Durante séculos, a ciência avançou seguindo um caminho relativamente conhecido: primeiro observava-se um fenômeno da natureza, depois formulavam-se hipóteses e, por fim, construíam-se equações capazes de explicar seu comportamento. Da mecânica de Isaac Newton às equações de Maxwell e à teoria da relatividade de Albert Einstein, praticamente todas as grandes descobertas científicas dependeram da capacidade humana de transformar observações em leis matemáticas.

Agora, pesquisadores chineses afirmam ter dado um passo importante para inverter parcialmente esse processo.

Um estudo aceito para publicação na revista Nature Communications apresenta uma tecnologia baseada em inteligência artificial capaz de descobrir automaticamente as equações que governam sistemas físicos complexos, mesmo quando os dados disponíveis são incompletos, apresentam ruído ou possuem milhares de variáveis simultâneas. O trabalho foi desenvolvido por Dongni Jia, Shuai Li, Xinyi Zuo, Haibo Shi, Junyi Wang e Xiaofeng Zhou, do Shenyang Institute of Automation, da Chinese Academy of Sciences, e da University of Chinese Academy of Sciences, em Pequim.

A pesquisa enfrenta um dos problemas mais antigos da ciência moderna: como descobrir automaticamente as leis matemáticas escondidas em enormes conjuntos de dados produzidos por sensores, equipamentos industriais ou experimentos científicos.

Segundo os autores, embora a inteligência artificial tenha se tornado extremamente eficiente para fazer previsões, a maioria dos modelos continua funcionando como uma "caixa-preta", oferecendo respostas sem revelar os mecanismos físicos responsáveis pelos fenômenos observados. O novo método procura justamente unir capacidade preditiva e interpretação científica.

Batizada de PK-MCL (Physics-guided Koopman framework with Multi-scale Consistency Learning), a técnica combina aprendizado de máquina, teoria matemática conhecida como Operador de Koopman, decomposição espectral em múltiplas escalas e restrições baseadas nas leis da física. Em vez de simplesmente ajustar curvas aos dados, o sistema procura identificar quais equações realmente explicam o comportamento observado, descartando relações espúrias provocadas por ruídos ou medições imperfeitas.

O desafio não é trivial. Em sistemas reais — como clima, processos industriais, reatores químicos ou escoamentos de fluidos — milhares de variáveis interagem simultaneamente. Pequenos erros de medição podem comprometer completamente os modelos matemáticos tradicionais. Essa dificuldade limita aplicações em diversas áreas da engenharia, da física e da indústria.

Os pesquisadores afirmam que sua abordagem reorganiza os dados em diferentes escalas espaciais e temporais, identifica padrões persistentes e impõe restrições físicas durante todo o processo de treinamento da inteligência artificial. O resultado é um conjunto de equações compactas, interpretáveis e estáveis mesmo quando os dados apresentam elevado nível de ruído ou mudanças nas condições de operação.

Para verificar o desempenho da nova arquitetura, a equipe realizou uma extensa bateria de testes envolvendo alguns dos modelos matemáticos mais conhecidos da física contemporânea.

Entre eles estão a Equação de Burgers, utilizada para estudar ondas de choque e difusão; o sistema de FitzHugh-Nagumo, empregado na modelagem de impulsos nervosos e reações químicas; e as equações de Navier-Stokes, consideradas um dos maiores desafios da mecânica dos fluidos por descreverem o comportamento de líquidos e gases em movimento.

Além dos experimentos clássicos, os pesquisadores aplicaram o método a dois modelos industriais de reatores químicos e, posteriormente, a um circuito real de moagem e classificação de minério utilizado na mineração, um ambiente caracterizado por sensores sujeitos a falhas, medições incompletas e constantes mudanças operacionais.

Segundo o artigo, o PK-MCL manteve estabilidade nas previsões de longo prazo e conseguiu recuperar relações físicas coerentes entre as variáveis, mesmo em condições consideradas desfavoráveis para modelos convencionais de aprendizado de máquina. Nos estudos comparativos apresentados pelos autores, a nova arquitetura demonstrou menor sensibilidade a ruídos e maior robustez diante de perturbações nos dados experimentais.

O trabalho também situa a pesquisa dentro da evolução recente da inteligência artificial científica. Nas últimas duas décadas surgiram métodos como regressão simbólica, redes neurais informadas pela física (Physics-Informed Neural Networks) e algoritmos de identificação esparsa de sistemas dinâmicos. Embora esses modelos tenham ampliado significativamente a capacidade de previsão computacional, ainda enfrentam dificuldades para identificar de forma única as leis matemáticas que governam fenômenos complexos. O novo método busca preencher exatamente essa lacuna.

Na discussão dos resultados, os autores afirmam que previsão precisa, interpretabilidade física e robustez diante de dados imperfeitos precisam ser tratadas simultaneamente, e não como problemas independentes. Para eles, ampliar apenas o poder computacional da inteligência artificial não basta para produzir conhecimento científico confiável; é necessário incorporar explicitamente restrições físicas ao processo de aprendizagem.

Os pesquisadores também reconhecem limitações. O desempenho do método depende da construção adequada da biblioteca de funções físicas utilizada pelo algoritmo e o custo computacional aumenta à medida que cresce a complexidade dos sistemas analisados. Entre os próximos objetivos estão adaptar a tecnologia para sistemas tridimensionais ainda mais complexos, ambientes não estacionários e aplicações industriais em tempo real.

Embora o estudo permaneça essencialmente no campo da pesquisa básica e aplicada, suas implicações podem alcançar setores estratégicos como produção industrial, engenharia química, climatologia, energia, materiais avançados, mineração e automação. Em todos esses segmentos, compreender as equações que governam processos complexos significa desenvolver modelos mais confiáveis, otimizar operações e reduzir custos de experimentação.

Aceito para publicação na Nature Communications, o trabalho representa mais um capítulo da rápida aproximação entre inteligência artificial e método científico. Se antes os computadores eram utilizados apenas para resolver equações formuladas por pesquisadores, a nova geração de algoritmos começa a assumir uma tarefa ainda mais ambiciosa: ajudar a descobrir quais são essas próprias equações.