Physique théorique et IA générative

[ThM55]

Bonjour. L'article référencé ci-dessous décrit la méthode qui a été utilisée pour une recherche théorique (une variante non linéaire de la mécanique quantique) dont l'idée de base a été fournie par GPT-5, l'IA générative d'openAI la plus avancée, et les calculs réalisés et vérifiés par croisement des informations obtenues de GPT-5, Gemini Pro et Qwen-Max. L'article qui est discuté a été revu par des experts, accepté et publié par Physics Letters B, une des revues les plus prestigieuses pour la physique théorique, qui publie des communications brèves.

https://drive.google.com/file/d/16sx...9bqA6lr1H/view

L'article publié dans Phys Lett B est sur Arxiv:

https://arxiv.org/abs/2511.15935

Voilà du sérieux pour ceux qui voudraient s'informer sur le rôle de l'IA en sciences. Il est inutile et même néfaste de pondre de faux articles bidons. Bonsoir.
-----

[pm42]

Merci pour les articles.
Cela fait penser à l'usage que faisait Terence Tao des LLMs il y a déjà 2 ans environ pour explorer de nouvelles idées.
Mais là, cela va beaucoup plus loin, c'est très impressionnant et la question de savoir jusqu'où on va aller se pose.

A titre perso et bien que l'IA générative soit maintenant mon quotidien (je développe des agents IA), je suis de plus en plus impressionné.
Je peux faire des projets complets juste en définissant leur architecture en dialoguant avec une IA avant de demander à une autre de tout écrire, tester et documenter. Ma productivité a été multipliée par un facteur 3 mais si je me concentrais sur un seul domaine, ce serait sans doute un facteur 10 ou plus.

S'il se passe la même chose en science, cela va être spectaculaire.

[ThM55]

Je suis parti à la retraite avant l'apparition de ces outils sous forme libre mais pour mes jeunes collègues développeurs, que j'ai revus lors d'une fête, c'est selon eux devenu leur pain quotidien. A noter toutefois dans le premier article (le making off, paragraphe 2.2 Verification: Human Input and False Directions), les erreurs faites par les LLM. Cela montre que le discernement humain est essentiel pour en tirer profit sans entraîner de catastrophe.

[MissJenny]

moi aussi j'ai pris ma retraite trop tôt... mais peut-être est-ce une bonne chose. Quoi qu'il en soit, en biologie, le CNRS a lancé toute une série de colloques, groupes de réflexion, sur ce thème. Tout le monde est persuadé que ça va changer nos métiers en profondeur mais on ne sait pas comment...

[A voir en vidéo sur Futura]

[Bounoume]

alors puisque certaines configurations peuvent déjà conduire une construction scientifiquement valide....en extrapolant un peu .....bientôt y aura-t-il une réponse positive à cette question?
https://forums.futura-sciences.com/d...physiques.html

[pm42]

A noter toutefois dans le premier article (le making off, paragraphe 2.2 Verification: Human Input and False Directions), les erreurs faites par les LLM. Cela montre que le discernement humain est essentiel pour en tirer profit sans entraîner de catastrophe.

Oui et c'est ce que j'explique à mes clients : il faut traiter les LLMs comme des humains, pas comme des "computers". On a pris l'habitude que les ordinateurs soient 100% fiables pour les tâches "numériques" et cela biaise notre pensée.
Et on a bien sur le biais de l'arrogance humaine qui consiste à dire "nous on est intelligents et on ne fait pas d'erreurs grossières" sauf que c'est faux à tout niveau et que justement, la science s'est construite sur le fait de ne jamais faire confiance à un humain et de tout faire vérifier par d'autres.

Pour les IAs, on peut toutefois imaginer des architectures où plusieurs d'entre elles différentes font la même tâche et où d'autres vérifient voire font des objections.
C'est déjà ce qu'on fait en partie : par exemple, une IA qui programme lance le code qu'elle a écrit, regarde s'il compile, s'il donne les résultats attendus y compris au niveau de l'interface graphique et corrige d'elle même.
Et un humain la challenge.
Donc on a de la marge de progression pour le traitement des erreurs.

D'autres pistes sont de diminuer le taux d'hallucination, un sujet sur lequel on a déjà fait des progrès. Ou dans le futur, d'avoir d'autres architectures d'IA qui raisonneraient sans erreur mais là, j'extrapole.

[GBo]

Bonjour. L'article référencé ci-dessous décrit la méthode qui a été utilisée pour une recherche théorique (une variante non linéaire de la mécanique quantique) dont l'idée de base a été fournie par GPT-5, l'IA générative d'openAI la plus avancée, et les calculs réalisés et vérifiés par croisement des informations obtenues de GPT-5, Gemini Pro et Qwen-Max.
[...]

(Mise en gras par moi-même).

Ce qui est écrit dans l'article en question est plus modeste quant au rôle de l'IA:

The author used AI models GPT-5, Gemini 2.5 Pro, and Qwen-Max in the preparation of this manuscript, primarily to check results, format latex, and explore related work. The author has checked all aspects of the paper and assumes full responsibility for its content.

[ThM55]

Il faut tout lire, par exemple déjà le résumé du "making of":

Abstract

Large Language Models (LLMs) can make nontrivial contributions to math and physics, if
used properly. Separate model instances used to Generate and Verify research steps produce
more reliable results than single-shot inference. As a specific example, I describe the use of
AI in recent research in quantum field theory (Tomonaga-Schwinger integrability conditions
applied to state-dependent modifications of quantum mechanics), work now accepted for
publication in Physics Letters B after peer review. Remarkably, the main idea in the paper
originated de novo from GPT-5. GPT-5, Gemini, and Qwen-Max were used extensively to
perform calculations, find errors, and generate the finished paper.

[MissJenny]

un peu de science-fiction : puisque les ordinateurs pensent beaucoup plus vite que nous, on peut imaginer que les IA développent en quelques heures l'équivalent de plus de 2000 ans de mathématiques humaines, puis quand elles veulent nous expliquer leurs théories, nous soyons incapables de les comprendre. Un peu comme si on traduisait en grec ancien le Cartan & Eilenberg (le livre que je m'échine à lire en ce moment) et qu'on le donne à lire à Euclide. Ce serait assez déprimant.

[pm42]

on peut imaginer que les IA développent en quelques heures l'équivalent de plus de 2000 ans de mathématiques humaines

Pour le moment, on en est loin parce qu'elles ne sont pas spécialement bonnes pour développer des théories, avoir de l'imagination.

puis quand elles veulent nous expliquer leurs théories, nous soyons incapables de les comprendre.

Cela par contre, c'est déjà arrivé en partie : projet FAIR chez Facebook en 2017 largement couvert par la presse où des agents ont développé un langage optimisé pour communiquer entre eux pas vraiment compréhensible.

Et il y a actuellement un débat : au départ les LLMs ne "pensaient" pas puis avec des techniques comme "chain of thought" on leur a appris à verbaliser leur raisonnement ce qu'on voit chez certains.
Mais on cherche à développer une génération qui serait entrainée de façon à ce que le texte ne soit plus au centre mais toutes les entrées y compris images, son, etc.
Le but est de dépasser les biais du "texte seul" mais on s'attend alors à ce qu'ils "réfléchissent" de manière non linguistique ce qui effectivement accentuerait leur coté boite noire et limiterait l'explicabilité, etc. Et on pourrait se retrouver avec une IA qui donnerait des conclusions pertinentes mais aurait des difficultés à les verbaliser.

P.S : le cerveau humain est assez intéressant de ce coté là puisqu'il fait un peu pareil notamment pour les décisions qui sont prises à très bas niveaux puis "expliquées" avec des justifications mais qui sont construites à postériori. On ne s'en rend pas compte mais on le voit sous IRM.

[GBo]

Il faut tout lire, par exemple déjà le résumé du "making of":

Abstract

Large Language Models (LLMs) can make nontrivial contributions to math and physics, if
used properly. Separate model instances used to Generate and Verify research steps produce
more reliable results than single-shot inference. As a specific example, I describe the use of
AI in recent research in quantum field theory (Tomonaga-Schwinger integrability conditions
applied to state-dependent modifications of quantum mechanics), work now accepted for
publication in Physics Letters B after peer review. Remarkably, the main idea in the paper
originated de novo from GPT-5. GPT-5, Gemini, and Qwen-Max were used extensively to
perform calculations, find errors, and generate the finished paper.

Merci, j'ai été opéré récemment des yx, ça explique.
Dans cas, pourquoi ne pas créditer GPT-5 en tant que co-auteur ? question sérieuse.

[Avatar10]

Dans cas, pourquoi ne pas créditer GPT-5 en tant que co-auteur ? question sérieuse.

Peut-être parce que un auteur humain assume l’entière responsabilité du contenu. Les IA sont des outils, pas des agents autonomes capables de signer un article. Elles ne peuvent pas garantir la véracité, ni assumer des responsabilités légales ou éthiques. Donc pour l'instant les revues exigent la transparence donc l'obligation des auteurs de stipuler l'utilisation d'IA.

Après suivant l'évolution des IA, cela devrait amener à débat.

[mh34]

Apparemment l'article inspiré par GPT-5 aurait quelques problèmes ( serait faux? )...
https://inspirehep.net/literature/3090417
Pas tout compris j'avoue...

[ThM55]

C'est possible. Il n'est pas exceptionnel qu'un article prétendant apporter une nouveauté théorique soit contesté, cela se produit parfois pour ce qui est publié dans une revue comme Physics Letters B qui a une grande visibilité. Je ne pourrais me prononcer sur le fond.

[GBo]

Apparemment l'article inspiré par GPT-5 aurait quelques problèmes ( serait faux? )...
https://inspirehep.net/literature/3090417
Pas tout compris j'avoue...

Merci pour ta trouvaille.
D'après Jonathan Oppenheim (Department of Physics and Astronomy, University College London), le LLM (et son co-auteur humain Hsu) auraient raté le coche, je le cite :

LLMs can assist researchers with literature searches, formatting, and initial critiques, but frequently generate plausible-sounding text that is incorrect. In this case, the LLM proposed a criterion for relativistic covariance of nonlinear quantum mechanics that addresses a different question than intended. The actual obstruction—that expectation values fail to commute with distant operations on entangled states—was identified 35 years ago by Gisin and Polchinski in highly cited publications, that would have been accessible to GPT-5, making the error more notable.
[...] it illustrates a characteristic failure mode in which LLMs generate sophisticated-looking analysis that misses the conceptual core of a problem. If plausible but incorrect AI-generated reasoning can appear convincing even under the scrutiny of distinguished experts, the broader scientific community should be extremely cautious.

[pm42]

C'est très intéressant et il y a 2 façons de voir cela :

1) Les LLMs sont capables de faire des erreurs comme cela, il faut faire très attention parce que clairement, ce n'est pas au niveau, leur capacité de réflexion et d'auto-correction est imparfaite, la technologie est intrinsèquement fragile

2) On est passé en exactement 3 ans de ChatGTP 3.5 qui n'arrivait pas à compter les voyelles dans un mot ou à faire le moindre raisonnement élémentaire à des modèles spécialisés qui ont le niveau Olympiade de maths voir master pointu pour certains et qui en physique sont capables de travailler à un niveau théorique élevé et de faire des erreurs mais comme les humains. Donc on est dans la bonne direction et dans le futur, des modèles meilleurs, ou entrainés/configurés pour vont être d'une grande aide en science. Sachant que c'est déjà le cas, cf. les Nobels de l'année dernière.

Les 2 points de vue sont valides, l'un est "verre à moitié vide", l'autre "à moitié plein".

P.S : on n'a pas ça qu'en sciences. Je suis tombé sur un article dans Le Monde sur une pub McDonald générée par IA et retirée parce que provoquant des moqueries. Et il était très clair qu'il y avait ce coté "on vous l'avait bien dit, cela ne marche pas". Mais cela fait penser au mépris des fabricants de dirigeables pour le plus lourd que l'air : eux traversaient l'Atlantique en emmenant des dizaines de passagers dans un grand comfort quand les avions faisaient des sauts de puce de quelques centaines de km au mieux.

[ThM55]

Exactement. Et les avions avaient une tendance nettement plus marquée à se crasher, du moins avant l'accident du dirigeable Hindenburg.

On peut aussi mentionner la résolution assistée par l'IA et un démonstrateur de théorème d'un problème posée par Erdös en 1975 et que personne n'avait encore pu résoudre. Terence Tao a écrit un article de blog sur le sujet: https://terrytao.wordpress.com/2025/...s-problem-126/ (je ne connais pas le détail, ce n'est pas le genre de maths sur lesquelles j'aime réfléchir, mais Tao est très disert, pour ceux qui veulent en savoir plus).

[GBo]

Exactement. Et les avions avaient une tendance nettement plus marquée à se crasher, du moins avant l'accident du dirigeable Hindenburg.

On peut aussi mentionner la résolution assistée par l'IA et un démonstrateur de théorème d'un problème posée par Erdös en 1975 et que personne n'avait encore pu résoudre. Terence Tao a écrit un article de blog sur le sujet: https://terrytao.wordpress.com/2025/...s-problem-126/ (je ne connais pas le détail, ce n'est pas le genre de maths sur lesquelles j'aime réfléchir, mais Tao est très disert, pour ceux qui veulent en savoir plus).

Comme tu le dis dans une autre discussion, il y a les IAs, et les IAs génératives (basées sur des LLMs dans le cas de GPT-5 dont on parle dans le présent fil), il ne faut pas tout mélanger...
A ma connaissance, Terence Tao utilise aussi et surtout Lean qui n'est PAS une IA générative justement.
Dans cet interview, Tao explique en quoi Lean diffère des LLMs:

"How Terence Tao uses AI with Lean programming language | Terence Tao and Lex Fridman"
https://youtu.be/hh4cjZOddQA

[pm42]

A ma connaissance, Terence Tao utilise aussi et surtout Lean qui n'est PAS une IA générative justement.

Il utilise aussi du génératif. Il l'avait dit à l'époque de ChatGPT 3.5 et continue : https://mathstodon.xyz/@tao/115306424727150237

[ThM55]

Comme tu le dis dans une autre discussion, il y a les IAs, et les IAs génératives (basées sur des LLMs dans le cas de GPT-5 dont on parle dans le présent fil), il ne faut pas tout mélanger...
A ma connaissance, Terence Tao utilise aussi et surtout Lean qui n'est PAS une IA générative justement.
Dans cet interview, Tao explique en quoi Lean diffère des LLMs:

"How Terence Tao uses AI with Lean programming language | Terence Tao and Lex Fridman"
https://youtu.be/hh4cjZOddQA

Je n'ai pas écrit que c'était de l'IA générative. De plus ce n'est pas Tao qui a mis en oeuvre ces méthodes: dans son article il dit que c'est Boris Alexeev utilisant l'outil Aristotle, qui combine LEAN et d'autres outils (article sur Arxiv: https://arxiv.org/abs/2510.01346 ). A ma connaissance, les prouveurs de théorèmes font bien partie de l'IA. Ou alors on a considérablement restreint le domaine qu'on attribuait dans le passé à ce terme.

[GBo]

@ThM55, le sujet du fil, c'était "Physique théorique et IA générative", je ne vois pas pourquoi tu fais dériver subrepticement sur d'autres espèces d'IA et les avions qui tombent alors qu'il y avait pas mal à dire sur le papier de Stephen D.H. Hsu que tu avais présenté comme "du sérieux", sans vouloir te prononcer sur le fond ensuite, quand on t'informe qu'un "peer", Jonathan Oppenheim, le démonte en règle.

[ThM55]

D'accord, j'ai étendu le sujet au delà des LLM. Mais ce qui s'est passé avec cet article se produit très fréquemment avec des chercheurs humains également. Ils écrivent un article, celui-ci est publié dans une revue prestigieuse après avoir été relu et accepté par un comité d'experts et ensuite quelqu'un le réfute dans un autre article (qui soit dit en passant, dans ce cas et sans préjuger de ce qui va se passer ensuite, n'existe à ce jour que sous forme de preprint dans Arxiv).

[ThM55]

Je crois qu'on a mal compris pourquoi j'ai créé ce fil. Tout ce que je voulais signaler, c'est que l'IA (générative en particulier) pour la recherche n'est pas une simple lubie de farfelus, comme certains fils sur ce forum peuvent donner l'impression (voir les sous-forums de physique ou d'astrophysique, c'est édifiant). Je n'ai pas affirmé que cet article est correct ou important pour la physique quantique ni qu'il ne sera jamais réfuté, mais simplement que l'IA a manifestement franchi un pas que des chercheurs humains ont dû franchir aussi. Il me semble que c'est significatif. C'est tout, rien de plus que ça.

Si je peux me permettre de mentionner mon usage personnel de l'IA générative, à mon modeste niveau, j'essaie d'apprendre l'analyse fonctionnelle et les algèbres d'opérateurs dans le but de mieux comprendre les formulations plus rigoureuses de la mécanique quantique, que j'ai apprise comme un physicien avec des mathématiques "qui marchent" mais qui sont douteuses (comme disait mon prof: "l'espace de Hilbert des physiciens, pas celui de mathématiciens"). Or c'est très ardu seul, les traités sont souvent concis et demandent une habitude des arguments d'analyse que j'ai perdue avec les années. Dans un exemple récent, je tombe sur une démonstration qui pose l'existence d'objets vérifiant des hypothèses. Or il me semble que ces hypothèses sont contradictoires en général ou dans les cas où elles ne le sont pas rendent la preuve absolument triviale, alors que le livre donne une preuve assez technique. J'entame alors un dialogue avec un LLM, par exemple chatGPT, qui m'explique pourquoi la contradiction n'existe pas, et pourqui ce n'st pas trivial, au moyen d'un exemple. Je trouve une objection à l'exemple fourni (car chatGPT fait des erreurs, on le sait) et je l'explique à chatGPT, mais en écrivant l'objection je "vois" tout de suite l'explication correcte et je la donne. Un peu comme "l'effet Micket Mouse" en programmation. Cela permet une lecture active et critique, détecter une hypothèse qui paraît "artificielle", un passage "évidemment" qui ne l'est pas, une définition ou une preuve qui semble inutilement technique etc. Le dialogue avec un LLM permet cela, c'est comme si on avait un prof à disposition. Je trouve que c'est cela qu'on devrait apprendre aux étudiants.

[pm42]

... Je trouve que c'est cela qu'on devrait apprendre aux étudiants.

J'ai trouvé ton message très intéressant et cela correspond à cas d'usage pas souvent décrit mais très efficace. C'est comme d'avoir un collègue patient, disponible, connaissant le sujet, pouvant certes faire des erreurs mais le fait de dialoguer est fécond.
J'ai fait cela cette semaine avec un humain et avec un LLM. Dans les deux cas, cela a fonctionné.

Et pour ce qu'il faudrait apprendre aux étudiants, je suis plus que d'accord mais on en est très loin : déjà en temps normal, on refuse par principe de leur apprendre les outils modernes sous le prétexte que cela va les rendre incompétents et on ne forme pas les enseignants mais là, l'IA avance tellement vite que la dite formation des formateurs serait quasi impossible.
A titre indicatif, même dans le privé, beaucoup ont du mal à suivre. Et j'ai récemment causé avec de jeunes docteures en IA (toutes des femmes par hasard) qui me disaient que même elles n'y arrivent pas.

P.S : à titre indicatif, j'ai changé 4 fois d'outil d'IA d'aide à la programmation cette année et le dernier, Claude Code, fait tout à ma place et mieux que moi. Je ne programme plus du tout.
Comment suivre un tel rythme dans une institution, publique ou privée ?