Rewolucja w rozumieniu plazmy pyłowej
Plazma pyłowa to mieszanina zjonizowanego gazu z naładowanymi cząstkami pyłu, która odgrywa kluczową rolę w procesach formowania planet i technologiach kosmicznych. Przez dziesięciolecia naukowcy opierali się na teoretycznych modelach, które – jak się okazuje – nie opisywały pełnej złożoności tego zjawiska. Model sztucznej inteligencji z Emory University osiągnął niezwykłą dokładność, bo ponad 99% w przewidywaniu zachowań cząstek. To pozwoliło mu na odkrycie zjawisk, których tradycyjne metody nie były w stanie uchwycić. Najważniejszym przełomem okazało się odkrycie sił nieodwzajemnionych. W plazmie pyłowej cząstka prowadząca przyciąga cząstkę podążającą, ale ta druga zawsze odpycha pierwszą. To bezpośrednio narusza trzecią zasadę dynamiki Newtona w określonych warunkach.
Czytaj też: Fizycy zrównali wszystkie wymiary. Splątanie kwantowe ma coraz mniej tajemnic
Model sztucznej inteligencji odkrył również, że relacja między ładunkiem cząstki (q) a jej masą (m) znacznie odbiega od przewidywań klasycznej teorii OML. Zamiast prostej proporcjonalności, rzeczywista zależność wyraża się wzorem q ≈ m^p, gdzie wykładnik p waha się od 0,30 do 0,80 – w zależności od warunków eksperymentalnych. To oznacza, że ładunek cząstki zależy nie tylko od jej rozmiaru, ale także od gęstości, temperatury i innych parametrów środowiska. Dodatkowo, długość ekranowania, będąca kluczowym parametrem opisującym oddziaływania w plazmie, zmienia się wraz z rozmiarem cząstek, co przeczy dotychczasowym założeniom.
Stworzenie algorytmu zdolnego do odkrywania nowej fizyki wymagało zupełnie innego podejścia niż tradycyjne uczenie maszynowe. Naukowcy nie mogli skorzystać z gotowych zbiorów danych treningowych. Odkrywali przecież coś, czego wcześniej nie znano. Nic więc dziwnego, że uznawali to za jedną z najtrudniejszych części całego projektu. O ile zwykle AI nabywa swoje zdolności poprzez trening na zbiorach danych, tak tutaj – ze względu na brak danych treningowych – trzeba było zastosować odmienne podejście. Eksperymenty prowadzono w specjalnej komorze próżniowej wypełnionej gazem argonowym. Naukowcy śledzili ruch sferycznych cząstek melaminowo-formaldehydowych o średnicach od 8 do 12,8 mikrometra, wykorzystując zaawansowaną tomografię laserową do rejestracji trójwymiarowego ruchu każdej z molekuł.
Wielki przełom i związane z nim perspektywy dla nauki
W przeciwieństwie do wielu systemów AI, ten model nie działa jako nieprzenikalna “czarna skrzynka”. Naukowcy dokładnie rozumieją mechanizmy jego działania, co czyni odkrycia wiarygodnymi i możliwymi do zweryfikowania.
Nasza metoda AI nie jest “czarną skrzynką”: rozumiemy, jak i dlaczego działa. Dostarczony przez nią framework jest również uniwersalny. Potencjalnie mógłby być zastosowany do innych układów wielu ciał, aby otworzyć nowe drogi do odkryć — wyjaśnia Justin Burton, główny autor badania
Czytaj też: Fizyka na krawędzi załamania. Naukowcy odkryli, że fotony wcale nie przechodzą przez siebie bez śladu
Odkrycie z Emory University ma znaczenie wykraczające daleko poza fizykę plazmy. Opracowana metodologia może zostać zastosowana do badania innych złożonych systemów w fizyce i biologii, gdzie wiele elementów oddziałuje ze sobą w nieprzewidywalny sposób. Model może również przekształcić cząstki w nieinwazyjne, lokalne sondy środowiska plazmy, co otworzy nowe możliwości badawcze w astrofizyce i technologiach kosmicznych. Zrozumienie mechanizmów rządzących plazmą pyłową jest kluczowe dla lepszego poznania procesów formowania planet i gwiazd. Burton jest zdania, iż odpowiednio użyta sztuczna inteligencja może otworzyć drzwi do zupełnie nowych obszarów do eksploracji. W ogólnym rozrachunku badanie pokazuje, że sztuczna inteligencja ewoluuje z narzędzia analitycznego w pełnoprawnego partnera naukowego. To może być początek nowej ery w nauce, gdzie AI nie tylko pomaga interpretować dane, ale dodatkowo aktywnie uczestniczy w formułowaniu nowych teorii i praw natury.