Los físicos han utilizado un enfoque de aprendizaje automático para revelar detalles inesperados sobre cómo interactúan las partículas en sistemas complejos. Su trabajo se centra en fuerzas no recíprocas, donde una partícula afecta a otra de manera diferente a como afecta a otra.
Resultados, publicados PNASProcedente de una colaboración entre físicos experimentales y teóricos de la Universidad Emory. Al combinar una red neuronal personalizada con datos de laboratorio de un plasma de polvo, el equipo demostró que la inteligencia artificial puede hacer más que analizar datos o hacer predicciones. Puede ayudar a descubrir leyes físicas completamente nuevas.
“Hemos demostrado que podemos utilizar la IA para descubrir nueva física”, dijo Justin Barton, profesor de física experimental de Emory y coautor principal del artículo. “Nuestro enfoque de IA no es una caja negra: entendemos cómo y por qué funciona. El marco que proporciona también es universal. Puede aplicarse potencialmente a otros sistemas de muchos cuerpos para abrir nuevas rutas de descubrimiento”.
Información de alta precisión sobre las fuerzas del plasma polvoriento
El estudio ofrece una de las descripciones más detalladas hasta la fecha de la física que rige los plasmas polvorientos. Este sistema consta de gas ionizado lleno de partículas cargadas que interactúan con pequeños granos de polvo.
Utilizando su modelo de IA, los investigadores pudieron describir fuerzas no recíprocas con más del 99% de precisión. Estas fuerzas son notoriamente difíciles de medir y modelar.
“Podemos describir estas fuerzas con más del 99% de precisión”, dijo Ilya Nemenman, profesor de física teórica de Emory y coautor principal del artículo. “Lo que es aún más interesante es que mostramos que algunas de las suposiciones teóricas comunes sobre estas fuerzas no son del todo correctas. Podemos corregir estos errores porque ahora podemos ver lo que está sucediendo con gran detalle”.
El equipo cree que este enfoque se puede aplicar ampliamente a sistemas compuestos por muchos componentes que interactúan. Estos van desde materiales industriales como pinturas y tintas hasta grupos de células vivas.
El primer autor del estudio es Wentao Yu, quien trabajó en el proyecto como estudiante de doctorado en Emory y ahora es becario postdoctoral en el Instituto de Tecnología de California. El coautor Eslam Abdelaleem también contribuyó como estudiante de posgrado de Emory y ahora es becario postdoctoral en Georgia Tech.
La investigación fue apoyada inicialmente por la Fundación Nacional de Ciencias, con financiación adicional de la Fundación Simmons.
“Este proyecto sirve como un excelente ejemplo de colaboración interdisciplinaria en la que el desarrollo de nuevos conocimientos en física del plasma e inteligencia artificial puede conducir a mayores avances en el estudio de los sistemas vivos”, dijo Bacheslav (Slava) Lukin, director del Programa de Física del Plasma de la NSF. “La dinámica de estos sistemas complejos está influenciada por interacciones colectivas que las técnicas de IA emergentes pueden ayudarnos a describir, reconocer, comprender e incluso controlar mejor”.
Se explica el cuarto estado de la materia.
Al plasma a menudo se le llama el cuarto estado de la materia. En esta condición, el gas se ioniza, lo que significa que los electrones y los iones se mueven libremente y crean propiedades únicas como la conductividad eléctrica. El plasma constituye aproximadamente el 99,9% del universo visible, desde el viento solar que fluye desde el Sol hasta los rayos en la Tierra.
Los plasmas polvorientos incluyen partículas de polvo altamente cargadas y están presentes en muchos entornos, desde los anillos de Saturno hasta la ionosfera de la Tierra.
En la Luna, la débil gravedad permite que el polvo cargado flote sobre la superficie. “Por eso, cuando los astronautas caminan sobre la Luna, sus trajes se cubren de polvo”, explica Burton.
En la Tierra, se puede formar plasma de polvo durante los incendios forestales cuando el hollín se mezcla con el humo. Estas partículas cargadas pueden alterar las señales de radio, dificultando la comunicación de los bomberos.
Seguimiento del movimiento de partículas en 3D
El laboratorio de Burton estudia el plasma de polvo y materiales similares recreándolos en experimentos controlados. Los investigadores suspendieron pequeñas partículas de plástico en una cámara de vacío llena de plasma para simular sistemas más complejos. Al ajustar la presión del gas, pueden simular condiciones del mundo real y observar cómo responden las partículas a diferentes fuerzas.
Para este proyecto, Barton y Yu desarrollaron un método de imágenes tomográficas para capturar el movimiento tridimensional (3D) de partículas. Una lámina láser se mueve a través de la cámara mientras una cámara de alta velocidad graba las imágenes. Estas instantáneas se combinan para reconstruir las posiciones de docenas de partículas a lo largo del tiempo, lo que permite a los investigadores seguir sus movimientos en detalle.
Usar IA para comprender el movimiento articular
Nemenman, un biofísico teórico, estudia cómo surgen sistemas complejos a partir de interacciones simples. Está particularmente interesado en el movimiento colectivo, como por ejemplo cómo se mueven las células dentro del cuerpo humano.
“Las sencillas cuestiones de cómo surge un sistema completo a partir de la interacción de piezas pequeñas son muy importantes”, explica Nemenman. “En el cáncer, por ejemplo, es necesario comprender cómo interactúan las células, algunas de las cuales se separan del tumor y se mueven a una nueva ubicación para volverse metastásicas”.
En comparación con los sistemas vivos, los plasmas de polvo proporcionan un entorno más fácil para probar nuevas ideas. Esto lo convierte en un caso ideal para explorar si la IA puede descubrir nuevos principios físicos.
“A pesar de todo lo que se habla sobre cómo la IA está revolucionando la ciencia, hay muy pocos ejemplos en los que un sistema de IA haya descubierto algo fundamentalmente nuevo directamente”, dijo Nemenman.
Diseño de una red neuronal para el descubrimiento
La creación de modelos de IA requiere una planificación cuidadosa. A diferencia de los sistemas entrenados con grandes conjuntos de datos, los datos experimentales para este proyecto fueron limitados.
“Cuando exploras algo nuevo, no tienes muchos datos con los que entrenar la IA”, explica Nemenman. “Esto significa que necesitamos diseñar una red neuronal que pueda entrenarse con una pequeña cantidad de datos y aun así aprender algo nuevo”.
El equipo pasó más de un año perfeccionando el diseño mediante reuniones semanales.
“Necesitamos estructurar la red para que siga las reglas necesarias y al mismo tiempo permita la exploración y la inferencia de física desconocida”, explica Burton.
“Nos tomó más de un año de idas y venidas en estas reuniones semanales”, añadió Nemenman. “Una vez que encontramos la estructura adecuada de la red para entrenar, resultó ser bastante fácil”.
El modelo final divide el movimiento de las partículas en tres efectos principales: arrastre debido a la velocidad, fuerzas ambientales como la gravedad y fuerzas entre partículas.
Resultados sorprendentes y nuevos conocimientos
Después de entrenarse en trayectorias de partículas en 3D, la IA capturó con éxito interacciones complejas, incluidas fuerzas asimétricas entre partículas.
Los investigadores compararon este comportamiento con el de dos barcos que cruzan un lago. Cada barco crea olas que afectan al otro. Dependiendo de su ubicación, estas olas pueden empujar o tirar de los barcos de manera diferente.
“En un plasma de polvo, describimos cómo una partícula delantera atrae a una partícula trasera, pero la partícula trasera siempre repele a la última”, explica Nemenman. “Algunos esperaban este fenómeno, pero ahora tenemos una hipótesis precisa que antes no existía”.
Los resultados también desafían teorías anteriores. Una idea de larga data proponía que la carga eléctrica de una partícula aumenta en proporción directa a su tamaño. Los nuevos hallazgos muestran que, si bien las partículas más grandes tienen más carga, la relación es más compleja y depende de factores como la densidad del plasma y la temperatura.
Otra hipótesis fue que la fuerza entre partículas disminuye con la distancia de una manera que no depende del tamaño de las partículas. El modelo de IA reveló que el tamaño de las partículas afecta la rapidez con la que estas fuerzas se debilitan.
El equipo confirmó estas conclusiones con pruebas adicionales.
Una nueva herramienta para explorar sistemas complejos
Los investigadores han desarrollado una red neuronal basada en la física que puede ejecutarse en una computadora de escritorio estándar. Creen que proporciona un marco flexible para estudiar sistemas de muchos cuerpos en una variedad de campos.
Nemenman pronto enseñará en la Escuela de Comportamiento Colectivo de Konstanz en Alemania, donde los científicos estudian sistemas que van desde bandadas de pájaros hasta multitudes de personas.
“Enseñaré a estudiantes de todo el mundo cómo utilizar la IA para inferir la física del movimiento colectivo, no en un plasma de polvo sino en un sistema vivo”, afirma.
Incluso con estos avances, las habilidades humanas son esenciales. Los científicos deben diseñar modelos cuidadosamente e interpretar los resultados.
“Se necesita pensamiento crítico para desarrollar y utilizar herramientas de IA de manera que logren un progreso real en la ciencia, la tecnología y las humanidades”, dice Burton.
Es optimista sobre el futuro.
“Creo que es el espíritu de Star Trek: ir con valentía a donde nadie ha ido antes”, dice Burton. “Utilizada correctamente, la IA puede abrir la puerta a un ámbito de exploración completamente nuevo”.
