06.10.2026 · Signal Titans Editorial
Paysages énergétiques et spins aléatoires : comment la physique a façonné les réseaux de neurones
Comment la physique théorique et les verres de spin ont posé les bases des réseaux de neurones artificiels et de l'apprentissage automatique.
En 1980, le physicien théoricien John Hopfield a accepté une chaire de chimie et de biologie au California Institute of Technology. Avant ce départ pour Caltech, Hopfield avait passé plusieurs années aux laboratoires Bell à collaborer avec le physicien théoricien Philip Anderson. Ce dernier étudiait des matériaux magnétiques désordonnés appelés verres de spin, dans lesquels les moments magnétiques, ou spins, des atomes individuels s'orientent dans des directions aléatoires au lieu de s'aligner de manière uniforme. Ce désordre microscopique engendrait des instabilités mathématiques complexes, faisant des verres de spin un sujet réputé difficile en physique de la matière condensée. Hopfield s'est imprégné des descriptions mathématiques d'Anderson décrivant l'interaction de ces spins atomiques contradictoires sous des contraintes physiques.
Cartographier les paysages énergétiques pour la mémoire
À Caltech, Hopfield a pris conscience que les mathématiques décrivant les interactions de spins atomiques pouvaient répondre à une question fondamentale sur l'intelligence : comment des réseaux distribués retrouvent-ils des souvenirs associatifs ? L'informatique classique récupérait les informations stockées à l'aide d'adresses numériques fixes. Hopfield a plutôt conçu un réseau de neurones artificiels dans lequel les souvenirs étaient codés à travers la force des connexions entre les composants. Il a décrit la recherche de motifs en la comparant à une bille roulant dans un paysage de sommets et de vallées, freinée par les frottements. Lorsqu'il recevait une version incomplète ou déformée d'un motif — un peu comme lorsqu'on reconnaît une personne à partir d'une image fragmentée —, le réseau mettait à jour ses connexions de manière itérative jusqu'à se stabiliser dans une vallée à faible énergie, reconstituant ainsi l'état mémorisé complet.
Des trajectoires physiques aux probabilités
Geoffrey Hinton a assisté à l'une des conférences de Hopfield sur les réseaux de neurones et a compris que cette architecture pouvait être étendue grâce à la physique statistique. Alors que le réseau de Hopfield retrouvait des états stockés spécifiques en descendant dans des vallées d'énergie, Hinton cherchait un mécanisme capable d'apprendre les propriétés statistiques globales des données. Il s'est inspiré du physicien du XIXe siècle Ludwig Boltzmann, dont les travaux en mécanique statistique calculaient la probabilité qu'un système physique occupe différents états d'énergie à une température donnée. En collaboration avec Terrence Sejnowski et d'autres chercheurs, Hinton a mis au point la machine de Boltzmann. Au lieu de rappeler des souvenirs isolés, ce réseau ajustait la force de ses connexions pour apprendre la distribution de probabilité sous-jacente d'un ensemble de données. En tant que modèle génératif précoce, il pouvait identifier des caractéristiques récurrentes, compléter des détails manquants et synthétiser de nouvelles instances de motifs.
La reconnaissance de la physique dans l'apprentissage automatique
Le saut conceptuel reliant les équations des verres de spin et la thermodynamique à l'apprentissage informatique a nécessité plusieurs décennies pour déboucher sur des applications à grande échelle. Pendant longtemps, l'intersection entre la physique et l'intelligence artificielle est restée perçue comme un domaine restreint. Ce regard a radicalement changé en octobre 2024, lorsque l'Académie royale des sciences de Suède a décerné le prix Nobel de physique à John Hopfield et Geoffrey Hinton. Le comité Nobel a salué leurs découvertes et inventions fondamentales qui ont rendu possible l'apprentissage automatique grâce aux réseaux de neurones artificiels, soulignant que ces modèles physiques étaient devenus indispensables dans de nombreuses disciplines scientifiques, notamment en physique de la matière condensée pour la conception de nouveaux matériaux aux propriétés atomiques spécifiques.
Faire le lien entre thermodynamique et informatique moderne
Le transfert interdisciplinaire de la physique des verres de spin et de la mécanique statistique du XIXe siècle a fourni le socle structural des systèmes d'intelligence artificielle modernes. Aujourd'hui, les paysages énergétiques cartographiés pour la première fois par Hopfield et les machines probabilistes formulées par Hinton alimentent des outils informatiques capables de traiter le langage naturel, de prédire des structures protéiques complexes et de révéler des motifs statistiques cachés au sein de vastes ensembles de données scientifiques.
Illustration éditoriale générée par IA ; ce n’est pas une photographie documentaire.
SIGNAL TITANS