Cet article explore le lien entre l'intelligence artificielle (IA) et la physique théorique. Plus précisément, nous nous concentrons sur l'approche Gravity-from-Entropy (GfE), où la gravité est dérivée de l'entropie relative quantique géométrique (GQRE) de deux espaces-temps lorentziens. Nous montrons que le célèbre algorithme de Perona-Malik, utilisé en traitement d'images, est simplement une action GfE de flux de gradient. Plus précisément, cet algorithme résulte de la minimisation de l'GQRE entre le support de l'image et deux métriques euclidiennes induites par l'image. L'algorithme de Perona-Malik est connu pour préserver les contours nets, ce qui signifie que l'action GfE ne conduit pas à une image uniforme, comme on pourrait s'y attendre lors de la répétition d'une dynamique de flux de gradient. Au contraire, le résultat de la minimisation de l'GQRE est compatible avec la préservation de la structure complexe. Ces résultats fournissent des fondements géométriques et théoriques de l'information à l'algorithme de Perona-Malik et pourraient contribuer à établir des liens plus étroits entre l'GfE, l'apprentissage automatique et la recherche sur le cerveau.
