پژوهشگران دانشگاه اِموری در آتلانتا، جورجیا یک شبکه عصبی آموزش دادند تا قوانین جدیدی را در فیزیک کشف کند و در کمال تعجب، این سیستم توانست با موفقیت این کار را انجام دهد.
به گزارش Phys ، تیم تحقیقاتی با استفاده از دادههای تجربی مربوط به حالتی اسرارآمیز از ماده به نام پلاسمای غباری موفق به انجام این دستاورد منحصربهفرد شد. دانشمندان سپس مشاهده کردند که چگونه هوش مصنوعی توصیفهایی شگفتانگیز و دقیق از نیروهای عجیبی ارائه داد که پیشتر هرگز بهطور کامل درک نشده بودند.
هوش مصنوعی توانست برخی از فرضیات نادرست نظریه پلاسما را اصلاح کند
توسعه چنین سیستمی نشان میدهد که میتوان از هوش مصنوعی برای کشف قوانین ناشناختهای استفاده کرد که تعامل ذرات را در یک سیستم کنترل میکنند. علاوهبراین، هوش مصنوعی فرضیات قدیمی در فیزیک پلاسما را اصلاح میکند و راه را برای مطالعه سیستمهای پیچیده و چندذرهای به شیوههایی کاملاً نوین هموار میسازد.
«جاستین برتون»، یکی از نویسندگان این مطالعه و استاد دانشگاه اموری، گفت: «ما نشان دادیم که میتوان از هوش مصنوعی برای کشف نکات جدید در فیزیک استفاده کرد. روش ما در هوش مصنوعی یک جعبه سیاه نیست. ما میدانیم این سیستم چگونه و چرا کار میکند. چارچوبی که ارائه میدهد نیز قابلتعمیم است و میتواند بهطور بالقوه در سایر سیستمهای چندذرهای به کار رود و مسیرهای تازهای برای کشف باز کند.»
پژوهشگران با ترکیب آزمایشهای واقعی و یک مدل هوش مصنوعی که با دقت طراحی شده بود، کار خود را آغاز کردند. آنها مطالعه خود را با پلاسمای غباری کلید زدند. این حالت از ماده در سراسر کیهان، از حلقههای زحل و سطح ماه گرفته تا دود ناشی از آتشسوزیهای جنگلی روی زمین، یافت میشود.
با وجود حضور گسترده آن در کیهان، نیروهای دقیقی که میان ذرات در پلاسمای غباری عمل میکنند همچنان بهدرستی درک نشدهاند. دلیلش این است که این سیستم رفتاری غیرمتقابل دارد؛ به این معنا که نیرویی که یک ذره بر دیگری وارد میکند، الزاماً با نیرویی برابر از سوی ذره دیگر پاسخ داده نمیشود.
محققان برای مقابله با این چالش، یک سامانه تصویربرداری سهبعدی پیشرفته ساختند تا حرکت ذرات ریزپلاستیکی را درون محفظهای پر از پلاسما مشاهده کنند. نتایج این مطالعه سپس برای آموزش یک شبکه عصبی سفارشی استفاده شد. برخلاف اکثر مدلهای هوش مصنوعی که به دادههای عظیم نیاز دارند، شبکه ساختهشده توسط دانشگاه اموری با مجموعهای از دادههای کوچک اما غنی آموزش داده شد و بهگونهای طراحی شده بود که قوانین فیزیکی داخلی مانند گرانش، مقاومت هوا و نیروهای بینذرهای را در نظر بگیرد.
