Un nuovo algoritmo informatico, o insieme di regole, che predice accuratamente le orbite dei pianeti nel sistema solare potrebbe essere adattato per prevedere e controllare meglio il comportamento del plasma che alimenta gli impianti di fusione progettati per raccogliere sulla Terra l’energia di fusione che alimenta il sole e stelle.
L’algoritmo, ideato da uno scienziato del Princeton Plasma Physics Laboratory ( PPPL ) del Dipartimento dell’Energia degli Stati Uniti (DOE) , applica l’apprendimento automatico, la forma di intelligenza artificiale (AI) che apprende dall’esperienza, per sviluppare le previsioni. “Di solito in fisica si fanno osservazioni, si crea una teoria basata su quelle osservazioni e poi si usa quella teoria per prevedere nuove osservazioni”, ha detto il fisico del PPPL Hong Qin, autore di un articolo che descrive il concetto in Scientific Reports . “Quello che sto facendo è sostituire questo processo con un tipo di scatola nera in grado di produrre previsioni accurate senza utilizzare una teoria o una legge tradizionale”.
Qin (pronunciato Chin ) ha creato un programma per computer in cui ha inserito i dati dalle osservazioni passate delle orbite di Mercurio, Venere , Terra, Marte , Giove e il pianeta nano Cerere. Questo programma, insieme a un programma aggiuntivo noto come “algoritmo di servizio”, ha quindi effettuato previsioni accurate delle orbite di altri pianeti nel sistema solare senza utilizzare le leggi di movimento e gravitazione di Newton. “In sostanza, ho aggirato tutti gli ingredienti fondamentali della fisica. Vado direttamente dai dati ai dati “, ha detto Qin. “Non vi è alcuna legge della fisica nel mezzo.”
Il programma non viene eseguito accidentalmente su previsioni accurate. “Hong ha insegnato al programma il principio sottostante utilizzato dalla natura per determinare le dinamiche di qualsiasi sistema fisico”, ha detto Joshua Burby, un fisico presso il Los Alamos National Laboratory del DOE che ha conseguito il dottorato di ricerca. a Princeton sotto la guida di Qin. “Il vantaggio è che la rete apprende le leggi del moto planetario dopo aver assistito a pochissimi esempi di addestramento. In altre parole, il suo codice “impara” davvero le leggi della fisica “.
L’apprendimento automatico è ciò che rende possibili programmi per computer come Google Translate. Google Translate passa al setaccio una grande quantità di informazioni per determinare la frequenza con cui una parola in una lingua è stata tradotta in una parola nell’altra lingua. In questo modo, il programma può effettuare una traduzione accurata senza effettivamente imparare nessuna delle due lingue.
Il processo appare anche in esperimenti di pensiero filosofico come la Chinese Room di John Searle. In questo scenario, una persona che non conosceva il cinese poteva tuttavia “tradurre” una frase cinese in inglese o in qualsiasi altra lingua utilizzando una serie di istruzioni, o regole, che sostituirebbero la comprensione. L’esperimento mentale solleva domande su cosa, in fondo, significhi capire qualcosa e se la comprensione implica che qualcos’altro sta accadendo nella mente oltre a seguire le regole.
Qin è stato ispirato in parte dall’esperimento filosofico del filosofo di Oxford Nick Bostrom secondo cui l’universo è una simulazione al computer. Se ciò fosse vero, le leggi fisiche fondamentali dovrebbero rivelare che l’universo è costituito da singole porzioni di spazio-tempo, come i pixel di un videogioco. “Se viviamo in una simulazione, il nostro mondo deve essere discreto”, ha detto Qin. La tecnica della scatola nera ideata da Qin non richiede che i fisici credano letteralmente alla congettura della simulazione, sebbene si basi su questa idea per creare un programma che faccia previsioni fisiche accurate.
La risultante visione pixelata del mondo, simile a ciò che è ritratto nel film The Matrix , è conosciuta come una teoria dei campi discreti, che vede l’universo come composto da singoli bit e differisce dalle teorie che le persone normalmente creano. Mentre gli scienziati in genere escogitano concetti generali su come si comporta il mondo fisico, i computer assemblano semplicemente una raccolta di punti dati.
Qin ed Eric Palmerduca, uno studente laureato del Princeton University Program in Plasma Physics, stanno ora sviluppando modi per utilizzare teorie di campo discrete per prevedere il comportamento delle particelle di plasma negli esperimenti di fusione condotti da scienziati di tutto il mondo. Gli impianti di fusione più utilizzati sono i tokamak a forma di ciambella che confinano il plasma in potenti campi magnetici.
La fusione, il potere che guida il sole e le stelle, combina elementi leggeri sotto forma di plasma – lo stato caldo e carico della materia composto da elettroni liberi e nuclei atomici che rappresenta il 99% dell’universo visibile – per generare enormi quantità di energia. Gli scienziati stanno cercando di replicare la fusione sulla Terra per una fornitura praticamente inesauribile di energia per generare elettricità.
“In un dispositivo di fusione magnetica, le dinamiche dei plasmi sono complesse e multi-scala, e le leggi che governano efficaci o modelli computazionali per un particolare processo fisico che ci interessa non sono sempre chiare”, ha detto Qin. “In questi scenari, possiamo applicare la tecnica di apprendimento automatico che ho sviluppato per creare una teoria dei campi discreti e quindi applicare questa teoria dei campi discreti per comprendere e prevedere nuove osservazioni sperimentali”.
Questo processo apre domande sulla natura della scienza stessa. Gli scienziati non vogliono sviluppare teorie fisiche che spieghino il mondo, invece di accumulare semplicemente dati? Le teorie non sono fondamentali per la fisica e necessarie per spiegare e comprendere i fenomeni?
“Direi che l’obiettivo finale di qualsiasi scienziato è la previsione”, ha detto Qin. “Potresti non aver necessariamente bisogno di una legge. Ad esempio, se posso prevedere perfettamente un’orbita planetaria, non ho bisogno di conoscere le leggi di gravità e movimento di Newton. Si potrebbe sostenere che così facendo capiresti meno che se conoscessi le leggi di Newton. In un certo senso è corretto. Ma da un punto di vista pratico, fare previsioni accurate non significa fare niente di meno “.
L’apprendimento automatico potrebbe anche aprire possibilità per ulteriori ricerche. “Amplia in modo significativo la portata dei problemi che puoi affrontare perché tutto ciò di cui hai bisogno per andare avanti sono i dati”, ha detto Palmerduca.
La tecnica potrebbe anche portare allo sviluppo di una teoria fisica tradizionale. “Anche se in un certo senso questo metodo preclude la necessità di una tale teoria, può anche essere visto come un percorso verso uno”, ha detto Palmerduca. “Quando cerchi di dedurre una teoria, ti piacerebbe avere quanti più dati possibile a tua disposizione. Se ti vengono forniti alcuni dati, puoi utilizzare l’apprendimento automatico per colmare le lacune in tali dati o espandere in altro modo il set di dati “.
Riferimento: “Machine learning and serving of discrete field theories” di Hong Qin
