Físicos utilizaram uma abordagem de aprendizado de máquina para revelar detalhes inesperados sobre como as partículas interagem em sistemas complexos. Seu trabalho se concentra em forças não recíprocas, onde uma partícula influencia outra de maneira diferente do que é influenciada em retorno.
As descobertas, publicadas na PNAS, resultam de uma colaboração entre físicos experimentais e teóricos da Universidade Emory. Ao combinar uma rede neural customizada com dados laboratoriais de um plasma empoeirado, a equipe demonstrou que a inteligência artificial pode fazer mais do que analisar dados ou fazer previsões. Ela pode ajudar a descobrir leis físicas inteiramente novas.
“Mostramos que podemos usar IA para descobrir novas físicas”, diz Justin Burton, professor de física experimental da 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. Potencialmente, poderia ser aplicada a outros sistemas de muitos corpos para abrir novas rotas de descoberta.”
Insights de Alta Precisão Sobre Forças em Plasma Empoeirado
O estudo oferece uma das descrições mais detalhadas até hoje da física que governa o plasma empoeirado. Este sistema consiste em um gás ionizado preenchido com partículas carregadas interagentes, incluindo pequenos grãos de poeira.
Utilizando seu modelo de IA, os pesquisadores conseguiram descrever forças não recíprocas com mais de 99% de precisão. Essas forças são notoriamente difíceis de medir e modelar.
“Podemos descrever essas forças com uma precisão superior a 99%”, diz Ilya Nemenman, professor de física teórica da Emory e coautor sênior do artigo. “O mais interessante é que mostramos que algumas suposições teóricas comuns sobre essas forças não são tão precisas. Conseguimos corrigir essas imprecisões porque agora podemos ver o que está ocorrendo com tal detalhe extraordinário.”
A equipe acredita que esse método pode ser amplamente aplicado a sistemas compostos por muitos componentes interagentes, que vão desde materiais industriais como tinta e verniz até grupos de células vivas.
O autor principal do estudo é Wentao Yu, que trabalhou no projeto como estudante de doutorado da Emory e agora é pesquisador pós-doutoral no Instituto de Tecnologia da Califórnia. O coautor Eslam Abdelaleem também contribuiu como estudante de graduação da Emory e agora é pesquisador pós-doutoral na Georgia Tech.
A pesquisa foi principalmente apoiada pela Fundação Nacional de Ciência, com financiamento adicional da Fundação Simons.
“Este projeto serve como um excelente exemplo de uma colaboração interdisciplinar onde o desenvolvimento de novos conhecimentos em física do plasma e IA pode levar a mais avanços no estudo de sistemas vivos”, diz Vyacheslav (Slava) Lukin, diretor do programa de Física do Plasma da NSF. “A dinâmica desses sistemas complexos é dominada por interações coletivas que técnicas emergentes de IA podem nos ajudar a descrever, reconhecer, entender e até controlar melhor.”
A Quarta Forma de Matéria Explicada
O plasma é frequentemente chamado de quarta forma de matéria. Neste estado, o gás se torna ionizado, o que significa que elétrons e íons se movem livremente e criam propriedades únicas, como condutividade elétrica. O plasma compõe cerca de 99,9% do universo visível, desde o vento solar que flui do Sol até os relâmpagos na Terra.
O plasma empoeirado inclui partículas de poeira carregadas e aparece em muitos ambientes, desde os anéis de Saturno até a ionosfera da Terra.
Na Lua, a gravidade fraca permite que a poeira carregada paire acima da superfície. “É por isso que, quando os astronautas caminham na lua, seus trajes ficam cobertos de poeira”, explica Burton.
Na Terra, o plasma empoeirado pode se formar durante incêndios florestais, quando a fuligem se mistura com a fumaça. Essas partículas carregadas podem interromper sinais de rádio, dificultando a comunicação para os bombeiros.
Rastreando o Movimento de Partículas em 3D
O laboratório de Burton estuda plasma empoeirado e materiais semelhantes recriando-os em experimentos controlados. Os pesquisadores suspendem pequenas partículas plásticas em uma câmara de vácuo preenchida com plasma para simular sistemas mais complexos. Ajustando a pressão do gás, eles podem imitar 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. Uma folha de laser se movimenta pela câmara enquanto uma câmera de alta velocidade registra imagens. Essas fotos são então combinadas para reconstruir as posições de dezenas de partículas ao longo do tempo, permitindo que os pesquisadores rastreiem seu movimento em detalhe.
Usando IA Para Entender o Movimento Coletivo
Nemenman, um biofísico teórico, estuda como sistemas complexos emergem de interações simples. Ele está especialmente interessado em movimento coletivo, como o modo como as células se movem dentro do corpo humano.
“Questões gerais de como um sistema inteiro surge das interações de partes minúsculas são muito importantes”, explica Nemenman. “No câncer, por exemplo, você quer entender como a interação das células pode se relacionar a algumas delas se desprendendo de um tumor e se movendo para um novo lugar, tornando-se metastáticas.”
Comparado a sistemas vivos, o plasma empoeirado oferece um ambiente mais simples para testar novas ideias. Isso o tornou um caso ideal para explorar se a IA poderia descobrir novos princípios físicos.
“Por mais que se fale sobre como a IA está revolucionando a ciência, há muito poucos exemplos em que algo fundamentalmente novo foi encontrado diretamente por um sistema de IA”, diz Nemenman.
Desenhando uma Rede Neural para Descobertas
Construir o modelo de IA exigiu planejamento cuidadoso. Ao contrário de sistemas treinados em grandes conjuntos de dados, este projeto tinha dados experimentais limitados.
“Quando você está investigando algo novo, não tem muitos dados para treinar a IA”, explica Nemenman. “Isso significava que teríamos que projetar uma rede neural que pudesse ser treinada com uma quantidade pequena 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 enquanto ainda permitimos que ela explorasse e inferisse física desconhecida”, explica Burton.
“Levou mais de um ano de discussões e trocas nessas reuniões semanais”, acrescenta Nemenman. “Uma vez que chegamos à estrutura correta da rede para treinar, acabou sendo bastante simples.”
O modelo final separou o movimento das partículas em três influências principais: arrasto da velocidade, forças ambientais como a gravidade e forças entre as partículas.
Resultados Surpreendentes e Novas Perspectivas
Depois de ser treinada em trajetórias de partículas em 3D, a IA capturou com sucesso interações complexas, incluindo forças assimétricas entre partículas.
Os pesquisadores comparam esse comportamento a dois barcos se movendo através de um lago. Cada barco cria ondas que afetam o outro. Dependendo de suas posições, essas ondas podem empurrar ou puxar os barcos de maneira diferente.
“Em um plasma empoeirado, descrevemos como uma partícula líder atrai a partícula que a segue, mas a partícula que segue sempre repele a líder”, explica Nemenman. “Esse fenômeno era esperado por alguns, mas agora temos uma aproximação precisa para isso que não existia anteriormente.”
Os resultados também desafiam teorias anteriores. Uma ideia de longa data sugeria 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 do plasma e temperatura.
Outra suposição sustentava que as forças entre partículas diminuem exponencialmente com a distância de uma maneira que não depende do tamanho da partícula. O modelo de IA revelou que o tamanho da partícula afeta a rapidez com que essas forças diminuem.
A equipe confirmou essas conclusões por meio de experimentos adicionais.
Uma Nova Ferramenta para Explorar Sistemas Complexos
Os pesquisadores desenvolveram uma rede neural baseada em física que pode ser executada em um computador desktop padrão. Eles acreditam que oferece uma estrutura flexível para estudar sistemas de muitos corpos em diferentes áreas.
Nemenman ensinará em breve na Escola de Comportamento Coletivo de Konstanz, na Alemanha, onde cientistas estudam sistemas que vão desde bandos de pássaros até multidões humanas.
“Estarei ensinando alunos de todo o mundo a usar IA para inferir a física do movimento coletivo — não dentro de um plasma empoeirado, mas dentro de um sistema vivo”, diz ele.
Mesmo com esses avanços, a expertise humana continua sendo essencial. Cientistas devem projetar os modelos com cuidado e interpretar os resultados.
“É necessário pensamento crítico para desenvolver e usar ferramentas de IA de maneiras que promovam avanços reais em ciência, tecnologia e humanidades”, diz Burton.
Ele permanece otimista quanto ao futuro.
“Eu vejo isso como o lema de Star Trek, para ir corajosamente aonde ninguém jamais foi antes”, diz Burton. “Se usada adequadamente, a IA pode abrir portas para novos reinos a explorar.”
