Os físicos usam métodos de aprendizado de máquina para revelar detalhes inesperados sobre como as partículas interagem em sistemas complexos. O seu trabalho centra-se em forças não recíprocas, onde uma partícula afecta outra partícula de forma diferente da que é afectada.
Os resultados da pesquisa foram publicados em Anais da Academia Nacional de Ciênciasa partir de uma colaboração entre físicos experimentais e teóricos da Emory University. Ao combinar uma rede neural personalizada com dados laboratoriais de plasmas empoeirados, a equipe mostrou que a inteligência artificial pode fazer mais do que analisar dados ou fazer previsões. Poderia ajudar a revelar leis inteiramente novas da física.
“Mostramos que podemos usar a inteligência artificial para descobrir nova física”, disse Justin Burton, professor de física experimental na Universidade Emory e coautor sênior do artigo. “Nossa abordagem de inteligência artificial não é uma caixa preta: entendemos como e por que funciona. A estrutura que fornece também é geral. Tem potencial para ser aplicada a outros sistemas de muitos corpos, abrindo novos caminhos de descoberta.”
Informações de alta precisão sobre a força do plasma em pó
O estudo fornece uma das descrições mais detalhadas do controle físico do plasma empoeirado até o momento. O sistema consiste em gás ionizado preenchido com partículas carregadas em interação, incluindo minúsculas partículas de poeira.
Usando seu modelo de IA, os pesquisadores conseguiram descrever forças irreversíveis com mais de 99% de precisão. Estas forças são notoriamente difíceis de medir e modelar.
“Podemos descrever estas forças com mais de 99 por cento de precisão”, disse Ilya Nemenman, professor de física teórica na Universidade Emory e co-autor sénior do artigo. “Ainda mais interessante é que mostramos que alguns pressupostos teóricos comuns sobre estas forças não são muito precisos. Somos capazes de corrigir estas imprecisões porque agora podemos ver o que está a acontecer com tantos detalhes.”
A equipe acredita que esta abordagem pode ser amplamente aplicada a sistemas compostos por muitos componentes interativos. Estes variam desde materiais industriais, como tintas e tintas, até populações de células vivas.
O principal autor do estudo é Wentao Yu, estudante de doutorado na Emory University e agora pesquisador de pós-doutorado na Caltech. O coautor Eslam Abdelaleem, também estudante de pós-graduação na Emory University, é agora pesquisador de pós-doutorado na Georgia Tech.
Esta pesquisa foi apoiada principalmente pela National Science Foundation, com financiamento adicional da Simons Foundation.
“Este projeto é um grande exemplo de colaboração interdisciplinar, e o desenvolvimento de novos conhecimentos em física de plasma e inteligência artificial pode impulsionar novos avanços no estudo de sistemas vivos”, disse Vyacheslav (Slava) Lukin, diretor do Programa de Física de Plasmas da NSF. “A dinâmica destes sistemas complexos é dominada por interações coletivas, e as tecnologias emergentes de inteligência artificial podem ajudar-nos a melhor descrevê-los, identificá-los, compreendê-los e até controlá-los”.
Explicação do quarto estado da matéria
O plasma é frequentemente chamado de quarto estado da matéria. Neste estado, o gás é ionizado, o que significa que elétrons e íons podem se mover livremente e produzir propriedades únicas, como a condutividade. Do vento solar que emana do Sol aos relâmpagos na Terra, o plasma representa aproximadamente 99,9% do universo visível.
Plasmas empoeirados contêm partículas de poeira carregadas adicionais e ocorrem em muitos ambientes, desde os anéis de Saturno até a ionosfera da Terra.
Na Lua, a fraca gravidade permite que a poeira carregada flutue na superfície. “É por isso que quando os astronautas caminham na Lua, os seus trajes espaciais ficam empoeirados”, explicou Burton.
Na Terra, o plasma de poeira se forma quando a fuligem se mistura com a fumaça durante os incêndios florestais. Essas partículas carregadas podem interferir nos sinais de rádio, dificultando as comunicações dos bombeiros.
Rastreie o movimento de partículas 3D
O laboratório de Burton estuda plasmas empoeirados e materiais semelhantes, recriando-os em experimentos controlados. Os pesquisadores suspenderam minúsculas partículas de plástico em uma câmara de vácuo cheia de plasma para simular sistemas mais complexos. Ao ajustar a pressão do ar, eles podem simular condições do mundo real e observar como as partículas respondem a diferentes forças.
Para este projeto, Burton e Yu desenvolveram um método de imagem tomográfica para capturar o movimento tridimensional (3D) das partículas. A folha de laser passa pela câmara enquanto uma câmera de alta velocidade grava a imagem. Esses instantâneos são então combinados para reconstruir as posições de dezenas de partículas ao longo do tempo, permitindo aos pesquisadores rastrear detalhadamente seus movimentos.
Usando inteligência artificial para entender o movimento coletivo
Niemenmann é um biofísico teórico que estuda como sistemas complexos emergem de interações simples. Ele está particularmente interessado no movimento coletivo, como a forma como as células se movem dentro do corpo humano.
“A questão geral de como todo um sistema surge da interação de pequenas peças é muito importante”, explica Nemenmann. “No câncer, por exemplo, você quer entender como as interações das células estão relacionadas com o fato de algumas delas se separarem do tumor e se deslocarem para novos locais, causando assim metástases”.
Os plasmas empoeirados proporcionam um ambiente mais simples para testar novas ideias do que os sistemas vivos. Isto torna-o um caso ideal para explorar se a inteligência artificial pode descobrir novos princípios físicos.
“Apesar de toda a conversa sobre como a inteligência artificial irá revolucionar a ciência, há muito poucos exemplos de sistemas de inteligência artificial que descobrem diretamente algo fundamentalmente novo”, disse Neimanman.
Redes neurais projetadas para descoberta
Construir um modelo de IA requer um planejamento cuidadoso. Ao contrário dos sistemas treinados em grandes conjuntos de dados, os dados experimentais para este projeto são limitados.
“Quando você explora coisas novas, não tem muitos dados para treinar a inteligência artificial”, explica Nemenman. “Isso significa que temos que projetar uma rede neural que possa ser treinada com uma pequena quantidade de dados e ainda assim aprender coisas novas”.
A equipe passou mais de um ano refinando o design por meio de reuniões semanais.
“Precisamos construir a rede para seguir as regras necessárias e, ao mesmo tempo, permitir que ela explore e infira fenômenos físicos desconhecidos”, explica Burton.
“Tivemos mais de um ano de discussões em reuniões semanais”, acrescentou Neimanman. “Depois que descobrimos a estrutura correta da rede para treinar, tudo se tornou bastante simples.”
O modelo final divide o movimento das partículas em três fatores principais de influência: resistência à velocidade, forças ambientais como a gravidade e forças entre partículas.
Resultados surpreendentes e novos insights
Após o treinamento em trajetórias de partículas 3D, a inteligência artificial capturou com sucesso interações complexas, incluindo forças assimétricas entre partículas.
Os pesquisadores compararam esse comportamento ao de dois barcos atravessando um lago. Cada navio cria ondas que afetam o outro navio. Dependendo da sua posição, estas ondas podem empurrar ou puxar o navio de diferentes maneiras.
“Em plasmas empoeirados, descrevemos como a partícula líder atrai a partícula que está atrás, mas a partícula que está atrás sempre repele a partícula principal”, explica Neimenmann. “Este fenômeno era esperado por alguns, mas agora temos uma aproximação precisa que não existia antes”.
Os resultados também desafiam teorias anteriores. Uma ideia de longa data sugere que a carga de uma partícula aumenta em proporção direta ao seu tamanho. As novas descobertas mostram que, embora partículas maiores carreguem mais carga, a relação é mais complexa e depende de fatores como a densidade e a temperatura do plasma.
Outra hipótese afirma que a força entre as partículas diminui exponencialmente com a distância, independente do tamanho das partículas. A modelagem de inteligência artificial mostra que o tamanho das partículas afeta a rapidez com que essas forças enfraquecem.
A equipe confirmou essas conclusões por meio de experimentos adicionais.
Novas ferramentas para explorar sistemas complexos
Os pesquisadores desenvolveram uma rede neural baseada na física que pode ser executada em um computador desktop padrão. Eles acreditam que fornece uma estrutura flexível para o estudo de sistemas multicorpos em diferentes campos.
Neimanmann ensinará em breve na Escola de Comportamento Coletivo em Konstanz, Alemanha, onde os cientistas estudam sistemas que vão desde bandos de pássaros até populações humanas.
“Ensinarei estudantes de todo o mundo a usar a inteligência artificial para inferir a física do movimento coletivo – não em plasmas empoeirados, mas em sistemas vivos”, disse ele.
Mesmo com estes avanços, a experiência humana continua crítica. Os cientistas devem projetar modelos e interpretar cuidadosamente os resultados.
“Desenvolver e utilizar ferramentas de inteligência artificial requer pensamento crítico para fazer progressos reais na ciência, tecnologia e humanidades”, disse Burton.
Ele continua otimista em relação ao futuro.
“Acho que é como o lema de StarCraft, corajosamente vá aonde ninguém esteve antes”, disse Burton. “Se usada corretamente, a inteligência artificial pode abrir a porta para explorar áreas inteiramente novas.”
