérêt de ce résultat ne réside pas dans sa nouveauté physique, mais dans le mécanisme mis en évidence. Il montre qu’un système algorithmique peut reconstruire des distinctions conceptuelles connues de la physique, puis en établir l’unification, en s’appuyant uniquement sur le rôle explicatif et prédictif des grandeurs introduites, à partir de données expérimentales, sans supervision conceptuelle directe.

6. Des lois générales plutôt que des ajustements locaux

AI-Newton ne se limite pas à produire des lois spécifiques à une expérience donnée. Il parvient à formuler des lois générales valables sur un ensemble de systèmes distincts.

Parmi les résultats figurent une forme générale de la deuxième loi de Newton, un principe de conservation de l’énergie et une loi de la gravitation universelle. Ces lois servent ensuite de principes à partir desquels des équations de mouvement spécifiques peuvent être dérivées.

Cette hiérarchie entre lois générales et cas particuliers constitue un critère fort de scientificité.

7. Le rôle irréductible de l’humain dans le dispositif

Il est essentiel de rappeler que l’ensemble du dispositif repose sur un cadre scientifique conçu par les chercheurs. Ceux-ci définissent le domaine étudié, conçoivent les expériences, choisissent les observables et structurent l’espace des concepts possibles. Ce que l’IA ne fait pas.

AI-Newton ne formule pas ses propres questions de recherche. Il opère dans un espace délimité.

Une contribution méthodologique avant d’être technique

AI-Newton ne montre pas qu’une intelligence artificielle peut faire de la science de manière autonome. Il montre qu’une partie substantielle du raisonnement scientifique peut être explicitée, structurée et implémentée.

La contribution majeure du travail n’est pas la redécouverte des lois de Newton, mais la démonstration qu’il est possible de formaliser des opérations centrales de la pratique scientifique, incluant la construction de concepts, la formulation d’hypothèses, la généralisation progressive et l’unification.

La question soulevée par les chercheurs n’est donc pas celle du remplacement du scientifique, mais celle de la décomposition formelle de la découverte scientifique. C’est sur ce terrain méthodologique que AI-Newton est intéressante.