Os físicos usaram uma abordagem de aprendizado de máquina para revelar detalhes inesperados de como as partículas interagem em sistemas complexos. Seu trabalho concentra-se em forças não recíprocas, onde uma partícula afeta outra de uma maneira diferente.
Resultados publicados em PNASresulta de uma colaboração entre físicos experimentais e teóricos da Emory University. Ao combinar uma rede neural personalizada com dados laboratoriais obtidos de plasma empoeirado, a equipe mostrou que a inteligência artificial pode fazer mais do que analisar dados ou fazer previsões. Pode ajudar a descobrir leis físicas inteiramente novas.
“Mostramos que podemos usar a inteligência artificial para descobrir nova física”, diz Justin Burton, professor de física experimental em Emory e coautor sênior do artigo. “Nosso método de IA não é uma caixa preta: entendemos como e por que funciona. A estrutura que ele fornece também é universal. Pode ser potencialmente aplicado a outros sistemas de muitos corpos para abrir novos caminhos de descoberta.”
Informações altamente precisas sobre forças de plasma em pó
O estudo oferece uma das descrições mais detalhadas até hoje da física que impulsiona os plasmas empoeirados. Este sistema consiste em um gás ionizado preenchido com partículas carregadas em interação, incluindo minúsculas partículas de poeira.
Usando seu modelo de inteligência artificial, os pesquisadores conseguiram descrever as forças não recíprocas com mais de 99% de precisão. Estas forças são notoriamente difíceis de medir e modelar.
“Podemos descrever estas forças com mais de 99% de precisão”, diz Ilya Nemenman, professor de física teórica em Emory e co-autor sénior do artigo. “O que é ainda mais interessante é que mostramos que alguns pressupostos teóricos comuns sobre estas forças não são totalmente precisos. Podemos corrigir estas imprecisões porque agora podemos ver o que está a acontecer com tantos detalhes.”
A equipe acredita que este método pode ser amplamente aplicado a sistemas que consistem em muitos componentes interativos. Eles variam de materiais industriais, como tintas e tintas, a grupos de células vivas.
O primeiro autor do estudo é Wentao Yu, que trabalhou no projeto como estudante de pós-graduação na Emory e agora é pós-doutorado na Caltech. O coautor Eslam Abdelalem também contribuiu como estudante de pós-graduação na Emory e agora é pós-doutorado na Georgia Tech.
A pesquisa foi apoiada principalmente pela National Science Foundation com financiamento adicional da Simons Foundation.
“Este projeto é um excelente exemplo de colaboração interdisciplinar onde o desenvolvimento de novos conhecimentos em física de plasma e inteligência artificial pode levar a novos avanços no estudo de sistemas vivos”, diz Vyacheslav (Slava) Lukin, diretor do Programa de Física de Plasmas da NSF. “A dinâmica destes sistemas complexos é dominada por interações coletivas que novas técnicas de inteligência artificial podem ajudar-nos a melhor descrever, reconhecer, compreender e até controlar”.
Explicação do quarto estado da matéria
O plasma é frequentemente chamado de quarto estado da matéria. Neste estado, o gás torna-se ionizado, o que significa que elétrons e íons se movem livremente e criam propriedades únicas, como a condutividade elétrica. O plasma representa cerca de 99,9% do universo visível, desde o vento solar que flui do Sol até os relâmpagos na Terra.
O plasma empoeirado contém partículas de poeira extra carregadas e aparece em muitos ambientes, desde os anéis de Saturno até a ionosfera da Terra.
Na Lua, a fraca gravidade permite que a poeira carregada flutue acima da superfície. “É por isso que quando os astronautas andam na Lua, os seus fatos ficam cobertos de poeira”, explica Burton.
Na Terra, o plasma de poeira pode se formar durante incêndios florestais, quando a fuligem se mistura com a fumaça. Essas partículas carregadas podem interromper os sinais de rádio, dificultando a comunicação dos bombeiros.
Rastreando o movimento das partículas em 3D
O laboratório de Burton estuda plasma empoeirado e materiais semelhantes, recriando-os em experimentos controlados. Os pesquisadores suspendem pequenas partículas de plástico em uma câmara de vácuo cheia de plasma para simular sistemas mais complexos. Ao ajustar a pressão do gás, eles podem simular condições do mundo real e observar como as partículas reagem 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 se move pela câmera e a câmera de alta velocidade grava as imagens. Essas imagens são então combinadas 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
Nemenman, um biofísico teórico, estuda como sistemas complexos emergem de interações simples. Ele está particularmente interessado no movimento coletivo, como o modo como as células do corpo humano se movem.
“Questões gerais sobre como todo um sistema emerge da interação de pequenas partes são muito importantes”, explica Nemenman. “No câncer, por exemplo, você quer entender como as interações entre as células podem estar ligadas à separação de algumas delas do tumor e à mudança para um novo local, tornando-se metastáticas”.
Comparados aos sistemas vivos, os plasmas de pó oferecem um ambiente mais simples para testar novas ideias. Isto tornou-o ideal para estudar se a IA poderia descobrir novos princípios físicos.
“Apesar de toda a conversa sobre como a inteligência artificial está a revolucionar a ciência, há muito poucos exemplos em que algo fundamentalmente novo tenha sido descoberto diretamente por um sistema de inteligência artificial”, diz Nemenman.
Desenvolvimento de uma rede neural para descoberta
A criação de um modelo de IA exigiu um planejamento cuidadoso. Ao contrário dos sistemas treinados em conjuntos de dados massivos, este projeto tinha dados experimentais limitados.
“Quando você está pesquisando algo novo, você não tem muitos dados para treinar a IA”, explica Nemenman. “Isso significava que precisaríamos desenvolver uma rede neural que pudesse ser treinada com uma pequena quantidade de dados e ainda assim aprender algo novo”.
A equipe passou mais de um ano refinando o design em reuniões semanais.
“Precisávamos estruturar a rede para seguir as regras necessárias, mas ainda assim permitir que ela explorasse e inferisse física desconhecida”, explica Burton.
“Levamos mais de um ano de discussões para chegar a essas reuniões semanais”, acrescenta Nemenman. “Depois que criamos a estrutura certa para a rede de treinamento, tudo se tornou bastante simples.”
O modelo final dividiu o movimento das partículas em três fatores principais: arrasto causado pela velocidade, forças ambientais como a gravidade e forças entre as partículas.
Resultados surpreendentes e novos insights
Depois de aprender as trajetórias das partículas 3D, a IA capturou com sucesso interações complexas, incluindo forças assimétricas entre as partículas.
Os pesquisadores comparam esse comportamento a dois barcos movendo-se em um lago. Cada barco cria ondas que afetam o outro. Dependendo da sua posição, estas ondas podem empurrar ou puxar os barcos de diferentes maneiras.
“No plasma empoeirado, descrevemos como a partícula líder atrai a partícula que está atrás, mas a partícula que está atrás sempre repele a partícula que está atrás”, explica Nemenman. “Alguns esperavam este fenómeno, mas agora temos uma aproximação precisa que não existia antes”.
Os resultados também desafiam teorias anteriores. Uma ideia antiga sustentava que a carga elétrica 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 densidade e temperatura do plasma.
Outra suposição afirmava que as forças entre as partículas diminuem exponencialmente com a distância de uma forma que é independente do tamanho das partículas. O modelo de IA mostrou que o tamanho das partículas afeta a taxa de enfraquecimento dessas forças.
A equipe confirmou essas descobertas com experimentos adicionais.
Uma nova ferramenta para estudar sistemas complexos
Os pesquisadores desenvolveram uma rede neural baseada na física que pode ser executada em um computador desktop padrão. Eles acreditam que oferece uma estrutura flexível para o estudo de sistemas de muitos corpos em diversos campos.
Nehmenman em breve lecionará na Escola de Comportamento Coletivo de Konstanz, na Alemanha, onde os cientistas estudam sistemas que vão desde bandos de pássaros até multidões de pessoas.
“Ensinarei estudantes de todo o mundo a usar a inteligência artificial para inferir a física do movimento colectivo – não num plasma poeirento, mas num sistema vivo”, diz ele.
Mesmo com esses avanços, a experiência humana continua importante. Os cientistas devem desenvolver modelos cuidadosamente e interpretar os resultados.
“É necessário pensamento crítico para desenvolver e usar ferramentas de inteligência artificial de forma a gerar progresso real na ciência, na tecnologia e nas humanidades”, diz Burton.
Ele ainda olha para o futuro com otimismo.
“Penso nisso como um lema de Star Trek: é corajoso ir aonde ninguém esteve antes”, diz Burton. “Se usada corretamente, a IA pode abrir portas para áreas inteiramente novas para exploração.”
