La physique s’appuie sur des lois qui résument un grand nombre d’observations. Une formule utile ne décrit pas seulement un jeu de données déjà vu : elle explique pourquoi des expériences différentes se comportent de manière cohérente et permet de prévoir des situations nouvelles. Construire ce type de loi à partir de mesures constitue une ambition scientifique de longue date.
Le 4 novembre 2026, Physical Review Research a publié AI-Newton, un système conçu pour rechercher des concepts physiques et des lois générales à partir d’ensembles de données d’expériences. Les auteurs de l’Université de Pékin l’ont évalué sur 46 scénarios de mécanique. Leur système a retrouvé, entre autres, la deuxième loi de Newton, la conservation de l’énergie et la gravitation universelle.
Le résultat est une preuve de concept méthodologique, pas l’annonce d’une nouvelle théorie de la nature. Les lois retrouvées sont déjà connues, et les données proviennent de simulations contrôlées auxquelles du bruit a été ajouté. L’intérêt porte sur la manière dont AI-Newton tente de passer de modèles propres à chaque expérience à des concepts communs. Pour comprendre ce que l’IA a réellement fait, il faut examiner la tâche, le pipeline et les limites de l’évaluation.
Le défi : généraliser au-delà d’une expérience isolée
Une méthode d’apprentissage peut ajuster une fonction aux mesures d’un phénomène particulier. Elle apprend alors une relation utile pour prédire des points voisins dans les mêmes conditions. Mais un chercheur veut souvent davantage : savoir si plusieurs expériences traduisent une même règle, quels concepts les relient et quelles conditions font varier le résultat.
Prenons des objets sur des surfaces inclinées, des ressorts, des pendules ou des trajectoires sous gravité. Chaque expérience a ses variables et sa configuration. Une régression peut proposer une équation pour chacune. Le travail théorique consiste à repérer des grandeurs communes, comme masse, accélération, énergie et force, puis à déterminer comment elles s’articulent entre des systèmes apparemment différents.
Cette généralisation demande une représentation interprétable. Une relation mathématique compacte peut révéler une structure, mais une formule très complexe qui ajuste chaque point n’apporte pas nécessairement une explication. La découverte de lois implique donc des choix : quels concepts proposer, comment comparer les expériences et quel niveau de complexité accepter ?
Les systèmes de régression symbolique cherchent déjà des expressions sous forme d’équations. Ils peuvent trouver une formule simple à partir de données, mais leur résultat dépend des variables fournies, de la recherche explorée et du contexte. AI-Newton vise le problème de plusieurs expériences : partir de modèles particuliers, proposer des concepts, puis étendre progressivement une loi à une plage plus large de phénomènes.
Comment fonctionne le système
L’article décrit deux bases liées : une base d’expériences et une base de théories. Les expériences contiennent des données et des générateurs simulés associés à des configurations mécaniques. La base théorique mémorise des concepts physiques et des lois candidates. Le système suit un processus itératif qui produit des modèles, les compare, cherche des motifs et élabore des généralisations.
Une première phase construit ou identifie des relations propres à une expérience. Le système doit ensuite interpréter ces expressions : quelles variables jouent un rôle analogue ? Quels termes pourraient représenter une énergie potentielle, une force ou une accélération ? Les concepts ne sont pas simplement des étiquettes ajoutées à la fin ; ils servent de structures intermédiaires pour formuler des règles plus générales.
AI-Newton peut alors tenter d’étendre une loi en ajoutant des termes ou en réorganisant les concepts pour couvrir de nouveaux cas. Si une règle décrit une partie des expériences, les cas supplémentaires permettent de tester sa portée et de guider la prochaine itération. Le mécanisme s’apparente à une accumulation progressive de connaissances, plutôt qu’à la recherche immédiate d’une unique formule finale.
Ce processus est rendu possible par des heuristiques de raisonnement plausible et une recherche d’expressions symboliques. Les auteurs décrivent le système comme opérant sans supervision ni connaissance physique préalable dans l’expérience de démonstration. Cette affirmation doit être comprise selon la définition de l’étude : le système reçoit une représentation des données et des espaces de recherche, les expériences sont générées par un environnement conçu par les chercheurs et le cadre méthodologique a été choisi par eux. « Sans connaissance préalable » ne signifie pas que l’ensemble scientifique est exempt de toute décision humaine ou de toute hypothèse de conception.
Un banc d’essai de 46 expériences mécaniques
Les auteurs ont appliqué AI-Newton à 46 expériences diverses de mécanique classique. Les scénarios sont construits à partir de générateurs de données simulées. Les équations différentielles correspondantes produisent des données auxquelles sont ajoutées des erreurs gaussiennes indépendantes. Le niveau de bruit est d’environ 1 % dans les tests décrits, et d’environ 0,01 % pour les expériences de gravitation universelle.
Ce choix présente un avantage important : les chercheurs connaissent les lois qui ont produit les données et peuvent vérifier les résultats. Ils peuvent tester si le système retrouve une relation connue dans différentes configurations et mesurer l’effet du bruit. Il est difficile d’évaluer une méthode de découverte si la vérité de référence est inconnue.
Mais la simulation a aussi une limite : les données ne reflètent pas toutes les difficultés d’un laboratoire réel. Les capteurs peuvent présenter des biais, les conditions initiales être mal connues, des phénomènes non modélisés intervenir et les variables mesurées être indirectes. Un simulateur génère des données selon les règles programmées ; il ne peut pas, à lui seul, démontrer que l’approche fonctionnera face à toute surprise expérimentale.
Dans ce cadre simulé, l’article rapporte la redécouverte de lois importantes, notamment la deuxième loi de Newton, la conservation de l’énergie et la gravitation universelle. Le résultat est intéressant parce que la tâche demande au système de passer de plusieurs problèmes spécifiques à des propositions plus générales. La capacité recherchée est une sorte de transfert : une loi qui capture plusieurs configurations au lieu de mémoriser une seule expérience.
Pourquoi retrouver une loi connue reste utile
Une objection naturelle est que l’IA n’a pas produit de nouvelle loi. C’est exact : l’article ne rapporte pas une nouvelle théorie confirmée. Mais dans l’évaluation d’une méthode, retrouver des résultats connus est une étape fondamentale. Cela permet de vérifier si le système reconstruit les relations attendues à partir de données et s’il généralise au-delà d’un scénario unique.
La redécouverte peut aussi éclairer les conditions nécessaires à une découverte automatique. Si le système retrouve la gravitation mais échoue sur certaines familles d’expériences, les échecs peuvent indiquer que les données sont insuffisantes, que la représentation des concepts est inadéquate ou que l’espace de recherche est trop étroit. Un banc d’essai contrôlé aide à isoler ces facteurs.
Cependant, retrouver une loi connue dans un environnement créé pour l’étude ne prouve pas que l’IA saura identifier une loi inconnue dans des données du monde réel. La validation sur des problèmes connus est nécessaire, mais non suffisante. Il faudrait tester des domaines différents, des mesures moins propres, des conditions où plusieurs hypothèses concurrentes expliquent les observations, et idéalement des prédictions qui conduisent à de nouvelles expériences.
La science ne consiste pas seulement à écrire une formule déjà présente dans un manuel. La contribution d’une méthode peut aussi être de relier les cas, de rendre explicite un concept, de suggérer une expérience discriminante ou de découvrir qu’un modèle commun ne tient pas. Ce sont des capacités séparées qu’il faut mesurer distinctement.
La notion de concept comme intermédiaire
L’un des points saillants d’AI-Newton est de traiter la découverte de concepts comme une étape entre les équations locales et les lois générales. Les humains regroupent des phénomènes en concepts — énergie, force, accélération — qui permettent de raisonner sans reprendre chaque détail particulier. Un système qui ne manipule que des variables brutes peut avoir du mal à proposer une structure réutilisable.
Les concepts fournissent un vocabulaire pour combiner des relations. Si des modèles d’expériences différentes contiennent des termes comparables, le système peut proposer qu’ils correspondent à une grandeur commune ou à une partie d’une loi plus générale. Puis il peut examiner si cette interprétation reste cohérente dans de nouveaux cas.
Ce mécanisme pose une question de représentation : comment éviter de pousser le système vers les concepts que les chercheurs s’attendent déjà à retrouver ? L’étude fournit un cadre et des règles pour générer ou tester des concepts. Même si les auteurs disent que la procédure n’utilise pas de connaissance physique préalable pour apprendre les lois, l’espace des opérations possibles n’est pas infini. Toute méthode automatique inclut des choix humains dans la façon de définir les données, les primitives mathématiques, les critères de simplicité et les conditions de réussite.
La transparence de ces choix est essentielle pour évaluer la découverte. Il faut savoir quelles opérations sont autorisées, quelle information est fournie au système, quels paramètres ont été réglés et si les auteurs ont exclu des résultats qui ne correspondaient pas aux attentes. La reproductibilité du pipeline et la publication des artefacts sont des éléments importants pour une appréciation indépendante.
Des résultats encourageants, mais un coût de calcul réel
Les auteurs rapportent que le système identifie en moyenne environ 90 concepts physiques et 50 lois générales à travers les cas de test, après avoir exécuté un grand nombre d’essais. Avec un maximum de 1 200 essais dans la configuration rapportée, le temps moyen est d’environ 48 heures sur une machine équipée d’un processeur Intel Xeon Platinum et d’un GPU NVIDIA A40.
Ces chiffres donnent une idée du travail de recherche computationnelle nécessaire. Une IA qui « découvre » un résultat peut avoir exploré un grand espace de candidats et mobilisé des ressources importantes. La comparaison avec un chercheur humain ne devrait pas se limiter au temps d’exécution : il faut comptabiliser la conception du système, la préparation des données, la sélection des sorties, la vérification mathématique et les essais menés pour confirmer les hypothèses.
La quantité de lois générées n’est pas non plus un objectif autonome. Parmi plusieurs dizaines de propositions, certaines peuvent être redondantes, peu interprétables ou valables seulement dans un sous-ensemble des expériences. La question scientifique est de savoir lesquelles résistent à un examen rigoureux et apportent une description qui n’était pas simplement encodée dans la représentation.
Une comparaison future pourrait mesurer le rendement de calcul : combien d’hypothèses utiles sont produites par heure de calcul, combien sont validées indépendamment, et combien inspirent des expériences qui auraient autrement été négligées ? Ces indicateurs seraient plus parlants qu’un décompte brut de concepts ou de formules.
Les différences avec une IA qui prédit un résultat
Beaucoup de systèmes d’apprentissage automatique sont évalués sur leur capacité à prédire une cible. Un modèle peut estimer la trajectoire d’un objet, la force exercée sur un ressort ou la valeur d’une mesure. La performance se mesure alors par l’erreur entre prédiction et observation, sous une distribution de données connue.
La découverte de lois vise une autre sortie. Une loi doit expliquer les relations entre les variables, être suffisamment générale et, idéalement, fournir une représentation compréhensible. Une prédiction peut être exacte sans dire pourquoi ; une équation peut être élégante tout en échouant hors de la plage étudiée.
AI-Newton se situe à l’intersection de plusieurs tâches : ajustement, recherche symbolique, construction de concepts et généralisation entre expériences. L’article montre une voie pour organiser ces tâches. Pour conclure à une capacité de découverte scientifique plus large, il faudra également évaluer la précision des prédictions nouvelles, la robustesse aux variations de mesure, la simplicité des lois proposées et la possibilité de les réfuter.
Une bonne théorie n’est pas seulement une formule qui reproduit les données utilisées pour la trouver. Elle doit affronter des observations nouvelles. Si une loi candidate conduit à une conséquence mesurable, les chercheurs peuvent concevoir une expérience qui départage cette hypothèse des explications concurrentes. C’est à cette boucle de prédiction et de test que le système devra être connecté pour contribuer à une découverte inconnue.
Ce que l’étude ne démontre pas
Il est utile de séparer plusieurs niveaux de preuve. L’étude démontre que le système, dans son cadre de simulation et sur les expériences choisies, peut retrouver des lois connues. Elle ne démontre pas que l’IA a révélé une loi fondamentale jusque-là inconnue. Elle ne prouve pas non plus une autonomie générale dans la conduite d’un programme de recherche.
Les auteurs qualifient le système de preuve de concept. Les expériences simulées fournissent un environnement contrôlé, mais leurs générateurs sont établis à partir d’équations connues. Le processus est donc éloigné de données brutes de laboratoire dont les causes seraient partiellement inconnues. Les données réelles sont souvent plus ambiguës : des variables manquent, plusieurs effets se superposent, les mesures sont corrélées et le protocole lui-même peut introduire un biais.
Le succès sur la mécanique classique n’implique pas un transfert direct vers la chimie, la biologie, l’astrophysique ou la science des matériaux. Chaque domaine possède des objets, des unités, des mécanismes et des contraintes expérimentales différents. Une approche de découverte universelle devrait montrer qu’elle s’adapte à ces changements sans un travail manuel substantiel de reformulation.
Enfin, même lorsqu’une loi est retrouvée, son interprétation et sa portée doivent être évaluées par des experts. Les unités, les conditions initiales, les hypothèses d’idéalisation et les domaines de validité font partie de l’énoncé scientifique. Une formule qui omet ces conditions peut donner une impression de généralité excessive.
Quelles expériences pourraient faire progresser cette approche ?
Une première étape serait d’appliquer la méthode à des données expérimentales réelles, avec des incertitudes mesurées et des imperfections documentées. Les chercheurs pourraient choisir des jeux de données où une loi est connue mais pas fournie au système, puis comparer les résultats à des méthodes de référence et à des analyses humaines.
Une deuxième étape serait de tester des phénomènes où les hypothèses ne sont pas entièrement établies. Le système devrait alors proposer des lois candidates et produire des prédictions différenciant ces propositions. Les expériences nouvelles — et non les seuls scores sur les données initiales — pourraient ensuite confirmer ou rejeter ces prédictions.
Une troisième direction concerne l’incertitude. Une méthode scientifique utile devrait indiquer quelles données soutiennent une règle, quelles expériences la contredisent et à quel point les paramètres sont identifiables. Si deux théories expliquent aussi bien les observations disponibles, le système devrait rendre cette ambiguïté visible plutôt que choisir arbitrairement une formule.
Enfin, les évaluations pourraient comparer le système à une collaboration humain-machine. Les chercheurs peuvent utiliser les propositions pour planifier des expériences, fournir des corrections de concepts et décider quelles hypothèses sont prometteuses. L’efficacité devrait alors être mesurée par les découvertes vérifiées, le temps économisé dans l’analyse et la qualité des connaissances produites, pas seulement par l’autonomie du logiciel.
IA scientifique : de l’analyse au raisonnement transférable
AI-Newton rejoint un mouvement plus large où l’IA passe de l’analyse de données à la proposition de pistes scientifiques. Les approches varient : génération de molécules, recherche de motifs biologiques, agents qui consultent la littérature, systèmes qui orchestrent des calculs et méthodes qui tentent de formaliser des preuves.
L’article sur MOFGen et la synthèse de matériaux poreux montre une boucle mêlant génération, simulation et laboratoire. Celui consacré aux agents IA et aux données de cellules cérébrales traite d’un autre défi : relier des perturbations génétiques et la littérature pour formuler des hypothèses biologiques. Ces travaux ne sont pas interchangeables, mais chacun souligne l’importance de distinguer la proposition d’une hypothèse de sa validation.
Cette distinction a une valeur pratique. Un système peut être très utile même s’il ne « pense » pas comme un physicien : s’il repère des relations, priorise des candidats ou rend une analyse reproductible, il peut améliorer le travail de recherche. La question importante est de savoir quelles tâches sont accélérées et quelles étapes restent nécessaires avant d’affirmer que le phénomène est compris.
Conclusion : une démonstration de méthode, pas une nouvelle physique
AI-Newton présente un cadre intéressant pour dépasser la modélisation d’expériences isolées. En cherchant des concepts communs et en étendant progressivement des lois, il s’attaque à une question centrale de la science : comment passer de données particulières à des règles transférables ? La redécouverte de lois classiques sur 46 scénarios constitue une première démonstration évaluée dans un environnement contrôlé.
La portée du résultat est plus modeste que le mot « découverte » ne le suggère parfois dans les titres. Les lois retrouvées étaient connues, les données étaient simulées et les tests relevaient d’une preuve de concept. Ce sont précisément ces limites qui permettent de formuler la prochaine étape : confronter la méthode à des mesures réelles, à des phénomènes moins balisés et à des prédictions vérifiées par de nouvelles expériences.
L’IA ne transforme pas une équation en connaissance scientifique à elle seule. Elle peut proposer une structure mathématique, mais les chercheurs doivent vérifier les hypothèses, tester la portée, comparer les explications concurrentes et rendre les résultats reproductibles. AI-Newton est donc moins l’histoire d’une machine qui remplace les physiciens que celle d’un outil qui explore comment formaliser et étendre certaines opérations du raisonnement scientifique.
Source principale
- You-Le Fang et al., AI-Newton: A concept-driven physical law discovery system without prior physical knowledge, Physical Review Research 8, 043129 (2026), publié le 4 novembre 2026.