AI zmienia fizykę. Odkryła nieznane wcześniej siły w plazmowym pyle

Naukowcy z Wydziału Fizyki na Emory University w Atlancie (USA) zademonstrowali, jak nowatorskie połączenie uczącej się sztucznej inteligencji, sieci neuronowych, precyzyjnego śledzenia cząstek plazmy oraz własnego, krytycznego intelektu może doprowadzić do nowych odkryć naukowych, które obalają dotychczasowe teorie.

Badanie, którego wyniki opublikowano w prestiżowym czasopiśmie "PNAS", skoncentrowało się na siłach nie-wzajemnych - zjawisku, w którym jedna cząstka oddziałuje na drugą w inny sposób, niż sama jest przez nią stymulowana. Występuje ono w tzw. plazmie pyłowej, czyli złożonej mieszaninie jonów, elektronów oraz naładowanych cząstek pyłu, która jest powszechnym zjawiskiem w przestrzeni kosmicznej i środowiskach planetarnych. Mimo jej wszechobecności precyzyjne modelowanie oddziaływań między drobinami pyłu było dotąd ogromnym wyzwaniem.

Tradycyjne podejścia często opierały się na uproszczonych założeniach teoretycznych, które nie zawsze w pełni oddawały rzeczywistą naturę tych procesów. Przełomem w tej dziedzinie okazało się zastosowanie uczenia maszynowego (ang. Machine Learning). Nowatorskie podejście umożliwiło odkrycie nieznanych wcześniej mechanizmów rządzących czwartym stanem skupienia materii - po stałym, ciekłym i gazowym (w rzeczywistości fizycy doliczają się ich nawet kilkunastu, tu jednak mówimy o podstawowych stanach).

Badacze zaprezentowali skalowalny model machine learningowy, który został zaprojektowany w oparciu o głęboką intuicję fizyczną. W przeciwieństwie do wcześniejszych prób, które sprawdzały się głównie w kontrolowanych symulacjach, nowy model został wytrenowany na trójwymiarowych trajektoriach cząstek pochodzących z realnych eksperymentów laboratoryjnych.

Struktura modelu uwzględnia nie tylko nieidentyczność poszczególnych drobin, ale także kluczowe symetrie fizyczne. Dzięki temu algorytm był w stanie z niezwykłą dokładnością, sięgającą współczynnika R2≈0.99, zidentyfikować siły międzycząsteczkowe, które w plazmie pyłowej mają charakter niekonserwatywny i nieodwzajemniony ze względu na oddziaływanie z otaczającym środowiskiem.

Skuteczność modelu została potwierdzona w drodze weryfikacji mas cząstek na dwa niezależne, a jednocześnie spójne ze sobą sposoby. Choć siły nie-wzajemne są wyjątkowo trudne do zmierzenia i modelowania, model AI opracowany przez zespół opisał je z dokładnością przekraczającą 99%. Wysoka precyzja narzędzi umożliwiła badaczom dokonanie dokładnych pomiarów ładunku cząstek oraz długości ekranowania.

W rezultacie dostrzegli oni istotne rozbieżności między wynikami eksperymentalnymi a powszechnie przyjmowanymi teoriami opartymi na dowodach z symulacji. Odkrycie to udowodniło, że sztuczna inteligencja nie służy jedynie do prostej analizy danych czy wykonywania prognoz krótkoterminowych, ale może stać się potężnym narzędziem w procesie odkrywania nowej wiedzy naukowej.

A co konkretnie zostało odkryte? Analiza trójwymiarowych trajektorii cząstek ujawniła fascynującą asymetrię sił, którą badacze porównują do dwóch łodzi płynących po jeziorze, gdzie fale wytwarzane przez jedną wpływają na drugą w zależności od ich położenia. "Opisaliśmy, jak w plazmie pyłowej cząstka prowadząca przyciąga cząstkę podążającą, ale cząstka podążająca zawsze odpycha tę prowadzącą" - wyjaśnia Ilya Nemenman, prof. fizyki teoretycznej z Emory University i starszy współautor badania. "Niektórzy spodziewali się takiego zjawiska, ale teraz mamy jego precyzyjne przybliżenie, które wcześniej nie istniało" - dodaje ekspert.

Wyniki badania zakwestionowały również teorię, że ładunek elektryczny cząstek pyłu plazmowego jest wprost proporcjonalny do ich wielkości. Okazało się, że zależność ta jest bardziej złożona i uwarunkowana gęstością i temperaturą plazmy. Sztuczna inteligencja wykazała także, że rozmiar cząstek wpływa na tempo, w jakim siły między nimi słabną wraz z odległością.

Fizycy wskazują na przejrzystość działania ich modelu, co jest cechą dość rzadką w przypadku zaawansowanych algorytmów sztucznej inteligencji. Zazwyczaj wiadomo tyle, że działają, ponieważ wyniki ich rozumowania są weryfikowane przez ludzi i zwykle okazują się słuszne (poza przypadkami halucynacji AI, o których pisaliśmy szerzej w GeekWeeku). Nie wiadomo jednak, jak działają, bowiem procesy prowadzące do uzyskania wyniku, oparte na miliardach parametrów, są zbyt skomplikowane do prześledzenia przez ludzi. W tym przypadku było inaczej.

"Nasza metoda AI nie jest czarną skrzynką (ang. black box, systemem, którego struktura i działanie są nieznane lub nieprzejrzyste - przyp. red.). Rozumiemy, jak i kiedy działa. Ramy działania, które zapewnia, są także uniwersalne. Można je potencjalnie zaaplikować do innych układów wielociałowych, aby otworzyć nowe drogi do odkryć" - skomentował Justin Burton, prof. fizyki doświadczalnej na Emory University i współautor pracy.

Autorzy badania przewidują, że zaprezentowane podejście, oparte na uczeniu maszynowym, stanie się punktem wyjścia do analizy i wnioskowania o mechanizmach rządzących nie tylko egzotycznymi stanami materii występującymi powszechnie w dalszych zakątkach wszechświata, ale także szeroką gamą układów - od koloidów po organizmy żywe.

Może to znacząco usprawnić badania w wielu dziedzinach - od materiałów przemysłowych, takich jak farby i tusze, po ruch komórek nowotworowych czy zachowanie tłumów ludzi. Co więcej, zaprezentowany model może działać na standardowym komputerze stacjonarnym, dzięki czemu badacze nie muszą rezerwować zwykle kosztownych zasobów w chmurze obliczeniowej.

Co dalej? Prof. Nemenman ogłosił, że planuje już dzielenie się tą wiedzą ze studentami na całym świecie. Zamierza uczyć ich, "jak wykorzystać AI do wnioskowania o fizyce ruchu zbiorowego - nie w plazmie pyłowej, ale wewnątrz organizmu żywego". Jego kolega po fachu, prof. Burton, zaznacza jednak, że sztuczna inteligencja nie może zastąpić naszej własnej i wciąż "przy rozwijaniu i korzystaniu z narzędzi AI wymagane jest myślenie krytyczne".

Źródła:

1. W. Yu, E. Abdelaleem, I. Nemenman, & J.C. Burton, Physics-tailored machine learning reveals unexpected physics in dusty plasmas, Proc. Natl. Acad. Sci. U.S.A. 122 (31) e2505725122 (2025). DOI: 10.1073/pnas.2505725122
2. Emory University, AI just discovered new physics in the fourth state of matter, ScienceDaily (2026).