Le cartographe neuronal : à la découverte des lois invisibles express
De nombreux processus naturels sont décrits par des équations, mais nous n'en connaissons que des fragments. La nouvelle méthode agit comme un cartographe qui, à partir de quelques repères, reconstitue une carte complète du territoire. Les lois connues fournissent un cadre fiable — le modèle standard — comme un trait de côte, et le réseau de neurones complète la dynamique cachée en analysant les données. À chaque cycle, l'algorithme affine la carte : il reconstitue d'abord l'histoire complète du système, puis corrige les parties inconnues. Cela rappelle la façon dont les astronomes cartographient la matière noire invisible dans les galaxies grâce à son influence gravitationnelle.
Les tests ont montré que la méthode prédit avec précision le comportement, même lorsque seuls 5 % des facteurs sont visibles. Contrairement aux boîtes noires, elle conserve le sens physique, ce qui est essentiel pour des modèles fiables en médecine et en écologie.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2607.15180
Ordinary differential equations (ODEs) are widely used to model dynamical systems in physics, biology, neuroscience, and physiology, but in many applications some equations of the dynamics are unknown and only a subset of the state variables are measured. We propose a hybrid neural--physics framework in which the known components of the ODE are kept explicit and the missing components are represented by a neural network. The proposed method consists of two stages where we alternate between state and parameter estimation and iterate until a predetermined criterion is met. Specifically, in the first step, we treat the model parameters as being known and we infer the latent states from the available measurements using a Rauch--Tung--Striebel (RTS) smoother. In the second stage, we treat the smoothed trajectories as being known and use them to estimate the neural networks' parameters through backpropagation. We evaluate the method on benchmark systems spanning linear, nonlinear, and stiff dynamics under partial state observation. Across these settings, the proposed method learns missing ODE components from incomplete measurements while exploiting and retaining interpretable mechanistic structure and improving latent-state reconstruction and long-horizon prediction.
Un principe similaire est à l'œuvre dans les voitures autonomes : lorsque les capteurs perdent momentanément un objet de vue, le modèle physique trace sa trajectoire probable, et le réseau de neurones en précise les détails — comme un cartographe qui complète une carte à partir de quelques lignes.