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 le 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, fai osservazioni, creare una teoria basata su tali osservazioni, e poi usare quella teoria per prevedere nuove osservazioni, " ha detto il fisico PPPL Hong Qin, autore di un articolo che dettaglia il concetto in Rapporti scientifici . "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 delle 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 elaborazione", ' poi fece previsioni accurate delle orbite di altri pianeti nel sistema solare senza usare le leggi del moto e della gravitazione di Newton. "Essenzialmente, Ho bypassato tutti gli ingredienti fondamentali della fisica. Vado direttamente da dati a dati, " Qin ha detto. "Non c'è nessuna legge della fisica nel mezzo."

Il programma non si verifica accidentalmente su previsioni accurate. "Hong ha insegnato al programma il principio di base utilizzato dalla natura per determinare le dinamiche di qualsiasi sistema fisico, " disse 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 "apprende" davvero le leggi della fisica."

L'apprendimento automatico è ciò che rende possibili programmi per computer come Google Translate. Google Translate vaglia una grande quantità di informazioni per determinare la frequenza con cui una parola in una lingua è stata tradotta in una parola nell'altra. 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 stanza cinese di John Searle. In quello 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 sostituirebbe la comprensione. L'esperimento mentale solleva domande su cosa, alla radice, significa capire qualsiasi cosa, e se la comprensione implichi che nella mente stia accadendo qualcos'altro oltre a seguire le regole.

Qin è stato ispirato in parte dall'esperimento filosofico di pensiero del filosofo di Oxford Nick Bostrom che l'universo è una simulazione al computer. Se fosse vero, allora le leggi fisiche fondamentali dovrebbero rivelare che l'universo consiste di singoli pezzi di spazio-tempo, come i pixel in un videogioco. "Se viviamo in una simulazione, il nostro mondo deve essere discreto, " disse Qin. La tecnica della scatola nera ideata da Qin non richiede che i fisici credano letteralmente alla congettura di simulazione, sebbene si basi su questa idea per creare un programma che faccia previsioni fisiche accurate.

La conseguente visione pixelata del mondo, simile a ciò che è ritratto nel film The Matrix, è nota come 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 di solito 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 nel programma della Princeton University 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.

Fusione, la forza che guida il sole e le stelle, combina elementi leggeri sotto forma di plasma:il caldo, stato 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 virtualmente inesauribile di energia per generare elettricità.

"In un dispositivo di fusione magnetica, le dinamiche dei plasmi sono complesse e multiscala, e le leggi di governo effettive o i modelli computazionali per un particolare processo fisico che ci interessa non sono sempre chiari, " 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 interrogativi 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 ogni scienziato è la previsione, " Qin ha detto. "Potrebbe non essere necessariamente necessaria una legge. Per esempio, se posso prevedere perfettamente un'orbita planetaria, Non ho bisogno di conoscere le leggi della gravitazione e del moto di Newton. Potresti obiettare che così facendo capiresti meno che se conoscessi le leggi di Newton. In un 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 notevolmente la portata dei problemi che puoi affrontare perché tutto ciò di cui hai bisogno per andare avanti sono dati, " ha detto Palmerduca.

La tecnica potrebbe anche portare allo sviluppo di una teoria fisica tradizionale. "Mentre in un certo senso questo metodo esclude la necessità di una tale teoria, può anche essere visto come un percorso verso uno, — disse Palmerduca. — Quando si cerca di dedurre una teoria, ti piacerebbe avere quanti più dati possibile a tua disposizione. Se ti vengono dati dei dati, puoi utilizzare l'apprendimento automatico per colmare le lacune in quei dati o espandere in altro modo il set di dati."