物理学家在利用人工智能方面迈出了重要一步，不仅将其用于分析数据，更用于揭示全新的自然规律。通过将专门设计的神经网络与尘埃等离子体中粒子的精确三维追踪相结合——尘埃等离子体是一种奇异的“物质第四态”，存在于从太空到野火等环境中——该团队揭示了粒子相互作用方式中的隐藏模式。他们的模型以超过99%的准确率捕捉到了复杂的单向（非互易）力，甚至推翻了关于这些力行为表现的长期假设。
这些发表在《美国国家科学院院刊》（PNAS）上的发现，源自埃默里大学实验物理学家和理论物理学家的合作。通过将定制神经网络与尘埃等离子体的实验室数据相结合，研究团队表明，人工智能不仅能分析数据或进行预测，还能帮助揭示全新的物理定律。
“我们展示了可以利用人工智能发现新的物理学，”埃默里大学实验物理学教授、该论文资深共同作者贾斯汀·伯顿说道，“我们的人工智能方法不是一个‘黑箱’：我们理解它是如何工作的以及为什么有效。它提供的框架也是通用的， potentially 可以应用于其他多体系统，为发现开辟新途径。”
对尘埃等离子体作用力的高精度洞察
这项研究提供了迄今为止关于尘埃等离子体物理规律最详尽的描述之一。该系统由充满相互作用带电粒子的电离气体组成，其中包括微小的尘埃颗粒。
利用他们的人工智能模型，研究人员能够以超过99%的准确率描述非互惠力。这些力出了名地难以测量和建模。
“我们可以以超过99%的准确率描述这些力，”埃默里大学理论物理学教授、该论文共同资深作者伊利亚·内门曼说，“更有趣的是，我们展示了关于这些力的一些常见理论假设并不十分准确。我们现在能够纠正这些不准确之处，因为我们现在能够以如此精细的细节观察到正在发生的事情。”
研究团队认为，这种方法可以广泛应用于由许多相互作用组件组成的系统。这些系统范围广泛，从油漆和油墨等工业材料到活细胞群。
该研究的第一作者是余文涛，他在埃默里大学攻读博士期间参与了该项目，目前是加州理工学院的博士后研究员。共同作者埃斯拉姆·阿卜杜勒阿莱姆也以埃默里大学研究生的身份做出了贡献，现任佐治亚理工学院博士后研究员。
该研究主要由美国国家科学基金会资助，并获得了西蒙斯基金会的额外资助。
“这个项目是跨学科合作的一个极好范例，等离子体物理学和人工智能领域新知识的开发可能会推动生命系统研究的进一步发展，”美国国家科学基金会等离子体物理项目主任维亚切斯拉夫（斯拉瓦）·卢金说，“这些复杂系统的动力学由集体相互作用主导，而新兴的人工智能技术可能有助于我们更好地描述、识别、理解甚至控制这些相互作用。”
物质的第四态解析
等离子体通常被称为物质的第四态。在这种状态下，气体被电离，意味着电子和离子自由移动并产生独特的属性，如导电性。等离子体构成了可见宇宙的约99.9%，从太阳喷出的太阳风到地球上的闪电。
尘埃等离子体包含额外的带电尘埃颗粒，出现在许多环境中，从土星环到地球的电离层。
在月球上，微弱的重力使带电尘埃能够悬浮在表面上方。“这就是为什么当宇航员在月球上行走时，他们的宇航服会沾满灰尘，”伯顿解释道。
在地球上，当烟灰与烟雾混合时，可能会在野火期间形成尘埃等离子体。这些带电粒子会干扰无线电信号，使消防员的通信变得更加困难。
追踪粒子的三维运动
伯顿的实验室通过在受控实验中重现尘埃等离子体和类似材料来进行研究。研究人员将微小的塑料颗粒悬浮在充满等离子体的真空室中，以模拟更复杂的系统。通过调节气压，他们可以模拟现实世界的条件，并观察粒子如何响应不同的力。
在这个项目中，伯顿和余文涛开发了一种层析成像方法来捕获粒子的三维（3D）运动。激光片穿过真空室，同时高速相机记录图像。然后将这些快照组合起来，重建数十个粒子随时间变化的位置，使研究人员能够详细追踪其运动。
利用人工智能理解集体运动
内门曼是一位理论生物物理学家，研究复杂系统如何从简单的相互作用中涌现。他对集体运动特别感兴趣，例如细胞如何在人体内移动。
“关于整体系统如何由微小部分的相互作用产生的一般性问题非常重要，”内门曼解释道，“例如在癌症中，你想了解细胞间的相互作用如何导致其中一些细胞脱离肿瘤并移动到新位置，从而发生转移。”
与生命系统相比，尘埃等离子体为测试新想法提供了更简单的环境。这使其成为探索人工智能能否揭示新物理原理的理想案例。
“尽管人们都在谈论人工智能如何彻底改变科学，但由人工智能系统直接发现某种根本性新事物的例子寥寥无几，”内门曼说。
设计用于发现的神经网络
构建人工智能模型需要精心规划。与在大量数据集上训练的系统不同，该项目的实验数据有限。
“当你探索新事物时，你没有大量数据来训练人工智能，”内门曼解释道，“这意味着我们必须设计一种神经网络，它可以用少量数据进行训练，并且仍然能学到新东西。”
研究团队通过每周会议花了一年多时间完善设计。
“我们需要构建网络结构，使其遵循必要的规则，同时仍允许它探索和推断未知的物理规律，”伯顿解释道。
“我们在这些每周会议上进行了一年多的反复讨论，”内门曼补充道，“一旦我们想出了正确的网络结构来进行训练，结果发现它相当简单。”
最终模型将粒子运动分离为三个主要影响因素：来自速度的阻力、重力等环境力以及粒子间的力。
令人惊讶的结果和新见解
在经过三维粒子轨迹训练后，人工智能成功捕获了复杂的相互作用，包括粒子间的不对称力。
研究人员将这种行为比作两艘在湖面上移动的船。每艘船产生的波浪都会影响另一艘。根据它们的位置，这些波浪可以不同方式推动或拉动船只。
“在尘埃等离子体中，我们描述了前导粒子如何吸引尾随粒子，但尾随粒子总是排斥前导粒子，”内门曼解释道，“这种现象曾被一些人预料到，但现在我们有了以前不存在的精确近似值。”
结果还挑战了早期的理论。一个长期存在的观点认为，粒子的电荷与其大小成正比增加。新发现表明，虽然较大的粒子确实携带更多电荷，但这种关系更为复杂，取决于等离子体密度和温度等因素。
另一种假设认为，粒子间的作用力随距离呈指数衰减，且这种方式不依赖于粒子大小。人工智能模型揭示，粒子大小确实会影响这些力减弱的速度。
研究团队通过额外的实验证实了这些结论。
探索复杂系统的新工具
研究人员开发了一种基于物理的神经网络，可以在标准台式计算机上运行。他们认为这为研究不同领域的多体系统提供了一个灵活的框架。
内门曼即将在德国康斯坦茨集体行为学院任教，那里的科学家研究从鸟群到人群等各种系统。
“我将教来自世界各地的学生如何使用人工智能推断集体运动的物理学——不是在尘埃等离子体内部，而是在生命系统内部，”他说。
尽管取得了这些进展，人类的专业知识仍然至关重要。科学家必须精心设计模型并解释结果。
“开发和利用人工智能工具以在科学、技术和人文学科方面取得真正进展，需要批判性思维，”伯顿说。
他对未来仍持乐观态度。
“我认为这就像《星际迷航》的格言，勇敢地前往前人未至之境，”伯顿说。“如果使用得当，人工智能可以开启全新探索领域的大门。”