Un ordinateur classique, lorsqu'il cherche une loi de la nature à partir de données, tente de deviner une formule complète d'un seul coup. C'est comme si un cuisinier, sans connaître la recette, jetait tous les ingrédients dans la casserole en espérant obtenir une soupe. Le plus souvent, cela donne une bouillie immangeable : la formule est longue mais dénuée de sens, et elle se trompe sur de nouvelles données.
Les scientifiques ont proposé une autre voie : laisser la machine suivre les traces des grands physiciens. D'abord, elle trouve une régularité simple — par exemple, qu'une planète se déplace d'autant plus vite qu'elle est proche du Soleil. Puis elle y ajoute un maillon suivant, puis un autre. Ainsi, de plusieurs morceaux clairs se forme une chaîne qui, au final, donne une loi précise. Cette méthode a été baptisée « chaîne de régression symbolique ».
Le test sur trois problèmes — l'ébullition turbulente d'un liquide, l'écoulement d'un fluide visqueux dans un tuyau et l'évaporation d'un métal sous un laser — a montré que la nouvelle méthode est plus précise que les anciennes. Et sur des données de résistance de l'air pour différents avions, elle a trouvé une régularité que l'on n'avait pas remarquée auparavant. Cela signifie que la machine peut non seulement redécouvrir ce qui est connu, mais aussi suggérer aux ingénieurs de nouvelles formules utiles.
Cette approche rappelle l'assemblage d'un jeu de construction : chaque pièce est simple et compréhensible, et ensemble elles forment un mécanisme complexe. Et c'est bien plus fiable que d'essayer de deviner tout le mécanisme d'un coup.
La régression symbolique, c'est quand un ordinateur cherche non pas juste un nombre, mais une formule que l'on peut écrire sur papier et comprendre comment elle fonctionne.