Forscher nutzen KI, um verborgene Gesetze in geladenen Teilchensystemen zu entdecken

Emory University von Pesquisadores kombinierte ein maßgeschneidertes neuronales Netzwerk mit experimentellen Labordaten. Das Ergebnis deckt bisher verborgene Muster in der Wechselwirkung von Plasmapartikeln mit Staub auf. Die Genauigkeit bei der Beschreibung nicht reziproker Kräfte liegt bei über 99 %. Die Arbeit wurde in Proceedings, National Academy oder Sciences veröffentlicht.

Staubplasma besteht aus ionisiertem Gas, das mikroskopisch kleine geladene Teilchen enthält. Das Esse-System kommt natürlicherweise im Weltraum vor, beispielsweise in den Ringen von Saturno, und auch in terrestrischen Umgebungen, beispielsweise im Rauch von Waldbränden. Wissenschaftler verfolgten die dreidimensionale Bewegung Dutzender Partikel in einer kontrollierten Vakuumkammer. Anschließend wandten sie künstliche Intelligenz an, um die Kräfte abzuleiten, die das kollektive Verhalten bestimmen.

Modelo AI lernt Kräfte zwischen Partikeln mit hoher Genauigkeit

Das Team unterteilte die Teilchenbewegung in drei Hauptkomponenten. Eine davon ist die geschwindigkeitsbedingte Widerstandskraft. Outro beinhaltet Umweltkräfte wie die Schwerkraft. Der dritte erfasst direkte Wechselwirkungen zwischen Partikeln. Das mit realen Flugbahnen trainierte neuronale Netzwerk erfasste asymmetrische Details. Ein führendes Teilchen kann das hinter ihm liegende anziehen, während das nachlaufende Teilchen das führende Teilchen immer abstößt.

Essa-Reziprozität tritt in Vielteilchensystemen nicht auf. Forscher vergleichen das Phänomen mit zwei Booten, die einen See überqueren und dabei Wellen erzeugen. Je nach ihrer relativen Position wirkt sich die Spur der einen auf die andere unterschiedlich aus. Das Modell erreichte bei der Vorhersage der Teilchenbeschleunigung ein Bestimmtheitsmaß von mehr als 0,99.

• Das System ermöglichte die Messung von Lasten und Panzerungslängen mit beispielloser Präzision
• Unabhängige Experimentos validierte KI-abgeleitete Massen
• Resultados widersprechen klassischen theoretischen Annahmen über die Proportionalität zwischen Größe und Belastung

Justin Burton, Professor für Experimentalphysik, betonte, dass die Methode nicht als Blackbox funktioniert. Die Netzwerkstruktur respektiert bekannte physikalische Einschränkungen und ermöglicht es uns auch, Unbekanntes zu entdecken.

Suposições klassischen Theorien widerstehen neuen Daten nicht

Bisherige Teorias gingen davon aus, dass die Ladung eines Staubpartikels proportional zu seinem Radius wächst. Die Daten zeigen, dass die Beziehung komplexer ist. Ela variiert je nach Plasmadichte und Temperatur. Der beobachtete Exponent liegt zwischen 0,30 und 0,80 und steigt mit dem Hintergrundgasdruck.

Outra Die allgemeine Annahme besagt, dass die Kräfte zwischen Partikeln unabhängig von der Größe exponentiell mit der Entfernung abnehmen. Die Analyse ergab eine klare Abhängigkeit der Partikelgröße vom Kraftabfall. Weitere Experimentos bestätigten diese Abweichungen.

Ilya Nemenman, Professor für theoretische Physik, erklärte, dass die hohe Präzision es ermöglichte, alte Ungenauigkeiten zu korrigieren. Das Modell bietet quantitative Beschreibungen, die es bisher nicht gab. Wentao Yu, Erstautor, arbeitete als Doktorand bei Emory an dem Projekt und forscht nun bei Caltech. Eslam Abdelaleem, Co-Autor, ist Postdoktorand bei Georgia Tech.

Plasma mit Staub kommt in Umgebungen vom Alltag bis zum Kosmos vor

Plasma wird als vierter Aggregatzustand bezeichnet, da sich Elektronen und Ionen frei bewegen. Ele macht etwa 99,9 % des sichtbaren Universums aus, von Sonnenwinden bis hin zu Blitzen. Die Staubversion fügt geladene Körner hinzu, die das Verhalten ändern.

Na Lua, schwache Schwerkraft lässt Staubpartikel schweben und an der Kleidung der Astronauten haften. Bei Waldbränden in Terra können geladene Rußpartikel die von Feuerwehrleuten verwendeten Funksignale stören. Im Labor suspendieren Wissenschaftler Mikrokügelchen aus Kunststoff in einer Vakuumkammer und passen den Druck an, um reale Bedingungen zu simulieren.

Leia Também

Kameras halten den Dialog der Brüder fest, nachdem einer Frau in Ceará die Hände abgehackt wurden

Verdächtiger, 8-jährigen Jungen getötet zu haben, wird in SP in einem Krankenwagen erschossen

Militärpolizist stirbt nach 20 Tagen im Krankenhaus nach Schusswechsel in Paraná

Die im Labor von Burton entwickelte tomografische Bildgebungstechnik verwendet eine Laserfolie, die das Volumen scannt. Eine Hochgeschwindigkeitskamera zeichnet Bilder auf, die in der Kombination über Minuten hinweg 3D-Flugbahnen rekonstruieren.

Abordagem ebnet den Weg für andere Vielteilchensysteme

Das bei Emory entwickelte Framework läuft auf einem gängigen Desktop-Computer. Ele kann angepasst werden, um Kolloide in industriellen Farben und Tinten oder kollektive Wechselwirkungen in Gruppen lebender Zellen zu untersuchen. Nemenman plant, während eines Praktikums bei Alemanha ähnliche Ideen auf die Untersuchung kollektiver Bewegungen in biologischen Systemen anzuwenden.

Vyacheslav Lukin, Programmdirektor bei National Science Foundation, lobte die interdisziplinäre Zusammenarbeit. Der Fortschritt kombiniert Plasmaphysik und künstliche Intelligenz und kann zum Verständnis lebender Systeme beitragen.

Die Forschung wurde hauptsächlich von der NSF unterstützt, zusätzliche Mittel kamen von Simons Foundation. Die Autoren betonen, dass der Erfolg von einem sorgfältigen Netzwerkdesign und einer menschlichen Interpretation der Ergebnisse abhängt.

Detalhes-Experimentiertechniker erhöhen die Zuverlässigkeit

Die Forscher validierten das Modell auf zwei unabhängige Arten, um auf die Masse jedes Partikels zu schließen. Die Werte stimmten überein und entsprachen den direkten Messungen mittels optischer Mikroskopie. Die interne Konsistenz von Essa erhöht das Vertrauen in abgeleitete Kräfte.

Das neuronale Netzwerk berücksichtigt physikalische Symmetrien und befasst sich mit nichtidentischen Teilchen. Für das Training wurde eine begrenzte Menge an experimentellen Daten verwendet, was eine spezifische Architektur erforderte. Wöchentliche Reuniões-Sitzungen über mehr als ein Jahr verfeinerten die Struktur zu einem relativ einfachen, aber leistungsstarken Modell.

Das Potenzial von Impacto geht über die Plasmaphysik hinaus

Cientistas sieht Potenzial in Bereichen wie Industriematerialien und Biologie. Bei Krebs beispielsweise kann das Verständnis kollektiver Zellinteraktionen Aufschluss über Metastasierungsprozesse geben. Die Methode bietet einen Ausgangspunkt für die Ableitung von Gesetzen in Systemen, in denen direkte Wechselwirkungen schwer zu modellieren sind.

Burton vergleicht den verantwortungsvollen Einsatz von KI mit der Mission, das Unbekannte zu erforschen. Ele ist davon überzeugt, dass das Tool, wenn es richtig eingesetzt wird, Türen zu völlig neuen Entdeckungsbereichen öffnet.

Die Studie zeigt, dass künstliche Intelligenz über das Analysieren oder Vorhersagen hinausgehen kann. Unter den richtigen Bedingungen hilft es dabei, verborgen gebliebene Naturgesetze aufzudecken.