L'argument de la simulation avancé par Bostrom suggère que nous vivons peut-être à l'intérieur d'une simulation informatique sophistiquée. Si les civilisations post-humaines ont finalement la capacité et le désir de générer de telles simulations à la Bostrom, alors le nombre de réalités simulées dépasserait largement la seule réalité de base, indiquant ostensiblement une forte probabilité que nous ne vivions pas dans cette réalité de base. Dans ce travail, nous soutenons que, puisque l'hypothèse selon laquelle de telles simulations sont techniquement possibles n'est pas prouvée, les calculs statistiques doivent prendre en compte non seulement le nombre d'espaces d'état, mais aussi l'incertitude intrinsèque du modèle. Cela est possible grâce à un traitement bayésien du problème, qui est présenté ici.

En utilisant la moyenne des modèles bayésiens, il est démontré que la probabilité que nous soyons des sims est en fait inférieure à 50 %, tendant vers cette valeur dans la limite d'un nombre infini de simulations. Ce résultat est globalement indifférent, que l'on tienne compte du fait que l'humanité n'a pas encore donné naissance à de telles simulations ou que l'on n'en tienne pas compte. Comme on l'a vu ailleurs, si l'humanité commençait à produire de telles simulations, cela changerait radicalement les probabilités et rendrait très probable le fait que nous soyons en fait des simulateurs.

La question du fonctionnement de l’esprit est au cœur des sciences cognitives. Ces dernières visent à comprendre et à expliquer les processus complexes sous-tendant la perception, la prise de décision et l’apprentissage, trois domaines fondamentaux de la cognition. La théorie du cerveau bayésien, une approche computationnelle issue des principes du traitement prédictif (PP, Predictive Processing), propose une formulation mécanistique et mathématique de ces processus cognitifs. Cette théorie suppose que le cerveau encode des croyances (états probabilistes) pour générer des prédictions à propos des entrées sensorielles, puis utilise les erreurs de prédictions pour mettre à jour ses croyances. Dans cet article, nous présentons une introduction aux principes fondamentaux de la théorie du cerveau bayésien. Nous montrons comment cette théorie innovante hybride des concepts hérités de la philosophie de l’esprit et les données expérimentales issues des neurosciences, et comment elle traduit des processus cognitifs complexes comme la perception, l’action, l’émotion, et la croyance, ou encore la symptomatologie psychiatrique.

https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.129.130601

Un bruit de fond trop important a généralement pour effet de perturber le travail. Mais des physiciens ont mis au point un moteur à micro-échelle, fabriqué à partir d'une bille de verre, qui peut non seulement résister à l'influence distrayante du bruit, mais aussi l'exploiter pour fonctionner efficacement. Leur expérience est rapportée dans la revue Physical Review Letters et a été sélectionnée par la revue comme un point fort de la recherche.

Dans la vie de tous les jours, nous connaissons les moteurs qui consomment du carburant pour se déplacer de manière dirigée et effectuer ainsi un travail utile. Mais les choses sont plus compliquées dans le monde microscopique, où le bruit sous forme de chaleur peut facilement faire capoter les choses.

"La chaleur fait que les composants des petites machines s'agitent en permanence", explique l'auteur principal, John Bechhoefer, physicien quantique à l'université Simon Fraser de Burnaby, en Colombie-Britannique, et membre du Foundational Questions Institute, FQXi, un groupe de réflexion sur la physique. Habituellement, ce bruit thermique dû à la chaleur de l'environnement a pour effet de réduire la quantité de travail utile qu'un petit moteur peut produire.

Mais il existe une famille spéciale de machines microscopiques, appelées "moteurs d'information", qui peuvent réellement exploiter le bruit pour se déplacer de manière dirigée. Un moteur d'information agit en mesurant les petits mouvements causés par la chaleur et en utilisant ces informations pour renforcer sélectivement les mouvements qui vont dans le "bon" sens, dans la direction requise par la machine.

"Un moteur d'information est une machine qui convertit l'information en travail", explique M. Bechhoefer.

Les physiciens et les ingénieurs sont enthousiastes à l'idée de construire de tels moteurs minuscules capables d'exploiter l'information afin de concevoir de nouvelles machines microscopiques pour les applications nanotechnologiques. "Il y a un grand intérêt à s'inspirer des machines biomoléculaires que la nature a développées", déclare le co-auteur David Sivak, un physicien également à SFU. "Notre travail fait progresser notre compréhension de la façon dont l'information peut être utilisée dans de telles machines, ce qui laisse entrevoir des utilisations possibles pour la récolte d'énergie durable ou un stockage et un calcul informatique plus efficaces."

"Un moteur d'information est une machine qui convertit l'information en travail", explique John Bechhoefer.

Bechhoefer, Sivak et leurs collègues de SFU Tushar Saha, Joseph Lucero et Jannik Ehrich ont construit un moteur d'information en utilisant une perle de verre microscopique - de la taille d'une bactérie - en suspension dans l'eau. La perle est maintenue en place de manière lâche par un faisceau laser qui agit comme un support sous le faisceau. Les molécules de l'eau bousculent doucement la bille, en raison des fluctuations thermiques naturelles du liquide, et de temps en temps, la bille est secouée.

C'est là que réside l'astuce : Lorsque l'équipe constate que la bille s'est déplacée vers le haut contre la gravité, en raison des fluctuations thermiques, elle relève le support laser. Dans cette position plus élevée, la bille a maintenant plus d'énergie stockée, ou énergie potentielle gravitationnelle, comme une balle qui est tenue en l'air, prête à tomber.

L'équipe n'a pas eu à fournir de travail pour soulever la particule ; ce mouvement s'est produit naturellement grâce aux secousses des molécules d'eau. Le moteur convertit donc la chaleur thermique de l'eau en énergie potentielle gravitationnelle stockée en utilisant le retour d'information sur le mouvement de la bille pour ajuster le piège à laser. La décision de relever ou non le piège, et si oui de combien, dépend des informations que nous recueillons sur la position de la bille, qui servent de "carburant" au moteur", explique l'auteur principal, M. Saha.

C'est ainsi que cela fonctionne en principe, mais la mise en œuvre correcte de la stratégie est difficile s'il y a trop de bruit de mesure, généré dans le système par la luminosité du faisceau laser utilisé pour localiser la bille. Dans ce cas, l'incertitude sur la position de la bille pour chaque mesure peut être plus importante que les mouvements de la bille produits par le remuement des molécules d'eau. "Le bruit des mesures entraîne une rétroaction erronée et dégrade ainsi les performances", explique M. Saha.

Moteur d'information "bayésien

Les moteurs d'information classiques utilisent des algorithmes de rétroaction qui fondent leurs décisions sur la dernière mesure de la position de la bille, mais ces décisions peuvent être erronées lorsque les erreurs de mesure sont importantes. Dans leur récent article, l'équipe a voulu étudier s'il existait un moyen de contourner ce problème perturbateur.

Ils ont développé un algorithme de rétroaction qui ne repose pas simplement sur une mesure directe de la dernière position de la bille - puisque cette mesure peut être inexacte - mais plutôt sur une mesure plus précise de la dernière position de la bille, basée sur toutes les mesures précédentes. Cet algorithme de filtrage était donc capable de tenir compte des erreurs de mesure dans son estimation, appelée "estimation bayésienne".

"En combinant de nombreuses mesures bruitées d'une manière intelligente impliquant un modèle de la dynamique de la bille, on peut récupérer une estimation plus précise de la position réelle de la bille, ce qui atténue considérablement les pertes de performance", explique Lucero.

Dans leur nouvelle expérience, rapportée dans Physical Review Letters, l'équipe a démontré qu'un moteur d'information qui applique un retour d'information basé sur ces estimations bayésiennes est nettement plus performant que les moteurs d'information classiques, lorsque les erreurs de mesure sont importantes. En fait, la plupart des moteurs d'information classiques s'arrêtent si les erreurs de mesure sont trop importantes.

"Nous avons été surpris de constater que lorsque les erreurs de mesure dépassent un seuil critique, le moteur naïf ne peut plus fonctionner comme un pur moteur d'information : la meilleure stratégie consiste simplement à lever les bras et à ne rien faire", déclare Ehrich. "En revanche, le moteur d'information bayésien est capable d'effectuer un petit travail positif, quelle que soit l'importance de l'erreur de mesure."

Il y a un prix à payer pour la capacité du moteur d'information bayésien à extraire de l'énergie même avec de grandes erreurs de mesure. Comme le moteur bayésien utilise les informations de toutes les mesures précédentes, il a besoin d'une plus grande capacité de stockage et implique davantage de traitement de l'information.

"Un compromis apparaît car la réduction de l'erreur de mesure augmente le travail extractible des fluctuations, mais augmente également les coûts de traitement de l'information", explique Ehrich. L'équipe a donc trouvé une efficacité maximale à un niveau intermédiaire d'erreur de mesure, où elle a pu atteindre un bon niveau d'extraction d'énergie, sans nécessiter trop de traitement.

"Il y a un grand intérêt à s'inspirer des machines biomoléculaires que la nature a développées", déclare David Sivak.

L'équipe étudie maintenant comment les choses pourraient changer si le bruit qui "alimente" le moteur provenait d'autre chose que de la chaleur. "Nous préparons un article qui étudie comment la stratégie de rétroaction optimale et les performances changent lorsque les fluctuations ne sont plus simplement thermiques", explique David Saha, "mais sont également dues à une consommation active d'énergie dans le milieu environnant, comme c'est le cas dans les cellules vivantes."