IA et Physique : l’avenir de l’efficacité énergétique

Obtenir quelque chose pour rien ne fonctionne pas en physique. Mais il s’avère qu’en pensant comme un joueur stratégique, il est possible d’améliorer l’efficacité énergétique de systèmes complexes tels que les centres de données.

Dans des simulations informatiques, Stephen Whitelam, du Lawrence Berkeley National Laboratory (Berkeley Lab) du ministère de l’énergie, a utilisé des réseaux neuronaux (un type de modèle d’apprentissage automatique qui imite les processus du cerveau humain) pour entraîner des nanosystèmes, qui sont de minuscules machines de la taille d’une molécule, à fonctionner avec une plus grande efficacité énergétique.

De plus, les simulations ont montré que les protocoles appris pouvaient tirer de la chaleur des systèmes en les mesurant constamment pour trouver les opérations les plus efficaces sur le plan énergétique.

« Nous pouvons extraire de l’énergie du système ou stocker du travail dans le système« , a déclaré M. Whitelam.

Cette idée pourrait s’avérer précieuse, par exemple, pour l’exploitation de très grands systèmes tels que les centres de données informatiques. Les banques d’ordinateurs produisent d’énormes quantités de chaleur qu’il faut extraire – en utilisant encore plus d’énergie – pour éviter d’endommager les composants électroniques sensibles.

M. Whitelam a mené ses recherches à la Molecular Foundry, une installation du DOE Office of Science située au Berkeley Lab. Ses travaux sont décrits dans un article publié dans Physical Review X (« Demon in the Machine : Learning to Extract Work and Absorby from Fluctuating Nanosystems« ).

Inspiration de Pac Man et du démon de Maxwell

Interrogé sur l’origine de ses idées, M. Whitelam a déclaré : « Des personnes ont utilisé des techniques d’apprentissage automatique pour jouer à des jeux vidéo Atari qui semblaient naturellement adaptés à la science des matériaux« .

Dans un jeu vidéo comme Pac Man, explique-t-il, l’objectif de l’apprentissage automatique serait de choisir un moment particulier pour effectuer une action – en haut, en bas, à gauche, à droite, etc.

Au fil du temps, les algorithmes d’apprentissage automatique « apprendront » les meilleurs mouvements à effectuer, et à quel moment, afin d’obtenir des scores élevés. Les mêmes algorithmes peuvent fonctionner pour les systèmes à l’échelle nanométrique.

Les simulations de Whitelam constituent également une sorte de réponse à une vieille expérience de pensée en physique appelée le démon de Maxwell. En bref, en 1867, le physicien James Clerk Maxwell a proposé une boîte remplie d’un gaz, au milieu de laquelle se trouverait un « démon » sans masse contrôlant une trappe.

Le démon ouvrirait la porte pour permettre aux molécules de gaz les plus rapides de se déplacer d’un côté de la boîte et aux molécules les plus lentes de se déplacer de l’autre côté.

Finalement, toutes les molécules étant ainsi séparées, le côté « lent » de la boîte serait froid et le côté « rapide » serait chaud, ce qui correspondrait à l’énergie des molécules.

Vérification du réfrigérateur

Le système constituerait un moteur thermique, selon Whitelam. Il est toutefois important de noter que le démon de Maxwell n’enfreint pas les lois de la thermodynamique – obtenir quelque chose pour rien – car l’information est équivalente à l’énergie. Mesurer la position et la vitesse des molécules dans la boîte coûte plus d’énergie que le moteur thermique qui en résulte.

Et les moteurs thermiques peuvent être utiles. Les réfrigérateurs constituent une bonne analogie, a expliqué M. Whitelam. Lorsque le système fonctionne, les aliments à l’intérieur restent froids – le résultat souhaité – même si l’arrière du réfrigérateur devient chaud en raison du travail effectué par le moteur du réfrigérateur.

Dans les simulations de M. Whitelam, le protocole d’apprentissage automatique peut être considéré comme le démon. Dans le processus d’optimisation, il convertit les informations tirées du système modélisé en énergie sous forme de chaleur.

Libérer le démon sur un système à l’échelle nanométrique

Dans une simulation, Whitelam a optimisé le processus consistant à faire glisser une bille nanométrique dans l’eau. Il a modélisé un « piège optique » dans lequel des faisceaux laser, agissant comme des pinces à lumière, peuvent maintenir et déplacer une bille.

« Le but du jeu est de se rendre d’un point à un autre avec un minimum de moyens : Aller d’un point à un autre en faisant travailler le système le moins possible« , a expliqué M. Whitelam. La bille est soumise à des fluctuations naturelles appelées mouvement brownien lorsque les molécules d’eau la bombardent.

Whitelam a montré que si ces fluctuations peuvent être mesurées, le déplacement de la perle peut alors être effectué au moment le plus efficace sur le plan énergétique.

« Nous montrons ici que nous pouvons entraîner un démon à réseau neuronal à faire quelque chose de similaire à l’expérience de pensée de Maxwell, mais avec un piège optique« , a-t-il déclaré.

Refroidir les ordinateurs

M. Whitelam a étendu l’idée à la microélectronique et à l’informatique. Il a utilisé le protocole d’apprentissage automatique pour simuler l’inversion de l’état d’un bit nanomagnétique entre 0 et 1, ce qui constitue une opération de base d’effacement et de copie d’informations en informatique.

« Recommencez, encore et encore. Votre démon finira par « apprendre » à inverser l’état du bit de manière à absorber la chaleur de l’environnement« , explique-t-il. Il revient à l’analogie du réfrigérateur. « Vous pourriez fabriquer un ordinateur qui se refroidit au fur et à mesure qu’il fonctionne, la chaleur étant envoyée ailleurs dans votre centre de données.« 

Selon M. Whitelam, « les simulations sont comme un banc d’essai pour comprendre les concepts et les idées. L’idée est de montrer qu’il est possible d’exécuter ces protocoles, soit en dépensant peu d’énergie, soit en aspirant de l’énergie au prix d’un transfert ailleurs, à l’aide de mesures qui pourraient s’appliquer dans la vie réelle« .

William Schulz, Berkeley Lab