Un assistant IA s'attaque aux calculs les plus ardus de la cosmologie express

Original: "LLMs with in-context learning for Algorithmic Theoretical Physics"
· Anamaria Hell, Leander Thiele
arXiv:2605.08212 · 2026-05-06 · CC BY 4.0 · 1 min
Un réseau de neurones couplé à un moteur mathématique résout les équations nécessaires pour tester de nouvelles théories de la gravité.

📄 Version "Simple" affichee, "Avancé" n est pas encore prete. Ajoutez-le aux favoris pour aider a la prioriser.

L'expansion de l'univers s'accélère, et il se pourrait que la gravité ne fonctionne pas comme nous le croyons. Les physiciens élaborent des théories alternatives, mais pour les tester, il faut calculer comment les ondulations primordiales issues du Big Bang ont donné naissance aux galaxies. Ces calculs impliquent de longues équations avec des centaines de termes, où il est facile de se perdre. Georges Lemaître et Edwin Hubble ont posé les fondations, mais aujourd'hui, la machine prend en charge le gros du travail.

Le réseau de neurones Claude, connecté au logiciel de calcul formel Maple, agit comme un robot-cuisinier : vous lui donnez une recette (la théorie de départ), et il mesure lui-même les ingrédients (simplifie les formules), mélange (substitue les expressions) et fait cuire (produit des prédictions). Au physicien de vérifier le goût — c'est-à-dire de comparer avec les observations. Sur le problème des perturbations cosmiques, après quelques exemples, l'IA réussissait la plupart des nouveaux cas, mais elle se trompait parfois, en confondant les signes ou en perdant des termes.

Le réseau de neurones ne se trompe pas comme une machine — il est cohérent dans ses erreurs, comme s'il avait son propre style de pensée.

Un tel assistant peut accélérer considérablement la quête de l'énergie noire — ou même montrer comment l'expansion peut s'en passer. Pour l'instant, on ne peut pas se passer d'un contrôle humain, mais une chose est claire : l'avenir de la cosmologie passe par une symbiose entre l'esprit humain et la machine.

Résumé original

tel que rédigé par les auteurs, en anglais arXiv:2605.08212

There is an increasing number of algorithmic computations in theoretical physics. These, while conceptually simple, can nevertheless be time-consuming and contain subtleties that should not be overlooked. Given the recent improvement of Large Language Models (LLM), it is natural to investigate whether LLMs equipped with a computer algebra system (CAS) runtime and sufficiently informative context can reliably carry out these algorithmic tasks. In this work, we interface Claude with Maple, and apply this framework to cosmological perturbations in modified theories of gravity. We demonstrate the current capabilities of this approach, the typical failures, and how the same can be improved. We find that a frontier LLM supplied with worked examples is able to solve most test problems.

Les premiers calculs des ondulations cosmiques étaient menés au crayon sur papier. Une simple erreur d'arithmétique pouvait retarder une découverte d'une décennie.

Scientifiques
Adam RiessBrian SchmidtEdwin HubbleGeorges LemaîtreMaarten SchmidtSaul Perlmutter
Notions
grands modèles de langage méthode CLs simulation quantique de systèmes physiques référentiel simulation cosmologique analyse automatisée algorithme hybride intelligence artificielle modèles quantiques méthode computationnelle réseaux de neurones en cartographie spatiale Lagrangien approche hybride problème d'optimisation assistant scientifique par IA apprentissage médecine astrophysique par IA coût de calcul limite classique