Pesquisadoress Emory University kombinerte et spesialdesignet nevralt nettverk med eksperimentelle laboratoriedata. Resultatet avslører tidligere skjulte mønstre i samspillet mellom plasmapartikler og støv. Nøyaktigheten overstiger 99 % når det gjelder å beskrive ikke-gjensidige krefter. Verket ble publisert i Proceedings av National Academy av Sciences.
Støvplasma består av ionisert gass som inneholder mikroskopiske ladede partikler. Esse-systemet forekommer naturlig i verdensrommet, for eksempel i ringene til Saturno, og også i terrestriske miljøer, som røyk fra skogbranner. Forskere sporet den tredimensjonale bevegelsen til dusinvis av partikler i et kontrollert vakuumkammer. De brukte deretter kunstig intelligens for å utlede kreftene som styrer kollektiv atferd.
Modelo AI lærer krefter mellom partikler med høy nøyaktighet
Teamet delte partikkelbevegelse i tre hovedkomponenter. En av dem er den hastighetsrelaterte dragkraften. Outro involverer miljøkrefter som gravitasjon. Den tredje fanger opp direkte interaksjoner mellom partikler. Det nevrale nettverket trent med ekte baner fanget asymmetriske detaljer. En ledende partikkel kan tiltrekke seg den bak den, mens den etterfølgende partikkelen alltid frastøter lederen.
Essa gjensidighet vises ikke i mangekroppssystemer. Forskere sammenligner fenomenet med to båter som krysser en innsjø og genererer bølger. Etter hvert påvirker hverandre ulikt avhengig av deres relative posisjon. Modellen oppnådde en bestemmelseskoeffisient større enn 0,99 ved prediksjon av partikkelakselerasjon.
- Systemet gjorde det mulig å måle belastninger og panserlengder med enestående presisjon
- Uavhengige Experimentos-validerte AI-utledede masser
- Resultados motsier klassiske teoretiske antakelser om proporsjonalitet mellom størrelse og last
Justin Burton, professor i eksperimentell fysikk, fremhevet at metoden ikke fungerer som en svart boks. Nettverksstrukturen respekterer kjente fysiske begrensninger og lar oss også oppdage det som ikke var kjent.
Suposições klassiske teorier motstår ikke nye data
Tidligere Teorias antok at ladningen til en støvpartikkel vokser proporsjonalt med dens radius. Dataene viser at forholdet er mer komplekst. Ela varierer avhengig av plasmatetthet og temperatur. Den observerte eksponenten er mellom 0,30 og 0,80, og øker med bakgrunnsgasstrykket.
Outra Vanlig antakelse holdt at krefter mellom partikler faller eksponentielt med avstand, uavhengig av størrelse. Analysen avdekket klar partikkelstørrelsesavhengighet av kraftnedgangen. Ytterligere Experimentos bekreftet disse avvikene.
Ilya Nemenman, professor i teoretisk fysikk, forklarte at den høye presisjonen gjorde det mulig å korrigere gamle unøyaktigheter. Modellen tilbyr kvantitative beskrivelser som ikke fantes tidligere. Wentao Yu, førsteforfatter, jobbet med prosjektet som doktorgradsstudent ved Emory og forsker nå ved Caltech. Eslam Abdelaleem, medforfatter, fungerer som postdoktor ved Georgia Tech.
Plasma med støv dukker opp i miljøer fra hverdagen til kosmos
Plasma kalles materiens fjerde tilstand fordi elektroner og ioner beveger seg fritt. Ele utgjør omtrent 99,9 % av det synlige universet, fra solvind til lyn. Støvversjonen tilfører ladede korn som endrer atferd.
Na Lua, svak tyngdekraft gjør at støvpartikler flyter og fester seg til astronautenes klær. Ved skogbranner i Terra kan ladede sotpartikler forstyrre radiosignaler som brukes av brannmenn. I laboratoriet suspenderer forskere plastmikrokuler i et vakuumkammer og justerer trykket for å simulere virkelige forhold.
Den tomografiske bildeteknikken utviklet i Burtons laboratorium bruker et laserark som skanner volumet. Et høyhastighetskamera tar bilder som, når de kombineres, rekonstruerer 3D-baner over minutter.
Abordagem baner vei for andre mangekroppssystemer
Rammeverket utviklet på Emory kjører på en vanlig stasjonær datamaskin. Ele kan tilpasses for å studere kolloider i industrielle malinger og blekk eller kollektive interaksjoner i grupper av levende celler. Nemenman planlegger å bruke lignende ideer til studiet av kollektiv bevegelse i biologiske systemer under et internship ved Alemanha.
Vyacheslav Lukin, programdirektør ved National Science Foundation, berømmet det tverrfaglige samarbeidet. Fremskrittet kombinerer plasmafysikk og kunstig intelligens og kan være til nytte for forståelsen av levende systemer.
Forskningen fikk primærstøtte fra NSF, med tilleggsmidler fra Simons Foundation. Forfatterne understreker at suksess avhenger av nøye nettverksdesign og menneskelig tolkning av resultater.
Detalhes-eksperimentteknikere forsterker påliteligheten
Forskerne validerte modellen på to uavhengige måter for å utlede massen til hver partikkel. Verdiene falt sammen og samsvarte med direkte målinger ved optisk mikroskopi. Essa intern konsistens øker tilliten til utledede krefter.
Det nevrale nettverket inkorporerer fysiske symmetrier og omhandler ikke-identiske partikler. Treningen brukte et begrenset volum av eksperimentelle data, som krevde en spesifikk arkitektur. Reuniões ukentlige økter over mer enn ett år foredlet strukturen til en relativt enkel, men kraftig modell.
Impacto-potensialet går utover plasmafysikk
Cientistas ser potensiale innen områder som industrielle materialer og biologi. I kreft, for eksempel, kan forståelse av kollektive celleinteraksjoner kaste lys over metastaseprosesser. Metoden gir et utgangspunkt for å utlede lover i systemer der direkte interaksjoner er vanskelige å modellere.
Burton sammenligner ansvarlig bruk av AI med oppdraget med å utforske det ukjente. Ele mener at verktøyet, når det brukes godt, åpner dører til helt nye oppdagelser.
Studien viser at kunstig intelligens kan gå utover å analysere eller forutsi. Under de rette forholdene bidrar det til å avsløre naturlover som har holdt seg skjult.