В красном углу — уникальная нейросеть, которая умеет открывать новые физические законы и находить неточности в уже существующих теориях. В синем углу — тысячи 3D-траекторий движения частиц пыли в плазменной камере. А рефери — учёные из Университета Эмори. Следим за схваткой!
29 октября 2025Да, но не в том смысле, что искусственный интеллект ставит под сомнение все известные законы физики и пишет их заново. Нейросеть в руках учёных из Университета Эмори впервые стала инструментом не для обработки данных или прогнозирования результатов исследований, как это обычно бывает, а для открытия новых физических закономерностей.
Алгоритм помог скорректировать представления о пылевой плазме, которые годами считались верными.
Пылевая (комплексная) плазма — это ионизированный газ, внутри которого находятся микронные и субмикронные частицы твёрдого вещества. Они могут образовываться в плазме самопроизвольно или попадать туда извне. Например, такая плазма возникает во время лесных пожаров, когда заряженные частицы сажи смешиваются с дымом. Её также можно встретить в кольцах Сатурна, хвостах комет, на поверхности Луны, в межпланетных и межзвёздных облаках.
Плазма считается четвёртым состоянием вещества, составляет около 99,9% видимой Вселенной и отличается высокой электропроводностью. Но силы, действующие между частицами в пылевой плазме, до сих пор изучены мало. Взаимодействия в ней не всегда симметричны, и сила, с которой одна частица действует на другую, может не совпадать с ответным воздействием. Разбираться в этих непростых закономерностях и взялись физики-экспериментаторы и теоретики из Университета Эмори.
Учёные разработали сложную систему 3D-визуализации, чтобы наблюдать движение пластиковых частиц пыли внутри камеры с плазмой. На подготовку эксперимента ушло несколько лет: нужно было добиться, чтобы каждая частица оставалась видимой и отслеживаемой в трёх измерениях, не нарушая при этом стабильность плазмы. С помощью лазерного листа и высокоскоростной камеры исследователи зафиксировали тысячи траекторий крошечных частиц, получив беспрецедентно точную картину их движения.
Выбор именно пылевой плазмы не случаен. Это одна из немногих систем, где можно буквально наблюдать законы физики в действии: частицы достаточно большие, чтобы снимать их на видео, но при этом подчиняются тем же электромагнитным силам, что и атомы или ионы.
Эти данные легли в основу обучения нейросети. В отличие от большинства моделей искусственного интеллекта, которым нужны огромные датасеты, сеть, созданная командой Эмори, была оптимизирована для небольшого, но крайне детализированного набора наблюдений. По сути, ей пришлось учиться извлекать закономерности из ограниченного количества очень «честных» данных — и именно в этом состоял один из главных вызовов исследования.
Нейронная сеть разделила движение частиц на три компонента: влияние скорости, силы окружающей среды и силы взаимодействия между частицами. Это позволило алгоритму изучать сложные модели поведения, соблюдая при этом основные принципы физики.
Да, так как нейросеть, обученная на экспериментальных данных, учитывала сразу несколько факторов, такой подход позволил с точностью более 99% описать невзаимные силы в пылевой плазме — асимметричные взаимодействия между заряженными частицами.
ИИ не только зафиксировал новые закономерности, но и исправил ошибки, на которых годами держалась теория плазмы.
Как отмечает Илья Неменман, исследования показали, что многие привычные теоретические допущения о силах в плазме оказались неточными. Теперь их можно скорректировать, потому что стало возможно наблюдать процессы в пылевой плазме с невиданной детализацией.
Например, одним из таких ошибочных предположений было то, что электрический заряд частицы растёт строго пропорционально её размеру. На самом деле зависимость определяется плотностью и температурой окружающей плазмы.
Другое ошибочное представление заключалось в том, что сила между частицами всегда экспоненциально убывает с расстоянием, независимо от их размера. ИИ показал, что скорость этого убывания также зависит от величины самих частиц. Этот факт тоже раньше упускали из виду.
Удивительно то, что эта модель ИИ работала на самом обычном настольном компьютере. А результаты этого исследования могут стать отправной точкой для изучения других сложных систем и дать универсальную модель, которую можно применять к самым разным многочастичным системам: начиная с красок и чернил в промышленности и заканчивая миграцией клеток в живых организмах.
А главное — это исследование показало, что возможности ИИ выходят далеко за рамки анализа и обработки данных и машинное обучение может быть полезным в физике. Нейросети действительно могут открывать новые законы, управляющие природой, однако именно учёные должны проверять и правильно трактовать результаты их работы.
Соединение ИИ и физики меняет сам подход к научным исследованиям. Успехи команды Эмори наверняка вдохновят учёных на новые проекты на стыке дисциплин и помогут по-новому взглянуть на тайны Вселенной.
В обычных нейросетях заложена простая логика: они находят статистические зависимости, не заботясь о том, соответствуют ли те физическим законам. Если данные случайно противоречат реальности — модель всё равно «подгонит» результат. Поэтому такие алгоритмы подходят для прогнозов, распознавания изображений или текстов, но не для открытия причинно-следственных закономерностей.
Учёные пошли другим путём. Они создали архитектуру, которая вшивает физику в сам процесс обучения. Алгоритм обязан подчиняться законам сохранения и симметрии, не нарушать энергию системы и не предлагать решений, которые противоречат эксперименту. Это означает, что нейросеть не просто ищет корреляции, а учится понимать физику — шаг, на который большинство систем машинного обучения пока не способны.
Кроме того, исследователи сознательно отказались от идеи «больших данных». Им пришлось разработать модель, которая работает на малом, но сверхточном наборе данных, полученном из реального эксперимента с плазмой. Чтобы нейросеть вообще могла что-то извлечь из этих наблюдений, понадобилось создать уникальную установку и систему 3D-треков, где каждая частица отслеживается в динамике.
Такой синтез — физики, инженерии и искусственного интеллекта — и стал главным достижением проекта. До сих пор ИИ помогал физикам ускорять расчёты или анализировать сигналы, но теперь он впервые стал инструментом открытия новых законов. И это уже не просто эксперимент ради публикации, а пример того, как искусственный интеллект способен выйти за пределы своей статистической природы и стать частью научного метода.
