Pesquisadores’s Emory University kombinerede et specialdesignet neuralt netværk med eksperimentelle laboratoriedata. Resultatet afslører tidligere skjulte mønstre i samspillet mellem plasmapartikler og støv. Nøjagtigheden overstiger 99% ved beskrivelse af ikke-gensidige kræfter. Værket blev offentliggjort i Proceedings af National Academy af Sciences.
Støvplasma består af ioniseret gas, der indeholder mikroskopisk ladede partikler. Esse-systemet forekommer naturligt i rummet, såsom i ringene af Saturno, og også i terrestriske miljøer, såsom røg fra skovbrande. Forskere sporede den tredimensionelle bevægelse af snesevis af partikler i et kontrolleret vakuumkammer. De anvendte derefter kunstig intelligens til at udlede de kræfter, der styrer kollektiv adfærd.
Modelo AI lærer kræfter mellem partikler med høj nøjagtighed
Holdet opdelte partikelbevægelse i tre hovedkomponenter. En af dem er den hastighedsrelaterede trækkraft. Outro involverer miljøkræfter såsom tyngdekraften. Den tredje fanger direkte interaktioner mellem partikler. Det neurale netværk trænet med rigtige baner fangede asymmetriske detaljer. En førende partikel kan tiltrække den bagvedliggende partikel, mens den efterfølgende partikel altid frastøder lederen.
Essa gensidighed forekommer ikke i mange-kropssystemer. Forskere sammenligner fænomenet med to både, der krydser en sø og genererer bølger. Hver af dem påvirker hinanden forskelligt afhængigt af deres relative position. Modellen opnåede en bestemmelseskoefficient større end 0,99 ved forudsigelse af partikelacceleration.
- Systemet gjorde det muligt at måle belastninger og panserlængder med hidtil uset præcision
- Uafhængige Experimentos-validerede AI-udledte masser
- Resultados modsiger klassiske teoretiske antagelser om proportionalitet mellem størrelse og belastning
Justin Burton, professor i eksperimentel fysik, fremhævede, at metoden ikke fungerer som en sort boks. Netværksstrukturen respekterer kendte fysiske begrænsninger og giver os også mulighed for at opdage, hvad der ikke var kendt.
Suposições klassiske teorier modstår ikke nye data
Tidligere Teorias antog, at ladningen af en støvpartikel vokser proportionalt med dens radius. Dataene viser, at forholdet er mere komplekst. Ela varierer afhængigt af plasmadensitet og temperatur. Den observerede eksponent er mellem 0,30 og 0,80 og stiger med baggrundsgastrykket.
Outra Den almindelige antagelse hævdede, at kræfter mellem partikler falder eksponentielt med afstand, uanset størrelse. Analysen afslørede klar partikelstørrelsesafhængighed af krafthenfaldet. Yderligere Experimentos bekræftede disse afvigelser.
Ilya Nemenman, professor i teoretisk fysik, forklarede, at den høje præcision gjorde det muligt at rette gamle unøjagtigheder. Modellen tilbyder kvantitative beskrivelser, som ikke tidligere fandtes. Wentao Yu, førsteforfatter, arbejdede på projektet som ph.d.-studerende på Emory og forsker nu på Caltech. Eslam Abdelaleem, medforfatter, fungerer som postdoc ved Georgia Tech.
Plasma med støv optræder i miljøer fra hverdagen til kosmos
Plasma kaldes den fjerde tilstand af stof, fordi elektroner og ioner bevæger sig frit. Ele udgør omkring 99,9% af det synlige univers, fra solvinde til lyn. Støvversionen tilføjer ladede korn, der ændrer adfærd.
Na Lua, svag tyngdekraft efterlader støvpartikler flydende og klæber til astronauters tøj. Ved naturbrande i Terra kan ladede sodpartikler forstyrre radiosignaler, der bruges af brandmænd. I laboratoriet suspenderer forskere plastikmikrosfærer i et vakuumkammer og justerer trykket for at simulere virkelige forhold.
Den tomografiske billedbehandlingsteknik, der er udviklet i Burtons laboratorium, bruger et laserark, der scanner volumen. Et højhastighedskamera optager billeder, der, når de kombineres, rekonstruerer 3D-baner over minutter.
Abordagem baner vejen for andre mangekropssystemer
Rammen udviklet på Emory kører på en almindelig stationær computer. Ele kan tilpasses til at studere kolloider i industrielle malinger og blæk eller kollektive interaktioner i grupper af levende celler. Nemenman planlægger at anvende lignende ideer til studiet af kollektiv bevægelse i biologiske systemer under et praktikophold på Alemanha.
Vyacheslav Lukin, programdirektør på National Science Foundation, roste det tværfaglige samarbejde. Fremskridtet kombinerer plasmafysik og kunstig intelligens og kan gavne forståelsen af levende systemer.
Forskningen modtog primær støtte fra NSF med yderligere finansiering fra Simons Foundation. Forfatterne understreger, at succes afhænger af omhyggeligt netværksdesign og menneskelig fortolkning af resultater.
Detalhes-eksperimentteknikere styrker pålideligheden
Forskerne validerede modellen på to uafhængige måder for at udlede massen af hver partikel. Værdierne faldt sammen og matchede direkte målinger ved optisk mikroskopi. Essa intern konsistens øger tilliden til udledte kræfter.
Det neurale netværk inkorporerer fysiske symmetrier og beskæftiger sig med ikke-identiske partikler. Uddannelsen brugte en begrænset mængde eksperimentelle data, som krævede en bestemt arkitektur. Reuniões ugentlige sessioner over mere end et år forfinede strukturen til en relativt enkel, men kraftfuld model.
Impacto potentiale går ud over plasmafysik
Cientistas ser potentiale inden for områder som industrielle materialer og biologi. I kræft, for eksempel, kan forståelse af kollektive celle-interaktioner kaste lys over metastaseprocesser. Metoden giver et udgangspunkt for at udlede love i systemer, hvor direkte interaktioner er svære at modellere.
Burton sammenligner ansvarlig brug af kunstig intelligens med missionen om at udforske det ukendte. Ele mener, at værktøjet, når det bruges godt, åbner døre til helt nye opdagelser.
Undersøgelsen viser, at kunstig intelligens kan gå ud over at analysere eller forudsige. Under de rette forhold hjælper det med at afsløre naturlove, der er forblevet skjulte.