Истражувачи од Универзитетот Емори покажаа дека вештачката интелигенција може да биде повеќе од алатка за анализа на податоци. Во нова студија, тимот употребил специјално дизајнирана невронска мрежа за да открие скриени закономерности во таканаречената прашлива плазма, сложен систем во кој јонизиран гас содржи и ситни наелектризирани честички.
Плазмата често се нарекува четврта состојба на материјата. Таа е присутна во најголемиот дел од видливата вселена, од сончевиот ветер до молњите на Земјата. Кога во неа има и честички прашина, добиваме прашлива плазма, појава што може да се сретне во прстените на Сатурн, во јоносферата, па дури и во чад и саѓи при шумски пожари.
Фокусот на истражувањето бил ставен на не-реципрочни сили, односно интеракции во кои една честичка влијае на друга поинаку отколку што таа возвраќа. Токму овие сили се особено тешки за мерење и моделирање. Според авторите, нивниот модел успеал да ги опише со точност поголема од 99 проценти.
За да дојдат до овие резултати, научниците прво развиле томографска метода за тридимензионално следење на движењето на честичките. Со ласер и брза камера тие реконструирале како десетици честички се движат низ време во вакуумска комора исполнета со плазма. Потоа овие траектории биле искористени за обука на невронската мрежа.
Моделот ја разделил динамиката на три главни влијанија: отпор поврзан со брзината, надворешни сили како гравитацијата и меѓучестични сили. Токму оваа структура им овозможила на истражувачите не само да предвидуваат, туку и да извлечат нови физички сознанија од ограничен сет експериментални податоци.
Еден од најинтересните резултати е дека некои одамна прифатени претпоставки не се сосема точни. На пример, претходните модели често претпоставувале дека електричниот полнеж на честичката расте директно пропорционално со нејзината големина. Новата анализа покажува дека зависноста е посложена и зависи и од условите во плазмата, како густината и температурата.
Истото важи и за слабеењето на силите со растојание. Наместо едноставно опаѓање кое не зависи од големината на честичките, моделот укажува дека и самата големина игра улога во тоа колку брзо се намалува интеракцијата. Тимот ги проверил овие заклучоци и со дополнителни експерименти.
Значењето на оваа работа оди и надвор од плазмата. Авторите сметаат дека истиот пристап би можел да се примени и кај други системи со многу заемно поврзани елементи, како индустриски материјали, групно движење на клетки или други колективни биолошки процеси. Тоа ја отвора можноста вештачката интелигенција да стане алатка за откривање нови физички закони и во области каде класичните модели тешко се справуваат со сложеноста.
Студијата е објавена во списанието PNAS и претставува редок пример каде машинското учење не служи само за обработка на податоци, туку директно придонесува за ново научно разбирање. Сепак, истражувачите нагласуваат дека човечката експертиза останува клучна: научниците треба внимателно да ги дизајнираат моделите, да ги постават физичките ограничувања и правилно да ги толкуваат резултатите.
