Um novo algoritmo de computador, ou conjunto de regras, que prevê com precisão as órbitas dos planetas no sistema solar poderia ser adaptado para melhor prever e controlar o comportamento do plasma que alimenta as instalações de fusão projetadas para colher na Terra a energia de fusão que alimenta o sol e as estrelas.

O algoritmo, desenvolvido por um cientista do Laboratório de Física de Plasma de Princeton (PPPL) do Departamento de Energia dos EUA (DOE), aplica aprendizado de máquina, a forma de inteligência artificial (IA) que aprende com a experiência, para desenvolver as previsões. "Normalmente em física, você faz observações, crie uma teoria baseada nessas observações, e então usar essa teoria para prever novas observações, "disse o físico do PPPL Hong Qin, autor de um artigo detalhando o conceito em Relatórios Científicos . "O que estou fazendo é substituir este processo por um tipo de caixa preta que pode produzir previsões precisas sem usar uma teoria ou lei tradicional."

Qin (pronuncia-se Chin) criou um programa de computador no qual alimentou dados de observações anteriores das órbitas de Mercúrio, Vênus, Terra, Marte, Júpiter, e o planeta anão Ceres. Este programa, junto com um programa adicional conhecido como 'algoritmo de veiculação, 'então fez previsões precisas das órbitas de outros planetas no sistema solar sem usar as leis de movimento e gravitação de Newton. "Essencialmente, Eu ignorei todos os ingredientes fundamentais da física. Eu vou diretamente de dados para dados, "Qin disse." Não há nenhuma lei da física no meio. "

O programa não acontece com previsões precisas por acidente. "Hong ensinou ao programa o princípio subjacente usado pela natureza para determinar a dinâmica de qualquer sistema físico, "disse Joshua Burby, um físico do Laboratório Nacional de Los Alamos do DOE que obteve seu Ph.D. em Princeton sob a orientação de Qin. "A recompensa é que a rede aprende as leis do movimento planetário depois de testemunhar muito poucos exemplos de treinamento. Em outras palavras, seu código realmente 'aprende' as leis da física. "

O aprendizado de máquina é o que torna possíveis programas de computador como o Google Translate. O Google Translate analisa uma vasta quantidade de informações para determinar a frequência com que uma palavra em um idioma foi traduzida para uma palavra em outro idioma. Desta maneira, o programa pode fazer uma tradução precisa sem realmente aprender nenhum dos dois idiomas.

O processo também aparece em experimentos de pensamento filosófico como a Sala Chinesa de John Searle. Nesse cenário, uma pessoa que não sabia chinês poderia, no entanto, 'traduzir' uma frase chinesa para o inglês ou qualquer outro idioma usando um conjunto de instruções, ou regras, isso substituiria a compreensão. O experimento mental levanta questões sobre o quê, na raiz, significa entender qualquer coisa, e se a compreensão implica que algo mais está acontecendo na mente além de seguir as regras.

Qin foi inspirado em parte pelo experimento do pensamento filosófico do filósofo de Oxford Nick Bostrom de que o universo é uma simulação de computador. Se isso fosse verdade, então as leis físicas fundamentais devem revelar que o universo consiste em pedaços individuais de espaço-tempo, como pixels em um videogame. “Se vivemos em uma simulação, nosso mundo tem que ser discreto, "Disse Qin. A técnica da caixa preta que Qin desenvolveu não exige que os físicos acreditem literalmente na conjectura da simulação, embora se baseie nessa ideia para criar um programa que faz previsões físicas precisas.

A visão pixelizada resultante do mundo, semelhante ao que é retratado no filme Matrix, é conhecido como uma teoria de campo discreto, que vê o universo como composto de partes individuais e difere das teorias que as pessoas normalmente criam. Embora os cientistas normalmente elaborem conceitos abrangentes de como o mundo físico se comporta, os computadores apenas montam uma coleção de pontos de dados.

Qin e Eric Palmerduca, um estudante de pós-graduação no Programa da Universidade de Princeton em Física de Plasma, agora estão desenvolvendo maneiras de usar teorias de campo discretas para prever o comportamento de partículas de plasma em experimentos de fusão conduzidos por cientistas ao redor do mundo. As instalações de fusão mais amplamente utilizadas são tokamaks em forma de donut que confinam o plasma em campos magnéticos poderosos.

Fusão, o poder que impulsiona o sol e as estrelas, combina elementos leves na forma de plasma - o quente, estado carregado de matéria composta de elétrons livres e núcleos atômicos que representam 99% do universo visível - para gerar grandes quantidades de energia. Os cientistas estão tentando replicar a fusão na Terra para um suprimento virtualmente inesgotável de energia para gerar eletricidade.

"Em um dispositivo de fusão magnética, a dinâmica dos plasmas é complexa e multi-escala, e as leis que regem eficazes ou modelos computacionais para um determinado processo físico em que estamos interessados ​​nem sempre são claros, "Qin disse." Nesses cenários, podemos aplicar a técnica de aprendizado de máquina que desenvolvi para criar uma teoria de campo discreta e, em seguida, aplicar essa teoria de campo discreta para compreender e prever novas observações experimentais. "

Esse processo levanta questões sobre a própria natureza da ciência. Os cientistas não querem desenvolver teorias da física que expliquem o mundo, em vez de simplesmente acumular dados? As teorias não são fundamentais para a física e necessárias para explicar e compreender os fenômenos?

"Eu diria que o objetivo final de qualquer cientista é a previsão, "Qin disse." Você pode não precisar necessariamente de uma lei. Por exemplo, se eu puder prever perfeitamente uma órbita planetária, Não preciso conhecer as leis da gravitação e do movimento de Newton. Você poderia argumentar que, ao fazer isso, entenderia menos do que se conhecesse as leis de Newton. Num sentido, está correto. Mas do ponto de vista prático, fazer previsões precisas não é fazer nada menos. "

O aprendizado de máquina também pode abrir possibilidades para mais pesquisas. "Isso amplia significativamente o escopo de problemas que você pode enfrentar porque tudo que você precisa para começar são os dados, "Palmerduca disse.

A técnica também pode levar ao desenvolvimento de uma teoria física tradicional. "Embora, em certo sentido, esse método exclua a necessidade de tal teoria, também pode ser visto como um caminho para um, "Palmerduca disse." Quando você está tentando deduzir uma teoria, você gostaria de ter o máximo possível de dados à sua disposição. Se você receber alguns dados, você pode usar o aprendizado de máquina para preencher lacunas nesses dados ou expandir o conjunto de dados. "