埃默里大学的科学家们开发出一个定制的人工智能神经网络，它纠正了多年来塑造等离子体理论的错误观点，其中一个核心错误就和粒子的电荷有关。
一般的人工智能研究，主要是让模型来预测结果或清理数据。
但位于亚特兰大的埃默里大学，研究人员们做了一件不寻常的事：他们训练了一个神经网络，让它去发现新的物理学。
这个团队是怎么做到的呢？他们将一种被称为尘埃等离子体的神秘物质的实验数据，喂给了他们的人工智能系统。这是一种充满微小尘埃颗粒、炽热的带电气体。
奇妙的是，当科学家们观察时，AI 竟惊人地揭示了那些前人从未完全理解的奇异作用力，给出了极其准确的描述。
这项突破表明，人工智能确实可以用来发现那些支配粒子在混乱系统中相互作用的、不为人知的隐藏定律。
“它不仅纠正了等离子体物理学中长期存在的错误假设，更为研究复杂的多粒子系统打开了一扇全新的大门，无论是微观的活细胞，还是宏观的工业材料，都能从中受益。
研究作者之一、埃默里大学教授贾斯汀·伯顿说，我们证明了能用 AI 发现新物理学。我们的 AI 方法并非一个无法理解的黑箱，我们清楚它如何工作以及为何有效。
他还补充道，这个框架具有普适性，未来有望应用在其他多体系统的研究中，为科学探索开辟全新的道路。
AI 是如何学会创造定律的？
研究人员将真实世界的实验，与一个精心设计的 AI 模型巧妙地结合起来。
他们研究的起点是尘埃等离子体。这种物质在宇宙中随处可见，从土星环、月球表面，到地球上的野火烟雾，都有它的身影。
但奇怪的是，尽管它无处不在，但其中粒子之间精确的作用力，却一直是个未解之谜。
这是因为该系统以一种非互易的方式运作。简单来说，就是一个粒子推另一个粒子，另一个粒子不一定会用同样大小的力推回来。
用传统的物理学方法，去理解这种复杂的相互作用，被证明是极其困难的。
为了攻克这个难题，科学家们建立了一套精密的 3D 成像系统，用来观察塑料尘埃粒子在一个充满等离子体的密闭空间里如何运动。
他们利用激光片和高速摄像机，在三维空间里，实时捕捉了数千个微小粒子的海量运动轨迹。
这些细节丰富的轨迹数据，被用来训练一个定制的神经网络。
大多数 AI 模型都需要海量数据才能学习，但埃默里团队的模型不同。
它只需要一个规模小却信息丰富的数据库，并且在设计之初就内置了基本的物理规则，比如重力、阻力和粒子间的作用力。
该研究的资深作者伊利亚·内梅曼教授解释道：当你探索未知领域时，往往没有太多数据来训练 AI。这意味着，我们必须设计一个用少量数据就能学到新东西的神经网络。
这个神经网络将复杂的粒子运动拆解为三个部分来分析：由速度产生的效应（如阻力），来自环境的作用力（如重力），以及粒子之间的相互作用力。
通过这种方式，AI 在遵循基本物理原则的前提下，学会了理解复杂的系统行为。
最终，它成功发现了非互易作用力的精确规律，准确率超过 99%。
其中一个惊人的发现是：当一个粒子在前头引领时，它会把后面的粒子拉向自己；但后面的粒子，反而会把前面的粒子推开。这种不对称的相互作用，过去虽有猜想，却从未被清晰地证实。
神经网络也纠正了过去的错误
这个 AI 还顺便纠正了一些长久以来塑造等离子体理论的错误观点。
内梅曼教授补充说，我们发现一些常见的理论假设并不完全准确。我们之所以能做到这一点，是因为我们现在能以前所未有的细节，去观察真实发生的一切。
举个例子，过去的一个假设认为，粒子的电荷与其尺寸严格成正比。事实证明，这是错的。
这种关系其实还取决于周围等离子体的密度和温度。
另一个错误的观点是，粒子间的作用力，总是随着距离的增加而呈指数级减弱，且与粒子大小无关。
AI 揭示，这种作用力的衰减方式，其实也和粒子本身的大小有关——这是过去被完全忽视的一个关键细节。
最棒的一点是，运行这个强大的 AI 模型，仅仅需要一台普通的台式电脑。
它产出的通用框架，如今可以应用到从油漆混合物到生物体细胞迁移等各种多粒子系统中。这项研究雄辩地证明，AI 的价值远不止于处理数据，它能真正帮助科学家发现支配自然的隐藏规则。
内梅曼教授最后感慨道，尽管我们总在谈论 AI 如何变革科学，但由 AI 直接发现全新知识的实例其实非常少。
希望这项工作能激励科学家们，去探索 AI 在更多领域为科学和社会造福的可能性。
这项研究的论文已发表在《美国国家科学院院刊》上。
参考资料：https://www.pnas.org/doi/10.1073/pnas.2319985121 https://interestingengineering.com/innovation/ai-decodes-dusty-plasma-new-forces-physics
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
