
Réseaux de neurones utilisés comme estimateur statistique pour l'équation d'état.La régression par réseau de neurones est une technique d'apprentissage automatique dans laquelle un réseau de neurones artificiel est entraîné à prédire une sortie numérique continue à partir de caractéristiques d'entrée. En physique, elle est de plus en plus utilisée comme estimateur statistique pour des relations complexes, telles que l'équation d'état (EoS) de la matière — la fonction reliant pression, température et volume. Au lieu de s'appuyer sur des formules analytiques, un réseau de neurones apprend l'équation d'état directement à partir de données expérimentales ou de simulation, capturant des non-linéarités difficiles à modéliser à la main.
Les réseaux de neurones ont été conceptualisés dans les années 1940, mais leur utilisation en physique pour la régression s'est généralisée dans les années 2010 avec l'essor de l'apprentissage profond et des GPU puissants. Des applications spécifiques aux équations d'état ont émergé en physique nucléaire et en astrophysique à cette époque.
Un réseau de neurones est constitué de couches de « neurones » interconnectés (des fonctions mathématiques). Pendant l'entraînement, le réseau ajuste ses poids internes pour minimiser la différence entre ses prédictions et les points de données connus (par exemple, issus d'expériences nucléaires ou de simulations). Une fois entraîné, il peut interpoler ou extrapoler pour prédire l'équation d'état dans de nouvelles conditions. La flexibilité du réseau lui permet d'approximer toute fonction lisse, à condition de disposer de suffisamment de données et de neurones.
Utilisé pour modéliser les équations d'état des étoiles à neutrons, de la matière nucléaire et des matériaux dans des conditions extrêmes, là où les formes analytiques traditionnelles sont inadéquates.
Un réseau de neurones avec une seule couche cachée peut approximer toute fonction continue sur un domaine compact — un résultat connu sous le nom de théorème d'approximation universelle.



















