在典型的人工智能研究中，模型通常是用來預測結果或清理數據。然而，亞特蘭大的埃莫里大學的研究團隊則進行了一項不尋常的嘗試，他們訓練了一個神經網絡來發現新的物理定律。這個團隊的獨特成就來自於他們將實驗數據輸入到一個名為「塵埃等離子體」的神秘物質狀態中。塵埃等離子體是一種熱的、帶電的氣體，裡面充滿了微小的塵埃顆粒。科學家們觀察到，這個人工智能系統能夠揭示出一些從未被完全理解的奇特力學現象，這不僅令人驚訝，還顯示了人工智能在物理研究中的潛力。
這項研究的發展表明，人工智能能夠用來發現之前未知的自然法則，特別是在描述粒子在混亂系統中如何相互作用方面。此外，這項研究也修正了長久以來在等離子體物理學中的一些假設，並為從生命細胞到工業材料等複雜多粒子系統的研究開啟了新的可能性。埃莫里大學的教授之一、研究作者賈斯汀·伯頓表示：「我們展示了如何利用人工智能發現新的物理定律。我們的人工智能方法並不是一個黑箱：我們理解它是如何及為何運作的。所提供的框架也具有普遍性，未來可應用於其他多體系統，以開啟新的發現之路。」
研究人員結合了真實實驗和精心設計的人工智能模型，開始研究塵埃等離子體。這種物質狀態在宇宙中無處不在，從土星的環到月球表面，再到地球上的野火煙霧。然而，儘管其宇宙範圍廣泛，但塵埃等離子體中粒子之間的具體作用力仍然難以理解，因為該系統的行為呈現非對稱性，這意味著一個粒子施加在另一個粒子上的力並不一定會得到相應的反饋。利用傳統物理學來理解這樣的相互作用證實是極其困難。因此，科學家們建立了一個複雜的 3D 成像系統，以觀察塑料塵埃顆粒在充滿等離子體的腔體中如何移動。他們使用激光光束和高速攝影機，在三維空間中捕捉到成千上萬的微小粒子運動。
這些詳細的運動軌跡被用來訓練一個定制的神經網絡。與大多數需要龐大數據集的人工智能模型不同，埃莫里團隊的網絡是在一個小而豐富的數據集上進行訓練的，並內建了物理法則，比如考慮重力、阻力和粒子間的作用力。研究的資深作者、埃莫里大學的教授伊利亞·內門曼表示：「當探索新的事物時，通常可用來訓練人工智能的數據非常有限。因此，我們需要設計一個能夠在小數據量下進行訓練的神經網絡，並仍能學到新的知識。」
這個神經網絡將粒子的運動分解為三個組件：速度效應（例如阻力）、環境力（如重力）和粒子間的作用力。這使得人工智能可以在遵循基本物理原則的同時學習複雜行為。結果，人工智能以超過 99% 的準確率發現了非對稱力的精確描述。其中一個驚人的見解是，當一個粒子引領時，它會將後方的粒子拉向自己，但後方的粒子卻會推開前方的粒子。這種不對稱的相互作用在過去一直被懷疑，但從未被清晰地建模過。
這項人工智能研究還糾正了一些影響等離子體理論多年來的錯誤假設。內門曼補充道：「更有趣的是，我們發現一些關於這些力的常見理論假設並不完全準確。我們能夠糾正這些不準確性，因為現在可以在如此精細的細節中觀察到實際發生的事情。」例如，有一個假設認為粒子的電荷隨著其大小的增長而增加，但實際上並非如此。相反，這種關係取決於周圍等離子體的密度和溫度。另一個錯誤的觀點是粒子之間的作用力隨距離的增長而指數性減少，無論其大小如何。這項研究揭示，這種減弱也取決於粒子的大小，這是一個先前未被充分考慮的見解。
最令人欣慰的是，這個人工智能模型運行在一台普通的桌面計算機上，並產生了一個可以應用於各種多粒子系統的普遍框架，從塗料混合物到生物體內移動的細胞。這項研究還展示了人工智能的應用不僅限於數字計算，它還能幫助科學家發現規範自然的隱秘規則。內門曼表示：「儘管許多人討論人工智能如何徹底改變科學，但實際上很少有例子表明人工智能系統直接發現了根本性的嶄新內容。」希望這項研究能激勵科學家探索更多人工智能在科學和社會中所能帶來的好處。這項研究已發表在《PNAS》期刊上。
