ChatGPT, fais fonctionner mon accélérateur de particules !
Un premier pas vers un avenir où des systèmes scientifiques complexes pourront être optimisés par simple saisie vocale
Vous arrive-t-il de vous dire : "Je me demande ce que ChatGPT a à dire à ce sujet" ? Il est devenu courant de consulter l'intelligence artificielle (IA) sur un large éventail de sujets et de problèmes. Des scientifiques de DESY et de l'université de Hambourg se sont maintenant posé cette question concernant le fonctionnement d'un accélérateur et ont découvert que ChatGPT pouvait les aider à faire fonctionner ces machines. Ils ont récemment publié leurs conclusions dans la revue Science Advances.
L'apprentissage automatique est souvent utilisé en physique pour automatiser certaines routines et tâches. En physique des accélérateurs, un domaine d'application extrêmement intéressant consiste à régler les accélérateurs de particules en temps réel afin de garantir les meilleures performances à tout moment. Un groupe de recherche dirigé par Jan Kaiser, scientifique de DESY, vient de démontrer comment cela peut être réalisé à l'aide d'un type particulier d'apprentissage automatique - avec l'aide de "grands modèles de langage" (LLM). Ces programmes d'IA, qui sont également à l'origine de chatbots populaires tels que ChatGPT, sont formés sur d'énormes quantités de données (d'où le terme "large" dans le nom) et sont capables de reconnaître, d'interpréter et de générer du langage humain.
L'équipe a expérimenté 14 LLM différents et les a utilisés pour contrôler ARES, un accélérateur d'électrons expérimental à DESY. Leur tâche consistait à ajuster cinq aimants de manière à ce que le faisceau d'électrons d'ARES soit focalisé et orienté de la meilleure façon possible. Cependant, au lieu de "coder" les exigences, les scientifiques ont décrit le problème aux LLM à l'aide d'invites en langage naturel. Les LLM ont ensuite suggéré comment régler les cinq paramètres de réglage avec la plus grande précision, en expliquant ce que chaque valeur permettrait d'obtenir.
"Nous avons été totalement surpris de voir à quel point certains LLM étaient capables de résoudre le problème", déclare M. Kaiser. "Ce qui est encore plus fascinant, c'est qu'ils n'ont même pas besoin de savoir qu'ils font fonctionner un accélérateur de particules. En théorie, les LLM peuvent donc résoudre n'importe quel type de problème d'optimisation, ce qui signifie que notre approche est pertinente bien au-delà du domaine de la physique des accélérateurs."
Bien entendu, les chercheurs ont également rencontré certains obstacles au cours de leurs investigations de validation du concept. "Comme pour les opérateurs humains, il faut poser la bonne question au LLM pour obtenir une bonne solution", explique Annika Eichler (DESY et Université de technologie de Hambourg), dont le groupe de recherche est responsable du contrôle intelligent des systèmes d'accélérateurs à l'aide de l'IA. La puissance de calcul et donc l'impact environnemental de la résolution d'un tel problème sont actuellement considérables. En outre, les systèmes sont encore à la traîne par rapport à d'autres méthodes spécialisées. Pour l'instant, les LLM feraient probablement mieux de jouer le rôle de "copilotes" dans les salles de contrôle des accélérateurs.
"Néanmoins, notre travail constitue un premier pas important vers un avenir où des installations scientifiques complexes et hautement pertinentes pourront être exploitées simplement en demandant le résultat souhaité à l'aide du langage naturel", déclare M. Eichler.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
